Trascrivere video

No. Il modello vocale viene scaricato nel tuo browser e la trascrizione avviene sulla tua macchina — la registrazione non arriva né a noi né a nessun altro. Puoi scollegarti da internet una volta caricato il modello e continuerà a funzionare.

Sì, e lo chiede al modello vocale stesso — lo stesso modello che trascrive riconosce anche le lingue. Sulla registrazione olandese con cui facciamo le prove ha indicato l'olandese con il 96% di confidenza. La lingua scelta compare nel menù appena è nota, così vedi che è giusta — o ti fermi in pochi secondi. Se la lingua la conosci già, indicarla resta la via più sicura.

Meno di quanto duri la registrazione, su ogni macchina che abbiamo misurato. Un video di dieci minuti ha richiesto circa 100 secondi su un portatile con scheda grafica e circa sei minuti e mezzo su uno senza. Durante il lavoro compare una stima, che diventa più precisa perché misura la tua macchina invece di tirare a indovinare.

Più di venti: italiano, inglese, danese, olandese, tedesco, francese, spagnolo, polacco, finlandese, svedese, norvegese, portoghese, russo, ucraino, turco, arabo, hindi, giapponese, coreano e cinese, fra le altre. Scegline una prima di iniziare, oppure lascia che la lingua venga ricavata dall'audio — vedi sotto.

In inglese sì, c'è un'apposita opzione. Il modello sa scrivere ciò che sente oppure tradurlo in inglese, e nessun'altra combinazione. Dall'italiano al tedesco non è in grado, e preferiamo non offrirlo piuttosto che offrirlo male.

Tutto ciò che il browser sa riprodurre: MP4, MOV, WebM, MKV e AVI per il video, MP3, M4A, WAV, FLAC, OGG e Opus per l'audio. Estrae da sé l'audio dal video, quindi non serve separarlo prima.

Testo semplice, Word (.docx), PDF, Markdown, CSV per il foglio di calcolo, JSON e sottotitoli SRT o VTT. I formati documento possono portare un marcatore temporale per ogni paragrafo, e i file di sottotitoli portano i tempi che serve a un lettore video.

Buona, e sincera sul non essere perfetta. Su un'intervista olandese di nove minuti ha coinciso quasi parola per parola con un programma da scrivania; ciò che sbaglia sono soprattutto i nomi propri, dove il riconoscimento vocale è in generale più debole. Rileggila prima di fidartene.

Venti minuti per file. È un limite di memoria più che una regola — l'audio decodificato sta nella memoria del browser, e oltre i venti minuti una scheda rischia grosso con la tua macchina. Taglia prima le registrazioni lunghe con il nostro ritagliatore audio.

Perché scarica il modello vocale. Su una macchina con scheda grafica sono circa 920 MB, perché solo la precisione piena trascrive correttamente — abbiamo misurato le versioni più piccole: una era dieci volte più lenta, l'altra produceva in silenzio sciocchezze. Senza scheda grafica sono circa 240 MB. Il browser lo conserva in entrambi i casi, così il secondo file parte subito, e «Più veloce, più grezza» usa un modello grande circa un sesto.

Viene scaricato da Hugging Face, l'archivio pubblico su cui il modello è pubblicato. È l'unica richiesta che questa pagina rivolge a terzi, e va nella direzione opposta: i file scendono, non sale nulla. La tua registrazione non ne fa mai parte — viene consegnata al modello dentro il tuo browser e non tocca la rete. Tutto il resto, compreso il codice che esegue il modello, arriva da helpyself.com.

Nessun cookie, e nulla della tua registrazione o della tua trascrizione. Il sito ricorda poche preferenze generali — il tema, se hai effettuato l'accesso — e questo strumento aggiunge una cosa sola: il modello vocale stesso, nella memoria del browser, perché il secondo file parta subito. Sono i 920 MB indicati sopra (o 240 MB senza scheda grafica). Resta finché non cancelli i dati di questo sito dal browser, e allora sparisce del tutto.

Perché qualcosa nella registrazione non era parlato. Musica, applausi, una nota tenuta o una stanza con un ventilatore mandano qualsiasi modello vocale in un ciclo — scrive la stessa frase all'infinito, scorrevole e nella lingua giusta, senza che nulla riveli che è inventata. Quando accade, il tratto viene decodificato altre volte con più casualità; se il ciclo resta, viene omesso e il riepilogo lo dice. Un buco visibile è meglio di un paragrafo di dialogo mai pronunciato.