Transkrypcja wideo

Nie. Model mowy pobiera się do przeglądarki, a transkrypcja powstaje na twoim komputerze — nagranie nie trafia ani do nas, ani do nikogo innego. Po pobraniu modelu możesz odłączyć internet, a narzędzie i tak będzie działać.

Tak, i pyta o to sam model mowy — ten sam model, który transkrybuje, rozpoznaje też języki. Przy niderlandzkim nagraniu, na którym testujemy, wskazał niderlandzki z pewnością 96%. Wybrany język pojawia się na liście, gdy tylko jest znany — widzisz więc, że się zgadza, albo przerywasz po kilku sekundach. Jeśli znasz język, wskazanie go samodzielnie pozostaje najpewniejsze.

Krócej niż samo nagranie, na każdym sprzęcie, który zmierzyliśmy. Dziesięciominutowy film zajął około 100 sekund na laptopie z układem graficznym i około sześciu i pół minuty na laptopie bez niego. W trakcie pracy widać oszacowanie, które robi się dokładniejsze, bo mierzy twój komputer zamiast zgadywać.

Ponad dwadzieścia: polski, angielski, duński, niderlandzki, niemiecki, francuski, hiszpański, włoski, fiński, szwedzki, norweski, portugalski, rosyjski, ukraiński, turecki, arabski, hindi, japoński, koreański i chiński. Wybierz go przed startem albo pozwól wykryć język z nagrania — zobacz niżej.

Na angielski tak, jest do tego ustawienie. Model umie spisać to, co słyszy, albo przetłumaczyć to na angielski — innych par językowych nie obsługuje. Z polskiego na niemiecki nie potrafi, więc wolimy tego nie oferować, niż oferować źle.

Wszystko, co odtworzy twoja przeglądarka: MP4, MOV, WebM, MKV i AVI dla wideo oraz MP3, M4A, WAV, FLAC, OGG i Opus dla dźwięku. Dźwięk wyciąga z filmu samodzielnie, więc nie trzeba go wcześniej wydzielać.

W zwykłym tekście, Wordzie (.docx), PDF, Markdown, CSV do arkusza, JSON oraz jako napisy SRT albo VTT. Formaty dokumentowe mogą nieść znacznik czasu przy każdym akapicie, a pliki napisów niosą czasy, których potrzebuje odtwarzacz.

Dobra i uczciwie niedoskonała. Przy dziewięciominutowym niderlandzkim wywiadzie zgadzała się niemal słowo w słowo z programem komputerowym; myli głównie nazwy własne, z czym rozpoznawanie mowy radzi sobie najgorzej w ogóle. Przeczytaj tekst, zanim na nim polegniesz.

Dwadzieścia minut na plik. To ograniczenie pamięci, a nie zasada — zdekodowany dźwięk leży w pamięci przeglądarki, a powyżej dwudziestu minut karta ryzykuje twoim komputerem. Długie nagranie podziel wcześniej naszym narzędziem do przycinania dźwięku.

Bo pobiera model mowy. Na komputerze z układem graficznym to około 920 MB, ponieważ tylko pełna precyzja transkrybuje poprawnie — zmierzyliśmy mniejsze warianty: jeden był dziesięć razy wolniejszy, drugi po cichu produkował bzdury. Bez układu graficznego to około 240 MB. Przeglądarka zachowuje model w obu przypadkach, więc drugi plik rusza od razu, a „Szybsza, zgrubna” używa modelu mniej więcej sześć razy mniejszego.

Pobierany jest z Hugging Face, publicznego repozytorium, w którym model został opublikowany. To jedyne żądanie, jakie ta strona kieruje do kogoś z zewnątrz, i biegnie w drugą stronę: pliki schodzą na dół, nic nie idzie w górę. Twojego nagrania nigdy w tym nie ma — trafia do modelu wewnątrz twojej przeglądarki i nie dotyka sieci. Cała reszta, łącznie z kodem uruchamiającym model, pochodzi z helpyself.com.

Żadnych ciasteczek i nic z twojego nagrania ani transkrypcji. Strona pamięta kilka ogólnych ustawień — motyw, to czy jesteś zalogowany — a to narzędzie dokłada jedną rzecz: sam model mowy, w pamięci przeglądarki, żeby drugi plik ruszył od razu. To te 920 MB opisane wyżej (albo 240 MB bez układu graficznego). Zostaje, dopóki nie wyczyścisz danych tej strony w przeglądarce — wtedy znika całkowicie.

Bo coś w nagraniu nie było mową. Muzyka, oklaski, przeciągnięty dźwięk albo pokój z wentylatorem wprowadzają każdy model mowy w pętlę — pisze to samo zdanie w kółko, płynnie i we właściwym języku, a nic w wyniku nie zdradza, że jest zmyślone. Gdy tak się dzieje, fragment jest dekodowany jeszcze kilka razy z większą losowością; jeśli pętla zostaje, fragment jest pomijany, a podsumowanie o tym mówi. Widoczna luka jest lepsza niż akapit dialogu, którego nikt nie wypowiedział.