Stručně o hlavním (BLUF): Nástroj mění zvuk nebo video na text a titulky: rozpozná řeč modelem Whisper přímo ve vašem prohlížeči, sám určí jazyk nahrávky nebo přijme zvolený, umístí časové značky a dá výsledek v TXT, SRT, VTT a JSON. U video navíc složí klip s vypálenými titulky. Soubor se nikam nenačítá, tokeny se neodčítávají a placené API tu není.
Nástroj vezme zvuk nebo video a změní řeč na text. Nahrajete soubor a dostanete přepis s časovými značkami, hotové titulky a u video též klip s titulky, vypálenými přímo do záběrů.
Rozpoznávání běží modelem Whisper (otevřený vícejazyčný model Xenova/whisper-tiny) přes Transformers.js: na grafické kartě přes WebGPU, když ji prohlížeč nabídne, jinak na procesoru přes WASM. Zvuková stopa se ze souboru vytahuje lokálně, v paměti vašeho prohlížeče.
Zvuk: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Z video nástroj vytáhne zvukovou stopu sám: není potřeba ji vystřihovat zvlášť.
Zvuk se převede na mono 16 kHz — přesně do podoby, kterou Whisper očekává. Dlouhá nahrávka se rozpoznává po blocích 30 sekund s překryvem 5 sekund, takže na spojích neztratí se žádné slovo.
Soubor se nikam neposílá: i zvuk, i rozpoznávání, i skládání titulků probíhá uvnitř vašeho prohlížeče. Placené API tu není, tokeny se neodčítávají.
Váhy modelu se jednou stáhnou z otevřeného katalogu Hugging Face a dál leží v cache prohlížeče — příště model nastoupí už bez stahování. Serverové inference, CUDA ani „záložní GPU na naší straně" tu nejsou vůbec.
Whisper rozpoznává 99 jazyků. Ve výchozím stavu se jazyk určí automaticky a nástroj ukáže, který jazyk zaslechl. Je-li nahrávka krátká nebo smíšená, jazyk lze vybrat ručně ze seznamu — rozpoznávání pak bude přesnější.
Text lze zkopírovat jedním tlačítkem nebo stáhnout ve čtyřech formátech. TXT je jen přepis, s časovými značkami nebo bez. SRT a VTT jsou hotové titulky pro přehrávače, střihové programy a YouTube. JSON je přepis s jazykem, délkou a všemi replikami s časovými značkami — hodí se k dalšímu zpracování.
Pro videosoubor nástroj složí nový klip, ve kterém jsou titulky vypáleny přímo do záběrů. Takové video hraje všude, i tam, kde externí titulky nejsou podporovány: v messengerech, na sociálních sítích a na jakémkoli přehrávači. Zvuk původu zůstává zachován.
Tytéž titulky se dají stáhnout i samostatně jako soubory SRT a VTT — lze je připojit k původnímu videu, aniž by se přestavovalo.
Nepřekládá řeč do jiného jazyka: rozpoznávání jde v jazyce nahrávky, překlad je zvláštní úkol. Nerozlišuje mluvčí podle hlasu a nevypisuje, kdo co řekl.
Nepracuje s hudbou a hlukem jako s řečí: když v nahrávce není srozumitelná řeč, přepis bude prázdný nebo nepřesný. Kvalita závisí na nahrávce — na čistém hlasu bez hluku a ozvěny je výsledek znatelně lepší.
Zvolte zvuk nebo video, podle potřeby zadejte jazyk (anebo nechte automatické rozpoznání) a stiskněte „Rozpoznat řeč". Vyčkejte přepisu — postup je vidět na obrazovce, rozpoznávání lze přerušit.
Poté text zkopírujte nebo stáhněte TXT, SRT, VTT, JSON. Jestliže jste nahráli video, stiskněte „Vytvořit video s titulky" a stáhněte hotový klip.
Tvůrcům videa a podcastů — titulky k publikaci a přepis do popisů. Studentům a žurnalistům — text přednášek, rozhovorů a nahrávek z diktafonu. Všem, kdo rychle potřebují text z nahrávky, aniž by ji poslali na cizí server.
Nikam. Zvuk se vytahuje a rozpoznává zcela ve vašem prohlížeči, na vašem zařízení. Na náš server soubor nedojde.
Ne. Jde o bezplatný nástroj, který běží na vašem zařízení: placené API tu není, takže není co odečítat.
Model počítá na vašem zařízení. První spuštění trvá déle: stahují se váhy modelu a graf se zahřívá. Poté model přichází z cache prohlížeče a rozpoznávání jde rychleji.
Zvolte jazyk ručně v seznamu a spusťte rozpoznávání znovu — u krátkých nahrávek je ruční volba přesnější než automatická.
Ano. Stáhněte SRT nebo VTT a připojte je k videu, nebo složte přímo v nástroji klip s vypálenými titulky.