Hvem talte hvornår gratis: stemmeadskillelse og undertekster

Enhver optagelse med mere end én stemme efterlader dig med det samme spørgsmål: "hvem sagde det?". Hvem talte hvornår (gratis) besvarer det direkte i din browser: Værktøjet finder, hvor linjer begynder og slutter, sorterer dem efter højttaler - "Højttaler 1", "Højttaler 2" og så videre, op til fire personer - og, hvis du vil, tilføjer du også teksten. Filen uploades aldrig, ingen tokens opkræves, og der kræves ingen konto.

Sådan fungerer højttaleradskillelse

Opgaven kaldes diarisering: Modellen lytter til hele strømmen og besvarer to spørgsmål separat - hvem talte, og i hvilke minutter. Stemmer sammenlignes efter klangfarve, så linjer fra den samme person lander på ét spor, selv når folk taler over hinanden. Det, du får tilbage, er en tidslinje: hver række er en talerække med sine egne tidsstempler og en højttaleretiket.

Alt er beregnet på din enhed. Modellerne downloades én gang til din browser og fungerer derefter offline; på et grafikkort via WebGPU kører analysen mærkbart hurtigere, og hvis browseren ikke giver op, falder den tilbage til processoren via WASM — korrekt, men langsomt. Tjek hukommelsesnoten før en lang optagelse: modellerne vil have omkring en gigabyte til at køre komfortabelt.

Analyse af en fil trin for trin

1. Åbn værktøj og vælg en optagelse på filfanen: MP3, WAV, M4A, MP4, WebM og andre mediefiler accepteres.
2. Afkrydsningsfeltet "Også transskriber talen" bringer tekstmodellen ind: ord lægges på højttalersporene og samles til en læsbar dialog. Med det slukket opdeler værktøjet kun optagelsen med stemmer, hvilket er hurtigere.
3. Den første kørsel downloader modellerne (ca. 380 MB) og cacher dem; de næste analyser starter med det samme.
4. Vent på tidslinjen og dialogen, kopier derefter resultatet eller eksporter det som TXT, SRT, VTT eller JSON. I underteksterne SRT og VTT bærer hver linje sit højttalernavn, så filen tilsluttes direkte til en videoeditor.

Live undertekster fra mikrofonen

Den anden fane behøver ingen fil: Tænd for din mikrofon, og sætninger begynder at dukke op på skærmen, mens du taler. En færdig sætning flytter ind på listen med et tidsstempel, mens den næste skriver sig selv nedenunder. Lyden optages ikke og sendes ikke til en server - underteksterne lever kun på din side, og du kan til enhver tid tjekke det med netværksfanen i dine udviklerværktøjer. Det passer til opkald, møder og foredrag, hvor du skal bruge udskriften, mens samtalen stadig er i gang, ikke efterfølgende.

Ærlige grænser

Dette er et højttaleradskillelsesværktøj, ikke en universel transskribering. Talegenkendelsesmodellen blev primært trænet på engelsk: den transskriberer en samtale på et andet sprog, men med mærkbart flere fejl end på engelsk. Op til fire højttalere adskilles pålideligt; en optagelse fra en larmende hal med afbrydelser vil være værre end et roligt interview. En transskription med højttalernavne er ikke professionel transskription, så læs den igennem, inden du sender den videre.

Hardware er den anden grænse: en svag enhed har muligvis ikke nok hukommelse til modellerne, og analyse, der kun er processor, tager et stykke tid. Til gengæld er prisen fastsat til ingenting: ingen køer, ingen gebyrer, ingen uploads.

Hvem passer det til

En journalist kan se strukturen af ​​et interview og trække citater frem på få minutter. En mødevært kan få en "hvem sagde hvad"-optagelse uden at skrubbe igennem båndet. En videoeditor kan tilslutte undertekster med højttalernavne til et projekt gennem SRT eller VTT. En studerende kan opdele en forelæsning i linjer og talepunkter.

Hvis du har brug for tekst uden højttaleradskillelse og på mange sprog, talegenkendelse (gratis) løber ved siden af. Resten af ​​afsnittet lever på Lyd side, og gratis lokale værktøjer er samlet under Andre værktøjer. Start med en kort fem-minutters optagelse: Et første løb med modeldownload er nok til at høre, hvordan dine optagelser overlever analysen.