Kort fortalt (BLUF): Værktøjet omdanner lyd eller video til tekst og undertekster: det genkender talen med Whisper-modellen direkte i din browser, finder selv sproget i optagelsen eller accepterer det valgte, sætter tidsstempler og giver resultatet i TXT, SRT, VTT og JSON. Til video samler det desuden et klip med indbrændte undertekster. Filen uploades aldrig, der trækkes ingen tokens, og her findes ingen betalt API.
Værktøjet tager en lydfil eller en video og omdanner talen til tekst. Du uploader en fil og får en transskription med tidsstempler, færdige undertekster og, for video, samme klip med undertekster brændt direkte ind i billederne.
Genkendelsen kører med Whisper-modellen (den åbne flersprogede model Xenova/whisper-tiny) via Transformers.js: på grafikkortet via WebGPU, når browseren tilbyder det, ellers på processoren via WASM. Lydsporet trækkes ud af filen lokalt, i din browsers hukommelse.
Lyd: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Fra video trækker værktøjet selv lydsporet ud: det behøver ikke klippes ud separat.
Lyden konverteres til mono 16 kHz — præcis den form, Whisper forventer. En lang optagelse genkendes i blokke af 30 sekunder med overlap 5 sekunder, så der ikke går ord tabt ved samlingerne.
Filen sendes ikke til en server: både lyden, genkendelsen og sammensætningen af undertekster foregår inde i din browser. Betalt API findes ikke her, og ingen tokens trækkes.
Modellens vægte downloades én gang fra det åbne katalog Hugging Face og ligger derefter i browserens cache — ved næste besøg rejser modellen sig allerede uden ny download. Der er slet ingen serverinferens, CUDA eller "reserve-GPU på vores side".
Whisper genkender 99 sprog. Som standard detekteres sproget automatisk, og værktøjet viser hvilket sprog det hørte. Er optagelsen kort eller blandet, kan sproget vælges manuelt i listen — genkendelsen bliver så mere præcis.
Teksten kan kopieres med en knap eller downloades i fire formater. TXT er blot transskriptionen, med eller uden tidsstempler. SRT og VTT er færdige undertekster til afspillere, redigeringsprogrammer og YouTube. JSON er transskriptionen med sprog, varighed og alle replikker med tidsstempler — bekvemt til videre behandling.
Til en videofil bygger værktøjet en ny klip, hvor underteksterne er brændt direkte ind i billederne. En sådan video spiller overalt, også der hvor eksterne undertekster ikke understøttes: i beskedapps, i sociale medier og på enhver afspiller. Originallyden bevares.
Samme undertekster kan også downloades som SRT- og VTT-filer — de kan kobles til originalvideoen uden at den bygges om.
Det oversætter ikke talen til et andet sprog: genkendelsen går på optagelsens sprog, oversættelse er en separat opgave. Det adskiller ikke talere efter stemme og noterer ikke, hvem der sagde hvad.
Det behandler ikke musik og støj som tale: uden forståelig tale i optagelsen bliver transskriptionen tom eller upræcis. Kvaliteten afhænger af optagelsen — på klar stemme uden støj og ekko er resultatet mærkbart bedre.
Vælg lyd eller video, angiv evt. sproget (eller lad automaten stå) og tryk på "Genkend tale". Vent på transskriptionen — fremskridtet ses på skærmen, og genkendelsen kan afbrydes.
Kopiér derefter teksten eller download TXT, SRT, VTT, JSON. Uploadede du en video, tryk på "Lav video med undertekster" og download den færdige klip.
Video- og podcastskabere — undertekster at publicere og transskription til beskrivelser. Studerende og journalister — teksten af forelæsninger, interviews og diktafonoptagelser. Alle, der hurtigt skal have teksten fra en optagelse uden at sende den til en andens server.
Ingen steder. Lyden udtrækkes og genkendes fuldstændigt i din browser, på din enhed. Vores server ser aldrig filen.
Nej. Det er et gratis værktøj, der kører på din enhed: her er ingen betalt API, så der er intet at trække.
Modellen beregner på din enhed. Første opstart tager længere tid: modellens vægte downloades, og grafen opvarmes. Derefter kommer modellen fra browserens cache, og genkendelsen går hurtigere.
Vælg sproget manuelt i listen og kør genkendelsen igen — ved korte optagelser er det manuelle valg mere præcist end det automatiske.
Ja. Download SRT eller VTT og tilkobl dem til videoen, eller byg direkte i værktøjet et klip med indbrændte undertekster.