Ποιος μίλησε πότε δωρεάν: διαχωρισμός φωνής και ζωντανοί υπότιτλοι

Μετά από μια συνάντηση, μια συνέντευξη ή μια διάλεξη μένεις με μια ηχογράφηση όπου μιλούν πολλά άτομα και μια συνηθισμένη μεταγραφή δεν μπορεί να σου πει ποιος είπε τι. Ποιος μίλησε πότε είναι ένα δωρεάν εργαλείο προγράμματος περιήγησης: χωρίζει την εγγραφή σε ηχεία (έως τέσσερα), προαιρετικά μετατρέπει την ομιλία σε διάλογο με χρονική σήμανση και η δεύτερη καρτέλα του προβάλλει ζωντανούς υπότιτλους απευθείας από το μικρόφωνό σας. Το αρχείο δεν μεταφορτώνεται ποτέ, δεν ξοδεύονται διακριτικά και δεν χρειάζεται λογαριασμός.

Πώς λειτουργεί

Ο διαχωρισμός ηχείων τροφοδοτείται από το NVIDIA Sortformer μοντέλο: βρίσκει έως και τέσσερα ηχεία και καθορίζει τα χρονικά διαστήματα κατά τα οποία ακούστηκε το καθένα. Εάν αφήσετε επιλεγμένο το πλαίσιο "Επίσης μεταγραφή της ομιλίας", οι λέξεις επισυνάπτονται στα ηχεία — λαμβάνετε μια μεταγραφή διαλόγου με την ένδειξη "Speaker 1", "Speaker 2" and on, την οποία μπορείτε να αντιγράψετε ή να κατεβάσετε ως TXT, SRT, VTT ή JSON. Ένα σήμα δίπλα στη γραμμή χρόνου δείχνει πόσα ηχεία βρήκε το μοντέλο.

Η πρώτη εκτέλεση κατεβάζει τα βάρη του μοντέλου στη συσκευή σας — περίπου 380 MB συνολικά. Μετά από αυτό, παραμένουν προσωρινά αποθηκευμένες στο πρόγραμμα περιήγησής σας και οι μεταγενέστερες εκτελέσεις δεν χρειάζονται δίκτυο. Με κάρτα γραφικών (WebGPU) η ανάλυση είναι γρήγορη. χωρίς αυτό ο κινητήρας πέφτει πίσω στον επεξεργαστή (WASM) — αισθητά πιο αργό, αλλά το αποτέλεσμα είναι το ίδιο και το εργαλείο θα σας πει πότε συμβεί αυτό. Ο ήχος αναδιπλώνεται στα 16 kHz μονοφωνικά μέσα στο πρόγραμμα περιήγησης. τίποτα δεν χρειάζεται εγγραφή πουθενά.

Επισήμανση της δικής σας εγγραφής

1. Ανοίξτε το εργαλείο και επιλέξτε ένα αρχείο ήχου ή βίντεο: MP3, WAV, M4A, MP4 και WebM γίνονται αποδεκτά και μπορείτε να αποθέσετε το αρχείο στο πλαίσιο.
2. Αποφασίστε για το πλαίσιο "Επίσης να μεταγράψετε την ομιλία": επιλεγμένο, σας δίνει έναν διάλογο με χρονική σήμανση. μη επιλεγμένο, μόνο το χρονοδιάγραμμα "ποιος και πότε μίλησε".
3. Πατήστε το κουμπί έναρξης. Στην πρώτη εκτέλεση, περιμένετε να γίνει λήψη των μοντέλων — η γραμμή προόδου σας κρατά ενήμερους.
4. Το αποτέλεσμα είναι το χρονοδιάγραμμα συν ο διάλογος. Αντιγράψτε το κείμενο με ένα κουμπί ή κατεβάστε το στη μορφή που χρειάζεστε.

Ζωντανοί υπότιτλοι από το μικρόφωνο

Η δεύτερη καρτέλα λαμβάνει τον ήχο κατευθείαν από το μικρόφωνο και του δίνει λεζάντες φράση προς φράση καθώς μιλάτε: η τρέχουσα φράση εμφανίζεται μεγάλες, ενώ οι ολοκληρωμένες παραμένουν στην παρακάτω λίστα. Ταιριάζει σε μια συνάντηση, μια διάλεξη ή μια βιντεοκλήση, όταν χρειάζονται υπότιτλοι τώρα και όχι μετά την επεξεργασία ενός αρχείου. Η πρόσβαση στο μικρόφωνο ζητείται πατώντας το κουμπί. τίποτα δεν γράφεται σε ένα αρχείο και τίποτα δεν φεύγει από το πρόγραμμα περιήγησης.

Τι πρέπει να γνωρίζετε εκ των προτέρων

Το εργαλείο είναι νέο και πειραματικό: η ποιότητα του διαχωρισμού εξαρτάται από την εγγραφή. Οι καθαρές συνομιλίες μικροφώνου χωρίζονται με αυτοπεποίθηση, ενώ οι θορυβώδεις ηχογραφήσεις με συνεχείς διακοπές μπορεί να το μπερδέψουν. Η εργασία ομιλίας απαιτεί επίσης μνήμη — προγραμματίστε περίπου 1 GB χώρου κεφαλής. Στη διαδρομή του επεξεργαστή (WASM) μια μεγάλη εγγραφή διαρκεί αισθητά περισσότερο από ότι σε μια κάρτα γραφικών. Το μοντέλο δεν μαθαίνει ονόματα: οι ετικέτες "Speaker 1" και "Speaker 2" προορίζονται να μετονομαστούν μετά την εξαγωγή, ώστε να ταιριάζουν με τα λεπτά σας.

Ποιος το χρειάζεται

Ένας δημοσιογράφος μπορεί να βρει γρήγορα πού εισέρχεται μια νέα φωνή σε μια συνέντευξη. Ένας μαθητής μπορεί να δώσει μια διάλεξη καταγράφοντας γραμμή προς γραμμή: πού μίλησε ο καθηγητής και πού ρώτησε το κοινό. Ένας επεξεργαστής podcast μπορεί να εντοπίσει τα τμήματα μιας μεγάλης συνεδρίας όπου όλοι μιλούσαν μεταξύ τους και να τα κόψουν. Ένας γραμματέας της συνεδρίασης μπορεί να δημιουργήσει ένα προσχέδιο των πρακτικών με χρονικούς κωδικούς χωρίς να στείλει την ηχογράφηση πουθενά.

Όταν χρειάζεσαι κάτι άλλο

Εάν αυτό που θέλετε είναι απλό κείμενο αντί για ανάλυση με φωνή, ανοίξτε ήχος και βίντεο → κείμενο. Τα άλλα εργαλεία της ενότητας ζωντανά στο Ήχος σελίδα και περισσότερα δωρεάν τοπικά εργαλεία βρίσκονται κάτω Άλλα εργαλεία. Η ανάλυση γίνεται από το ανοιχτό FluidAudio βιβλιοθήκη (MIT άδεια): ο κωδικός και τα μοντέλα βρίσκονται στο πρόγραμμα περιήγησής σας, χωρίς παρακάμψεις σε άλλους διακομιστές.