Στην ουσία (BLUF): Το εργαλείο μετατρέπει ήχο ή βίντεο σε κείμενο και υπότιτλους: αναγνωρίζει την ομιλία με το μοντέλο Whisper απευθείας στον browser σας, αναγνωρίζει από μόνο του τη γλώσσα της ηχογράφησης ή δέχεται τη γλώσσα που διαλέγετε, τοποθετεί χρονικά σήματα και δίνει το αποτέλεσμα σε TXT, SRT, VTT και JSON. Για βίντεο χτίζει επιπλέον ένα κλίπ με υπότιτλους καμμένους κατευθείαν στις εικόνες. Το αρχείο δεν ανεβαίνει πουθενά, δεν αφαιρούνται tokens και εδώ δεν υπάρχει πληρωμένη API.
Το εργαλείο παίρνει ήχο ή βίντεο και μετατρέπει την ομιλία σε κείμενο. Ανεβάζετε ένα αρχείο και παίρνετε μεταγραφή με χρονικά σήματα, έτοιμους υπότιτλους και, σε βίντεο, το ίδιο κλίπ με υπότιτλους που καίγονται κατευθείαν στις εικόνες.
Η αναγνώριση τρέχει με το μοντέλο Whisper (το ανοιχτό πολυγλωσσικό μοντέλο Xenova/whisper-tiny) μέσω Transformers.js: στην κάρτα γραφικών μέσω WebGPU όταν ο browser την προσφέρει, αλλιώς στον επεξεργαστή μέσω WASM. Το ηχητικό κομμάτι εξάγεται από το αρχείο τοπικά, στη μνήμη του browser σας.
Ήχος: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Βίντεο: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Από βίντεο το εργαλείο βγάζει μόνο του το ηχητικό κομμάτι: δεν χρειάζεται να το κόψετε ξεχωριστά.
Ο ήχος μετατρέπεται σε mono 16 kHz — ακριβώς στη μορφή που περιμένει το Whisper. Μια μακριά ηχογράφηση αναγνωρίζεται σε τμήματα των 30 δευτερολέπτων με επικάλυψη 5 δευτερολέπτων, ώστε στις ενώσεις να μη χάνεται λέξη.
Το αρχείο δεν αποστέλλεται σε διακομιστή: ο ήχος, η αναγνώριση και η συναρμολόγηση των υποτίτλων γίνονται μέσα στον browser σας. Πληρωμένη API δεν υπάρχει εδώ και δεν αφαιρούνται tokens.
Τα βάρη του μοντέλου κατεβαίνουν μία φορά από τον ανοιχτό κατάλογο Hugging Face και μετά μένουν στην cache του browser — την επόμενη επίσκεψη το μοντέλο στήνεται ήδη χωρίς νέα λήψη. Διακομιστικής inference, CUDA και «εφεδρικής GPU από εμάς» δεν υπάρχει καθόλου.
Το Whisper αναγνωρίζει 99 γλώσσες. Από προεπιλογή η γλώσσα αναγνωρίζεται αυτόματα και το εργαλείο δείχνει ποια γλώσσα άκουσε. Αν η ηχογράφηση είναι σύντομη ή μικτή, η γλώσσα μπορεί να διαλεχθεί χειροκίνητα από τη λίστα — τότε η αναγνώριση είναι ακριβέστερη.
Το κείμενο μπορεί να αντιγραφεί με ένα κουμπί ή να κατέβει σε τέσσερις μορφές. TXT είναι απλώς η μεταγραφή, με ή χωρίς χρονικά σήματα. SRT και VTT είναι έτοιμοι υπότιτλοι για players, προγράμματα μοντάζ και YouTube. JSON είναι η μεταγραφή με τη γλώσσα, τη διάρκεια και κάθε φράση με το χρονικό της σήμα — βολικό για περαιτέρω επεξεργασία.
Από αρχείο βίντεο το εργαλείο χτίζει ένα νέο κλίπ στον οποίο οι υπότιτλοι είναι καμμένοι κατευθείαν στις εικόνες. Ένα τέτοιο βίντεο παίζει παντού, ακόμα κι εκεί που οι εξωτερικοί υπότιτλοι δεν υποστηρίζονται: σε εφαρμογές μηνυμάτων, στα κοινωνικά δίκτυα και σε κάθε player. Ο ήχος του πρωτότυπου μένει σωσμένος.
Οι ίδιοι υπότιτλοι κατεβαίνουν και ξεχωριστά ως αρχεία SRT και VTT — μπορούν να προσαρτηθούν στο αρχικό βίντεο χωρίς να ξαναχτιστεί.
Δεν μεταφράζει την ομιλία σε άλλη γλώσσα: η αναγνώριση πηγαίνει στη γλώσσα της ηχογράφησης, η μετάφραση είναι ξεχωριστό έργο. Δεν διαχωρίζει τους ομιλητές κατά φωνή και δεν γράφει ποιος είπε τι.
Δεν χειρίζεται τη μουσική και τον θόρυβο ως ομιλία: αν στην ηχογράφηση δεν υπάρχει κατανοητή ομιλία, η μεταγραφή θα είναι άδεια ή ανακριβής. Η ποιότητα εξαρτάται από την ηχογράφηση — σε καθαρή φωνή χωρίς θόρυβο και ηχώ το αποτέλεσμα είναι αισθητά καλύτερο.
Διαλέξτε ήχο ή βίντεο, αν χρειάζεται ορίστε τη γλώσσα (ή αφήστε την αυτόματη αναγνώριση) και πατήστε «Αναγνώριση ομιλίας». Περιμένετε τη μεταγραφή — η πρόοδος φαίνεται στην οθόνη, η αναγνώριση μπορεί να διακοπεί.
Έπειτα αντιγράψτε το κείμενο ή κατεβάστε TXT, SRT, VTT, JSON. Αν ανεβάσατε βίντεο, πατήστε «Φτιάξε βίντεο με υπότιτλους» και κατεβάστε το έτοιμο κλίπ.
Στους δημιουργούς βίντεο και podcast — υπότιτλους για δημοσίευση και μεταγραφή για περιγραφές. Στους φοιτητές και δημοσιογράφους — το κείμενο διαλέξεων, συνεντεύξεων και ηχογραφήσεων δικταφώνου. Σε όλους που θέλουν γρήγορα κείμενο από ηχογράφηση, χωρίς να τη στείλουν σε ξένο διακομιστή.
Πουθενά. Ο ήχος εξάγεται και αναγνωρίζεται ολόκληρος στον browser σας, στη συσκευή σας. Στον διακομιστή μας το αρχείο δεν φτάνει ποτέ.
Όχι. Αυτό είναι δωρεάν εργαλείο που τρέχει στη συσκευή σας: πληρωμένη API δεν υπάρχει εδώ, άρα δεν υπάρχει τι να αφαιρεθεί.
Το μοντέλο υπολογίζει στη συσκευή σας. Η πρώτη εκκίνηση διαρκεί περισσότερο: κατεβαίνουν τα βάρη του μοντέλου και ζεσταίνεται ο γράφος. Μετά το μοντέλο έρχεται από την cache του browser και η αναγνώριση πηγαίνει γρηγορότερα.
Διαλέξτε τη γλώσσα χειροκίνητα στη λίστα και τρέξτε την αναγνώριση ξανά — σε σύντομες ηχογραφήσεις η χειροκίνητη επιλογή είναι ακριβέστερη από την αυτόματη.
Ναι. Κατεβάστε SRT ή VTT και συνδέστε τους με το βίντεο, ή χτίστε απευθείας στο εργαλείο κλίπ με καμένους υπότιτλους.