Ytimekkäästi (BLUF): Työkalu muuttaa äänen tai videon tekstiksi ja tekstitykseksi: se tunnistaa puheen Whisper-mallilla suoraan selaimessasi, selvittää itse tallenteen kielen tai hyväksyy valitsemasi, asettaa aikaleimat ja antaa tuloksen TXT-, SRT-, VTT- ja JSON-muodoissa. Videolle se kokoaa lisäksi videon poltetuilla tekstityksillä. Tiedostoa ei ladata mihinkään, tokeneita ei veloiteta, eikä täällä ole maksullista rajapintaa.
Työkalu ottaa äänen tai videon ja muuttaa puheen tekstiksi. Lataat tiedoston ja saat aikaleimoilla varustetun litteroinnin, valmiit tekstitykset ja videolta saman videon, johon tekstitykset on poltettu suoraan kuviin.
Tunnistus toimii Whisper-mallilla (avoin monikielinen malli Xenova/whisper-tiny) Transformers.js:n kautta: näytönohjaimella WebGPU:n kautta, kun selain tarjoaa sen, muuten suorittimella WASM:in kautta. Ääniraita irrotetaan tiedostosta paikallisesti, selaimesi muistissa.
Ääni: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Videosta työkalu irrottaa ääniraidan itse: sitä ei tarvitse leikata erikseen.
Ääni muunnetaan mono-16 kHz:ksi — täsmälleen siihen muotoon, jonka Whisper odottaa. Pitkä tallenne tunnistetaan 30 sekunnin lohkoina, 5 sekunnin peittolla, jotta liitoksissa ei katoa sanaakaan.
Tiedostoa ei lähetetä palvelimelle: sekä ääni, että tunnistus ja tekstitysten kokoaminen tapahtuvat selaimesi sisällä. Maksullista rajapintaa ei täällä ole, eikä tokeneita veloiteta.
Mallin painot ladataan kertaalleen avoimesta Hugging Face -luettelosta ja jäävät selaimesi välimuistiin — seuraavalla käynnillä malli nousee jo ilman uutta latausta. Palvelinpohjaista inferenssiä, CUDA:a tai "varmistettua GPU:a meidän puolellamme" ei täällä ole lainkaan.
Whisper tunnistaa 99 kieltä. Oletuksena kieli tunnistetaan automaattisesti, ja työkalu näyttää, minkä kielen se kuuli. Onko tallenne lyhyt tai sekainen, kieli voi valita itse listasta — tunnistus on silloin tarkempi.
Tekstin voi kopioida yhdellä painikkeella tai ladata neljässä muodossa. TXT on pelkkä litterointi, aikaleimoilla tai ilman. SRT ja VTT ovat valmiit tekstitykset soittimille, editointiohjelmille ja YouTube:lle. JSON on litterointi kielellä, kestolla ja kaikilla repliikoilla aikaleimoineen — kätevä jatkokäsittelyyn.
Videotiedostosta työkalu kokoaa uuden videon, jossa tekstitykset on poltettu suoraan kuviin. Tällainen video näkyy missä vain, myös siellä missä ulkoisia tekstityksiä ei tueta: pikaviestimissä, sosiaalisessa mediassa ja millä tahansa soittimella. Alkuperäinen ääni säilyy.
Samat tekstitykset voi ladata myös SRT- ja VTT-tiedostoina — ne voi liittää alkuperäiseen videoon ilman sen kokoamista uudelleen.
Se ei käännä puhetta toiselle kielelle: tunnistus menee tallenteen kielellä, kääntäminen on erillinen tehtävä. Se ei erittele puhujia äänen perusteella eikä merkitse, kuka sanoi mitäkin.
Se ei käsittele musiikkia ja kohinaa puheena: jos tallenteessa ei ole selkeää puhetta, litterointi jää tyhjäksi tai epätarkaksi. Laatu riippuu tallenteesta — puhtaalla äänellä ilman kohinaa ja kaikua tulos on selvästi parempi.
Valitse ääni tai video, tarvittaessa aseta kieli (tai jätä automaattinen tunnistus) ja paina "Tunnista puhe". Odota litterointia — edistyminen näkyy ruudulla, tunnistuksen voi keskeyttää.
Kopioi sen jälkeen teksti tai lataa TXT, SRT, VTT, JSON. Jos latasit videon, paina "Tee video tekstityksellä" ja lataa valmis video.
Video- ja podcast-tekijöille — tekstitykset julkaistavaksi ja litterointi kuvauksiin. Opiskelijoille ja toimittajille — luentojen, haastattelujen ja nauhoitteiden teksti. Kaikille, jotka haluavat nopeasti tekstiä tallenteesta lähettämättä sitä jonkun muun palvelimelle.
Ei mihinkään. Ääni irrotetaan ja tunnistetaan kokonaan selaimeesi, laitteellasi. Palvelimemme ei koskaan saa tiedostoa.
Ei. Tämä on ilmainen työkalu, joka toimii laitteellasi: maksullista rajapintaa ei täällä ole, joten ei ole mitään veloitettavaa.
Malli laskee laitteellasi. Ensimmäinen käynnistys vie enemmän aikaa: mallin painot ladataan ja grafiikka lämpenee. Sen jälkeen malli tulee selaimesi välimuistista ja tunnistus on nopeampi.
Valitse kieli itse listasta ja käynnistä tunnistus uudelleen — lyhyissä tallenteissa itse valinta on tarkempi kuin automaattinen.
Kyllä. Lataa SRT tai VTT ja liitä ne videoon, tai kokoa suoraan työkalussa video poltetuilla tekstityksillä.