העיקר בקצרה (BLUF): הכלי הופך אודיו או וידאו לטקסט וכתוביות: הוא מזהה דיבור במודל Whisper ישירות בדפדפן שלך, מזהה בעצמו את שפת ההקלטה או מקבל את השפה שבחרת, מציב חותמות זמן ונותן את התוצאה ב־TXT, SRT, VTT ו־JSON. לווידאו הוא בונה בנוסף קליפ עם כתוביות שנשרפו לתוך התמונות. הקובץ לא נשלח לשום מקום, לא מנוכים אסימונים ואין כאן API בתשלום.
הכלי לוקח אודיו או וידאו והופך דיבור לטקסט. מעלים קובץ ומקבלים תמליל עם חותמות זמן, כתוביות מוכנות ו, בווידאו, את אותו קליפ עם כתוביות שנשרפות ישירות לתוך הפריימים.
הזיהוי רץ על מודל Whisper (המודל הרב־לשוני הפתוח Xenova/whisper-tiny) דרך Transformers.js: על כרטיס המסך ב־WebGPU כשהדפדפן מציע אותו, אחרת על המעבד ב־WASM. רצועת הקול מחולצת מהקובץ מקומית, בזיכרון הדפדפן שלך.
קול: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. וידאו: MP4, WebM, MOV, M4V, MKV, AVI, OGV. מווידאו הכלי מחלץ בעצמו את רצועת הקול: אין צורך לחתוך אותה בנפרד.
הצליל מומר למונו 16 קילו־הרץ — בדיוק לצורה ש־Whisper מצפה לה. הקלטה ארוכה מזוהה בחתיכות של 30 שניות עם חפיפה של 5 שניות, כך שבחיבורים לא אובדת שום מילה.
הקובץ אינו נשלח לשרת: הצליל, הזיהוי והרכבת הכתוביות מתרחשים כולם בתוך הדפדפן שלך. אין כאן API בתשלום ולא מנוכים אסימונים.
משקלי המודל מורדים פעם אחת מקטלוג הפתוח Hugging Face ולאחר מכן יושבים במטמון הדפדפן — בביקור הבא המודל קם כבר בלי הורדה מחדש. אין כאן בכלל הסקה בצד השרת, CUDA ולא «GPU רזרבי מצדנו».
Whisper מזהה 99 שפות. כברירת מחדל השפה מזוהה אוטומטית והכלי מציג איזו שפה שמע. אם ההקלטה קצרה או מעורבת, אפשר לבחור את השפה ידנית מהרשימה — הזיהוי אז מדויק יותר.
את הטקסט אפשר להעתיק בלחצן אחד או להוריד בארבעה פורמטים. TXT הוא התמליל בלבד, עם חותמות זמן או בלעדיהן. SRT ו־VTT הן כתוביות מוכנות לנגנים, לתוכנות עריכה ול־YouTube. JSON הוא התמליל עם השפה, המשך הזמן וכל אמירה עם חותמת הזמן שלה — נוח לעיבוד נוסף.
מקובץ וידאו הכלי בונה קליפ חדש שבו הכתוביות נשרפות ישירות לתוך הפריימים. וידאו כזה מתנגן בכל מקום, גם שם כתוביות חיצוניות אינן נתמכות: באפליקציות שליחות, ברשתות החברתיות ובכל נגן. הקול המקורי נשמר.
את אותן כתוביות אפשר להוריד גם כקבצי SRT ו־VTT — אפשר לחבר אותן לווידאו המקורי בלי לבנות אותו מחדש.
הוא אינו מתרגם דיבור לשפה אחרת: הזיהוי מתנהל בשפת ההקלטה, תרגום הוא משימה נפרדת. הוא אינו מפריד דוברים לפי הקול ואינו מסמן מי אמר מה.
הוא אינו מתייחס למוזיקה ולרעש כאל דיבור: אם אין בהקלטה דיבור מובן, התמליל יהיה ריק או לא מדויק. האיכות תלויה בהקלטה: על קול נקי בלי רעש והד התוצאה בולט יותר טובה.
בחר אודיו או וידאו, הגדר לפי הצורך את השפה (או השאר את הזיהוי האוטומטי) ולחץ «זהה דיבור». חכה לתמליל — ההתקדמות נראית על המסך, ואפשר להפסיק את הזיהוי.
אחר כך העתק את הטקסט או הורד TXT, SRT, VTT, JSON. אם העלית וידאו, לחץ «עשה וידאו עם כתוביות» והורד את הקליפ המוכן.
יוצרי וידאו ופודקאסטים — כתוביות לפרסום ותמליל לתיאורים. סטודנטים ועיתונאים — טקסט של הרצאות, ראיונות והקלטות רוחורד. לכל מי שרוצה במהירות טקסט מהקלטה בלי לשלוח אותה לשרת של אחרים.
לשום מקום. הקול מחולץ ומזוהה כולו בדפדפן שלך, במכשיר שלך. השרת שלנו אף פעם לא מקבל את הקובץ.
לא. זהו כלי חינמי שרץ במכשיר שלך: אין כאן API בתשלום, ולכן אין מה לנכות.
המודל מחשב במכשיר שלך. ההפעלה הראשונה ארוכה יותר: מורידים את משקלי המודל והגרף מתחמם. לאחר מכן המודל מגיע מהמטמון של הדפדפן והזיהוי מהיר יותר.
בחר את השפה ידנית ברשימה והפעל את הזיהוי שוב — בהקלטות קצרות בחירה ידנית מדויקת יותר מהאוטומטית.
כן. הורד SRT או VTT וחבר אותן לווידאו, או בנה ישירות בכלי קליפ עם כתוביות שרופות.