← Svi članci

Tko je kada govorio besplatno: odvajanje glasa i titlovi uživo

Dva različita zvučna vala pokazuju se kada je svaki od dva govornika govorio

Nakon sastanka, intervjua ili predavanja ostaje vam snimka na kojoj razgovara nekoliko ljudi, a iz običnog transkripta ne možete saznati tko je što rekao. Tko je kada govorio je besplatni alat za preglednik: dijeli snimku na govornike (do četiri), opcionalno pretvara govor u dijalog s vremenskom oznakom, a njegova druga kartica pokreće titlove uživo izravno s vašeg mikrofona. Datoteka se nikada ne učitava, ne troše se tokeni i nije potreban račun.

Englesko sučelje besplatnog alata tko je kada govorio s alatom za odabir datoteka i karticom s titlovima uživo

Kako radi

Razdvajanje zvučnika pokreće model NVIDIA Sortformer: on pronalazi do četiri zvučnika i prikazuje odsječke vremena u kojima je svaki slušan. Ako ostavite označen okvir "Također transkribiraj govor", riječi se pridružuju govornicima — dobit ćete transkript dijaloga s oznakom "Govornik 1", "Govornik 2" i dalje, koji možete kopirati ili preuzeti kao TXT, SRT, VTT ili JSON. Značka pored vremenske trake pokazuje koliko je zvučnika model pronašao.

Prvo pokretanje preuzima težine modela na vaš uređaj — ukupno oko 380 MB. Nakon toga ostaju spremljeni u predmemoriju u vašem pregledniku i za kasnija pokretanja nije potrebna mreža. S grafičkom karticom (WebGPU) analiza je brza; bez njega motor se vraća na procesor (WASM) — osjetno sporije, ali rezultat je isti, a alat će vam reći kada se to dogodi. Zvuk je smanjen na 16 kHz mono unutar preglednika; nigdje ništa ne treba snimati.

Označavanje vlastite snimke

  1. Otvorite alat i odaberite audio ili video datoteku: MP3, WAV, M4A, MP4 i WebM su prihvaćene, a možete ispustiti datoteku na okvir.
  2. Odlučite se za okvir "Također transkribiraj govor": označen, daje vam dijalog s vremenskom oznakom; neprovjereno, samo vremenska linija "tko je i kada govorio".
  3. Pritisnite gumb za pokretanje. Prilikom prvog pokretanja pričekajte da se modeli preuzmu — traka napretka vas obavještava.
  4. Rezultat je vremenska crta plus dijalog. Kopirajte tekst pomoću gumba ili ga preuzmite u formatu koji vam je potreban.

Titlovi uživo iz mikrofona

Druga kartica preuzima zvuk izravno iz mikrofona i dodaje mu frazu po frazu dok govorite: trenutna fraza prikazuje se velika, završene ostaju na popisu ispod. Odgovara sastanku, predavanju ili video pozivu, kada su titlovi potrebni sada, a ne nakon obrade datoteke. Pristup mikrofonu se traži pritiskom na tipku; ništa se ne upisuje u datoteku i ništa ne napušta preglednik.

Što treba znati unaprijed

Alat je mlad i eksperimentalan: kvaliteta razdvajanja ovisi o snimci. Razgovori s čistim mikrofonom pouzdano se dijele, dok ga bučne snimke s odjekom i stalnim prekidima mogu zbuniti. Govorni rad također zahtijeva memoriju — planirajte oko 1 GB slobodnog prostora. Na putu procesora (WASM) dugo snimanje traje osjetno dulje nego na grafičkoj kartici. Model ne uči imena: oznake "Speaker 1" i "Speaker 2" treba preimenovati nakon izvoza, kako bi odgovarale vašim minutama.

Kome treba

Novinar može brzo pronaći gdje novi glas ulazi u intervju. Student može postaviti snimku predavanja red po red: gdje je profesor govorio i gdje je publika pitala. Urednik podcasta može locirati dijelove duge sesije u kojoj su svi razgovarali jedni preko drugih i izrezati ih. Tajnik sastanka može napraviti nacrt zapisnika s vremenskim kodovima bez slanja snimke bilo gdje.

Kad trebaš nešto drugo

Ako želite običan tekst, a ne glasovnu analizu, otvorite audio i video → tekst. Ostali alati odjeljka žive na Audio stranici, a ispod je više besplatnih lokalnih alata Ostali alati. Analizu provodi otvorena biblioteka FluidAudio (licenca MIT): kôd i modeli žive u vašem pregledniku, bez zaobilaženja na druge poslužitelje.