Ukratko (BLUF): Alat pretvara zvuk ili video u tekst i titlove: prepoznaje govor modelom Whisper izravno u vašem pregledniku, sam pronalazi jezik snimke ili prihvaća odabrani, postavlja vremenske oznake i daje rezultat u TXT, SRT, VTT i JSON. Za video dodatno složi snimku s ugrađenim titlovima. Datoteka se nikamo ne učitava, tokeni se ne naplaćuju, a ovdje nema plaćenog API-ja.
Alat uzme zvuk ili video i pretvori govor u tekst. Učitate datoteku i dobijete prijepis s vremenskim oznakama, gotove titlove i, kod videoa, istu snimku s titlovima žigosanima izravno u kadrove.
Prepoznavanje radi modelom Whisper (otvoreni višejezični model Xenova/whisper-tiny) putem Transformers.js: na grafičkoj karti putem WebGPU kad ga preglednik nudi, inače na procesoru putem WASM-a. Zvučna se traka iz datoteke izvlači lokalno, u memoriji vašeg preglednika.
Zvuk: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Iz videoa alat sam izvlači zvučnu traku: ne treba je izrezati odvojeno.
Zvuk se prebacuje na mono 16 kHz — točno u oblik koji Whisper očekuje. Duga se snimka prepoznaje u blokovima od 30 sekundi s preklapanjem 5 sekundi, pa na spojevima ne propada nijedna riječ.
Datoteka se ne šalje na poslužitelj: i zvuk, i prepoznavanje, i skladanje titlova zbivaju se u vašem pregledniku. Plaćeni API ovdje ne postoji i tokeni se ne naplaćuju.
Modelove težine jednom se preuzimaju iz otvorenog kataloga Hugging Face i potom leže u predmemoriju preglednika — idući put model se diže već bez preuzimanja. Poslužiteljske inferencije, CUDA i „pričuvnog GPU-a na našoj strani" ovdje nema uopće.
Whisper prepoznaje 99 jezika. Uobičajeno se jezik prepoznaje sam, a alat pokazuje koji je jezik čuo. Ako je snimka kratka ili mješovita, jezik može odabrati ručno iz popisa — prepoznavanje je onda točnije.
Tekst možete kopirati jednim gumbom ili ga preuzeti u četiri formata. TXT je samo prijepis, s vremenskim oznakama ili bez. SRT i VTT su gotovi titlovi za repera, uređivače videa i YouTube. JSON je prijepis s jezikom, trajanjem i svim iskazima s vremenskim oznakama — zgodno za daljnju obradu.
Za videodatoteku alat složi novu snimku u kojoj su titlovi žigosani izravno u kadrove. Takav video igra svugdje, i tamo gdje vanjski titlovi nisu podržani: u razgovornim aplikacijama, na društvenim mrežama i na svakom repera. Zvuk izvora ostaje sačuvan.
Isti titlovi mogu se preuzeti i samostalno kao datoteke SRT i VTT — mogu se vezati na izvorni video bez njegova ponovna sklada.
Ne prevodi govor na drugi jezik: prepoznavanje ide u jeziku snimke, prijevod je zaseban zadatak. Ne razdvaja govornike po glasu i ne zapisuje tko je što rekao.
Ne radi s glazbom i šumom kao s govorom: ako u snimci nema razumljivog govora, prijepis će biti prazan ili netočan. Kvaliteta ovisi o snimci — na čistom glasu bez šuma i jeke rezultat je znatno bolji.
Odaberite zvuk ili video, po potrebi navedite jezik (ili ostavite samostalno prepoznavanje) i pritisnite „Prepoznaj govor". Sačekajte prijepis — napredak je vidljiv na ekranu, prepoznavanje se može prekinuti.
Zatim kopirajte tekst ili preuzmite TXT, SRT, VTT, JSON. Učitali ste video, pritisnite „Napravi video s titlovima" i preuzmite gotovu snimku.
Stvarateljima videa i podkasta — titlovi za objavu i prijepis u opise. Studentima i novinarima — tekst predavanja, razgovora i snimaka s diktafona. Svima koji brzo žele tekst iz snimke, bez slanja na tuđi poslužitelj.
Nigamo. Zvuk se izvlači i prepoznaje u cjelini u vašem pregledniku, na vašem uređaju. Na naš poslužitelj datoteka nikada ne stiže.
Ne. Ovo je besplatan alat koji radi na vašem uređaju: plaćeni API ovdje ne postoji, pa nema što naplaćivati.
Model računa na vašem uređaju. Prvo pokretanje traje duže: preuzimaju se modelove težine i graf se zagrijava. Potom model dolazi iz predmemorije preglednika i prepoznavanje je brže.
Odaberite jezik ručno u popisu i pokrenite prepoznavanje ponovno — kod kratkih snimaka ručni je odabir točniji od samostalnog.
Da. Preuzmite SRT ili VTT i priključite ih na video, ili složite izravno u alatu snimku s ugrađenim titlovima.