Ki mikor beszélt ingyen: hangszétválasztás és élő feliratozás

Találkozó, interjú vagy előadás után marad egy felvétel, ahol többen beszélgetnek, és egy közönséges átiratból nem lehet tudni, ki mit mondott. Ki mikor beszélt egy ingyenes böngészőeszköz: felosztja a felvételt hangszórókra (legfeljebb négyre), opcionálisan időbélyegzett párbeszéddé alakítja a beszédet, a második lapon pedig élő feliratok futnak közvetlenül a mikrofonból. A fájl soha nem kerül feltöltésre, nem költenek el tokeneket, és nincs szükség fiókra.

Hogyan működik

A hangszórók szétválasztását a NVIDIA Sortformer modell hajtja végre: legfeljebb négy hangszórót talál, és meghatározza azt az időtartamot, amely alatt mindegyik hallható volt. Ha bejelölve hagyja a „Beszéd átírása is” jelölőnégyzetet, a szavak a beszélőkhöz kapcsolódnak – „1. hangszóró”, „2. hangszóró” és tovább címkézett párbeszéd-átiratot kap, amelyet TXT, SRT, VTT vagy JSON néven másolhat vagy tölthet le. Az idővonal melletti jelvény mutatja, hány hangszórót talált a modell.

Az első futtatás letölti a modell súlyait az eszközre – összesen körülbelül 380 MB-ot. Ezt követően gyorsítótárban maradnak a böngészőjében, és a későbbi futtatásokhoz nincs szükség hálózatra. Grafikus kártyával (WebGPU) az elemzés gyors; enélkül a motor visszaesik a processzorhoz (WASM) – észrevehetően lassabban, de az eredmény ugyanaz, és az eszköz jelzi, ha ez megtörténik. A hang 16 kHz-es monóra van hajtva a böngészőben; sehol nem kell rögzíteni semmit.

Saját felvétel megjelölése

1. Nyissa meg a eszköz és válasszon egy hang- vagy videofájlt: MP3, WAV, M4A, MP4 és WebM elfogadásra kerül, és a fájlt a keretbe helyezheti.
2. Döntse el a „Beszéd átírása is” jelölőnégyzetet: be van jelölve, időbélyegzett párbeszédet ad; nincs bejelölve, csak a „ki és mikor beszélt” idővonal.
3. Nyomja meg a start gombot. Az első futtatáskor várja meg, amíg a modellek letöltődnek – a folyamatjelző sáv folyamatosan tájékoztatja Önt.
4. Az eredmény az idővonal és a párbeszéd. Másolja ki a szöveget egy gombbal, vagy töltse le a kívánt formátumban.

Élő feliratok a mikrofonból

A második fül közvetlenül a mikrofonból veszi a hangot, és beszéd közben mondatonként feliratozza azt: az aktuális kifejezés nagyban jelenik meg, a befejezett kifejezések az alábbi listában maradnak. Megbeszélésekhez, előadásokhoz vagy videohívásokhoz illik, amikor a feliratokra most van szükség, nem pedig egy fájl feldolgozása után. A mikrofon hozzáférést a gomb megnyomásával kéri; semmi nem íródik egy fájlba, és semmi sem hagyja el a böngészőt.

Mit kell tudni előre

Az eszköz fiatal és kísérletező: az elválasztás minősége a felvételtől függ. A tiszta mikrofonos beszélgetések magabiztosan osztódnak, míg a zajos, visszhangos felvételek állandó megszakításokkal megzavarhatják. A beszédmunkához memóriára is szükség van – tervezzen körülbelül 1 GB szabad kapacitást. A processzor útján (WASM) a hosszú rögzítés észrevehetően tovább tart, mint a grafikus kártyán. A modell nem tanul neveket: a „Hangszóró 1” és a „Hangszóró 2” címkéket az exportálás után át kell nevezni, hogy megfeleljen a perceknek.

Kinek kell

Az újságíró gyorsan megtalálja, hol lép be egy új hang az interjúba. A hallgató soronként lefektetheti az előadásfelvételt: hol beszélt a professzor, hol kérdezett a hallgatóság. A podcast-szerkesztő képes megkeresni egy hosszú munkamenet azon szakaszait, ahol mindenki elbeszélgetett egymással, és kivághatja azokat. Az értekezlet titkára elkészítheti a jegyzőkönyv vázlatát időkódokkal anélkül, hogy a felvételt bárhova elküldené.

Amikor valami másra van szüksége

Ha egyszerű szöveget szeretne, nem pedig hangalapú bontást, nyissa meg hang és videó → szöveg. A rovat többi eszköze a Hang oldalon, és további ingyenes helyi eszközök találhatók Egyéb eszközök. Az elemzést a nyílt FluidAudio könyvtár (MIT licenc) végzi: a kód és a modellek az Ön böngészőjében élnek, és nincs kitérő más szerverekhez.