In sintesi (BLUF): Lo strumento trasforma audio o video in testo e sottotitoli: riconosce la voce con il modello Whisper direttamente nel tuo browser, rileva la lingua della registrazione o usa quella che scegli, aggiunge i marcatori temporali e consegna il risultato in TXT, SRT, VTT e JSON. Per i video monta anche una clip con sottotitoli impressi nelle immagini. Il file non viene mai caricato, non vengono scalati token e qui non esiste un'API a pagamento.
Lo strumento prende un audio o un video e trasforma la voce in testo. Carichi un file e ottieni una trascrizione con marcatori temporali, sottotitoli pronti e, per i video, la stessa clip con sottotitoli impressi direttamente nei fotogrammi.
Il riconoscimento gira sul modello Whisper (il modello multilingue aperto Xenova/whisper-tiny) tramite Transformers.js: sulla scheda video con WebGPU quando il browser la offre, altrimenti sul processore via WASM. La traccia audio viene estratta dal file in locale, nella memoria del tuo browser.
Audio: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Con un video lo strumento ricava da solo la traccia audio: non serve separarla a parte.
Il suono viene convertito in mono 16 kHz, esattamente il formato che Whisper si aspetta. Una registrazione lunga viene riconosciuta a blocchi di 30 secondi con sovrapposizione di 5 secondi, così alle giunture non si perde nessuna parola.
Il file non viene inviato: il suono, il riconoscimento e l'assemblaggio dei sottotitoli avvengono tutti nel tuo browser. Qui non c'è un'API a pagamento e non vengono scalati token.
I pesi del modello si scaricano una volta dal catalogo aperto di Hugging Face e poi restano nella cache del tuo browser: alla visita successiva il modello parte senza ricaricare nulla. Nessuna inferenza sul server, niente CUDA e nessuna GPU di riserva da parte nostra.
Whisper riconosce 99 lingue. Per impostazione predefinita la lingua viene rilevata automaticamente e lo strumento indica quale ha sentito. Se la registrazione è corta o mista puoi scegliere la lingua manualmente dall'elenco: il riconoscimento diventa più preciso.
Puoi copiare il testo con un pulsante o scaricarlo in quattro formati. TXT è una trascrizione semplice, con o senza marcatori temporali. SRT e VTT sono sottotitoli pronti per lettori, editor video e YouTube. JSON è la trascrizione con la lingua, la durata e tutte le battute con i loro marcatori temporali, comodo per lavorarci dopo.
Per un file video lo strumento costruisce una nuova clip in cui i sottotitoli sono impressi direttamente nei fotogrammi. Un video così si riproduce ovunque, anche dove i sottotitoli esterni non sono supportati: nelle app di messaggistica, sui social e in qualsiasi player. L'audio originale resta.
Gli stessi sottotitoli si scaricano anche come file SRT e VTT, per attaccarli al video originale senza ricostruirlo.
Non traduce la voce in un'altra lingua: il riconoscimento va nella lingua della registrazione, la traduzione è un compito a parte. Non separa i parlanti per voce e non indica chi ha detto cosa.
Non tratta la musica e il rumore come voce: se nella registrazione non c'è voce intelligibile, la trascrizione sarà vuota o imprecisa. La qualità dipende dalla registrazione: con una voce pulita, senza rumore ed eco, il risultato è nettamente migliore.
Scegli un audio o un video, imposta la lingua se vuoi (oppure lascia il rilevamento automatico) e premi «Riconosci voce». Attendi la trascrizione: l'avanzamento si vede a schermo e il riconoscimento si può annullare.
Poi copia il testo o scarica TXT, SRT, VTT o JSON. Se hai caricato un video, premi «Crea video con sottotitoli» e scarica la clip pronta.
Creatori di video e podcast: sottotitoli da pubblicare e trascrizione per le descrizioni. Studenti e giornalisti: il testo di lezioni, interviste e registrazioni da dittafono. Tutti quelli che vogliono in fretta il testo di una registrazione senza inviarla al server di qualcun altro.
Da nessuna parte. L'audio viene estratto e riconosciuto interamente nel tuo browser, sul tuo dispositivo. Il nostro server non riceve mai il file.
No. È uno strumento gratuito che gira sul tuo dispositivo: qui non c'è un'API a pagamento, quindi non c'è nulla da scalare.
Il modello calcola sul tuo dispositivo. Il primo avvio è più lungo: si scaricano i pesi del modello e si riscalda il grafo. Poi il modello arriva dalla cache del browser e il riconoscimento va più veloce.
Scegli la lingua manualmente dall'elenco e rilancia il riconoscimento: sulle registrazioni brevi la scelta manuale è più precisa di quella automatica.
Sì. Scarica SRT o VTT e attaccali al video, oppure costruisci direttamente nello strumento una clip con sottotitoli impressi.