Kort fortalt (BLUF): Verktøyet gjør lyd eller video om til tekst og undertekster: det gjenkjenner talen med Whisper-modellen rett i nettleseren din, finner selv språket i opptaket eller godtar det valgte, setter tidsstempler og gir resultatet i TXT, SRT, VTT og JSON. For video samler det også et klipp med innbrente undertekster. Filen lastes aldri opp, ingen tokens trekkes, og her finnes ingen betalt API.
Verktøyet tar en lyd- eller videofil og gjør talen om til tekst. Du laster opp en fil og får en transkripsjon med tidsstempler, ferdige undertekster og, for video, samme klipp med undertekster brent direkte inn i bildene.
Gjenkjenningen kjører med Whisper-modellen (den åpne flerspråklige modellen Xenova/whisper-tiny) via Transformers.js: på grafikkortet via WebGPU når nettleseren tilbyr det, ellers på prosessoren via WASM. Lydsporet hentes ut av filen lokalt, i minnet til nettleseren din.
Lyd: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Fra video henter verktøyet selv lydsporet: det trenger ikke klippes ut separat.
Lyden konverteres til mono 16 kHz — nøyaktig den formen Whisper forventer. Et langt opptak gjenkjennes i blokker på 30 sekunder med 5 sekunder overlapp, slik at ingen ord går tapt ved skjøtene.
Filen sendes ikke til en server: både lyden, gjenkjenningen og sammensetningen av undertekstene skjer inne i nettleseren din. Betalt API finnes ikke her, og ingen tokens trekkes.
Modellvektene lastes én gang fra den åpne katalogen Hugging Face og ligger deretter i nettleserens hurtigbuffer — neste gang reiser modellen seg allerede uten ny nedlasting. Serverinferens, CUDA og «reserve-GPU på vår side» finnes ikke i det hele tatt.
Whisper gjenkjenner 99 språk. Som standard detekteres språket automatisk, og verktøyet viser hvilket språk det hørte. Er opptaket kort eller blandet, kan språket velges manuelt i listen — gjenkjenningen blir da mer nøyaktig.
Teksten kan kopieres med én knapp eller lastes ned i fire formater. TXT er bare transkripsjonen, med eller uten tidsstempler. SRT og VTT er ferdige undertekster for avspillere, redigeringsprogrammer og YouTube. JSON er transkripsjonen med språk, varighet og alle replikker med tidsstempler — praktisk for videre behandling.
For en videofil bygger verktøyet et nytt klipp der undertekstene er brent direkte inn i bildene. En slik video spiller overalt, også der eksterne undertekster ikke støttes: i meldingsapper, i sosiale medier og i enhver spiller. Lyden fra originalen bevares.
Samme undertekster kan også lastes ned som SRT- og VTT-filer — de kan kobles til originalvideoen uten å bygge den om.
Det oversetter ikke talen til et annet språk: gjenkjenningen går på opptakets språk, oversettelse er en egen oppgave. Det skiller ikke talere etter stemme og noterer ikke hvem som sa hva.
Det behandler ikke musikk og støy som tale: uten forståelig tale i opptaket blir transkripsjonen tom eller upresis. Kvaliteten avhenger av opptaket — på klar stemme uten støy og ekko er resultatet merkbart bedre.
Velg lyd eller video, sett språket om nødvendig (eller la automasjonen stå) og trykk «Gjenkjenn tale». Vent på transkripsjonen — fremdriften vises på skjermen, og gjenkjenningen kan avbrytes.
Kopier deretter teksten eller last ned TXT, SRT, VTT, JSON. Lastet du opp en video, trykk på «Lag video med undertekster» og last ned det ferdige klippet.
Video- og podcastskapere — undertekster å publisere og transkripsjon for beskrivelser. Studenter og journalister — teksten av forelesninger, intervjuer og diktafonopptak. Alle som raskt trenger teksten fra et opptak uten å sende den til andres server.
Ingen steder. Lyden hentes ut og gjenkjennes fullstendig i nettleseren din, på enheten din. Serveren vår ser aldri filen.
Nei. Dette er et gratis verktøy som kjører på enheten din: her finnes ingen betalt API, så det finnes ingenting å trekke.
Modellen beregner på enheten din. Første start tar lenger tid: modellvektene lastes ned og grafen varmes opp. Etterpå kommer modellen fra nettleserens hurtigbuffer, og gjenkjenningen går raskere.
Velg språket manuelt i listen og kjør gjenkjenningen igjen — ved korte opptak er det manuelle valget mer nøyaktig enn det automatiske.
Ja. Last ned SRT eller VTT og koble dem til videoen, eller bygg rett i verktøyet et klipp med innbrente undertekster.