Krótko o najważniejszym (BLUF): Narzędzie zamienia audio lub wideo na tekst i napisy: rozpoznaje mowę modelem Whisper bezpośrednio w Twojej przeglądarce, wykrywa język nagrania albo przyjmuje wybrany ręcznie, stawia znaczniki czasu i oddaje wynik w TXT, SRT, VTT i JSON. Dla wideo dodatkowo składa rolkę z wypalonymi napisami. Plik nigdzie nie jest przesyłany, tokeny nie są pobierane, a płatnego API tu nie ma.
Narzędzie bierze audio lub wideo i zamienia mowę na tekst. Wgrywasz plik i dostajesz transkrypcję ze znacznikami czasu, gotowe napisy, a w przypadku wideo tę samą rolkę z napisami wypalanymi wprost w klatkach.
Rozpoznawanie działa modelem Whisper (otwarty wielojęzyczny model Xenova/whisper-tiny) przez Transformers.js: na karcie graficznej przez WebGPU, gdy przeglądarka ją oferuje, w przeciwnym razie na procesorze przez WASM. Ścieżka dźwiękowa jest wyciągana z pliku lokalnie, w pamięci Twojej przeglądarki.
Audio: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Wideo: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Z wideo narzędzie samo wyciąga ścieżkę dźwiękową: nie trzeba jej wycinać osobno.
Dźwięk jest przeliczany na mono 16 kHz — dokładnie tę postać, której oczekuje Whisper. Długie nagranie jest rozpoznawane w blokach po 30 sekund z zakładką 5 sekund, więc na łączeniach nie ginie żadne słowo.
Plik nie jest wysyłany na serwer: i dźwięk, i rozpoznawanie, i składanie napisów odbywa się wewnątrz Twojej przeglądarki. Płatnego API tu nie ma, tokeny nie są pobierane.
Wagi modelu są pobierane raz z otwartego katalogu Hugging Face i potem leżą w cache przeglądarki — przy następnym wejściu model wstaje już bez pobierania. Nie ma tu serwerowej inferencji, CUDA ani „rezerwowego GPU po naszej stronie".
Whisper rozpoznaje 99 języków. Domyślnie język jest wykrywany automatycznie, a narzędzie pokazuje, jaki język usłyszało. Jeśli nagranie jest krótkie albo mieszane, język można wybrać ręcznie z listy — wtedy rozpoznawanie jest dokładniejsze.
Tekst można skopiować jednym przyciskiem albo pobrać w czterech formatach. TXT to sama transkrypcja, ze znacznikami czasu lub bez. SRT i VTT to gotowe napisy dla odtwarzaczy, programów do montażu i YouTube. JSON to transkrypcja z językiem, długością i wszystkimi wypowiedziami ze znacznikami czasu — wygodna do dalszej obróbki.
Dla pliku wideo narzędzie składa nową rolkę, w której napisy są wypalane wprost w klatkach. Takie wideo gra wszędzie, także tam, gdzie zewnętrzne napisy nie są wspierane: w komunikatorach, w mediach społecznościowych i na dowolnym odtwarzaczu. Dźwięk źródła zostaje zachowany.
Te same napisy są też do pobrania osobno jako pliki SRT i VTT — można je podpiąć pod oryginalne wideo, bez jego przebudowy.
Nie tłumaczy mowy na inny język: rozpoznawanie idzie w języku nagrania, tłumaczenie to osobne zadanie. Nie rozdziela mówców po głosach i nie stawia nazwisk mówców.
Nie traktuje muzyki i szumu jak mowy: jeśli w nagraniu nie ma zrozumiałej mowy, transkrypcja będzie pusta albo niedokładna. Jakość zależy od nagrania — na czystym głosie bez szumu i echa wynik jest wyraźnie lepszy.
Wybierz audio albo wideo, w razie potrzeby wskaż język (albo zostaw automat) i naciśnij „Rozpoznaj mowę". Poczekaj na transkrypcję — postęp widać na ekranie, rozpoznawanie można przerwać.
Potem skopiuj tekst albo pobierz TXT, SRT, VTT, JSON. Jeśli wgrywałeś wideo, naciśnij „Zrób wideo z napisami" i pobierz gotową rolkę.
Twórcom wideo i podcastów — napisy do publikacji i transkrypcja do opisów. Studentom i dziennikarzom — tekst wykładów, wywiadów i nagrań z dyktafonu. Wszystkim, którzy chcą szybko dostać tekst z nagrania, nie wysyłając go na cudzy serwer.
Nikąd. Dźwięk jest wyciągany i rozpoznawany w całości w Twojej przeglądarce, na Twoim urządzeniu. Na nasz serwer plik nie trafia.
Nie. To darmowe narzędzie, które działa na Twoim urządzeniu: płatnego API tu nie ma, więc nie ma czego pobierać.
Model liczy na Twoim urządzeniu. Pierwsze uruchomienie trwa dłużej: pobierają się wagi modelu i nagrzewa graf. Potem model jest brany z cache przeglądarki i rozpoznawanie idzie szybciej.
Wybierz język ręcznie z listy i uruchom rozpoznawanie ponownie — na krótkich nagraniach wybór ręczny jest dokładniejszy od automatycznego.
Tak. Pobierz SRT albo VTT i podepnij je pod wideo, albo złóż wprost w narzędziu rolkę z wypalonymi napisami.