Pe scurt (BLUF): Instrumentul transformă audio sau video în text și subtitrări: recunoaște vorbirea cu modelul Whisper direct în browserul tău, detectează limba înregistrării sau acceptă cea aleasă de tine, adaugă marcaje de timp și livrează rezultatul în TXT, SRT, VTT și JSON. Pentru video construiește în plus un clip cu subtitrări încorporate în imagini. Fișierul nu este încărcat nicăieri, nu se consumă tokeni și aici nu există API cu plată.
Instrumentul primește un fișier audio sau video și transformă vorbirea în text. Încarci fișierul și primești o transcriere cu marcaje de timp, subtitrări gata făcute și, în cazul video, același clip cu subtitrări înscrise direct în cadre.
Recunoașterea rulează pe modelul Whisper (modelul multilingv deschis Xenova/whisper-tiny) prin Transformers.js: pe placa video prin WebGPU când browserul o oferă, în rest pe procesor prin WASM. Pista audio e extrasă din fișier local, în memoria browserului tău.
Audio: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. La video instrumentul scoate singur pista audio: nu trebuie să o separi aparte.
Sunetul e convertit la mono 16 kHz, exact forma pe care o așteaptă Whisper. O înregistrare lungă e recunoscută în blocuri de 30 de secunde cu suprapunere de 5 secunde, ca să nu se piardă cuvinte la îmbinări.
Fișierul nu se trimite nicaieri: sunetul, recunoașterea și asamblarea subtitrărilor se petrec în interiorul browserului tău. Aici nu există API cu plată și nu se consumă tokeni.
Ponderile modelului se descarcă o singură dată din catalogul deschis Hugging Face și rămân în cache-ul browserului: la vizita următoare modelul pornește fără a descărca din nou. Fără inferență pe server, fără CUDA și fără GPU de rezervă din partea noastră.
Whisper recunoaște 99 de limbi. În mod implicit limba e detectată automat, iar instrumentul arată ce limbă a auzit. Dacă înregistrarea e scurtă sau mixtă, poți alege limba manual din listă: recunoașterea devine mai precisă.
Poți copia textul cu un singur buton sau îl poți descărca în patru formate. TXT e o transcriere simplă, cu sau fără marcaje de timp. SRT și VTT sunt subtitrări gata pentru playere, editoare video și YouTube. JSON e transcrierea cu limba, durata și fiecare replică cu marcajul ei de timp, comod pentru prelucrări ulterioare.
Pentru un fișier video instrumentul construiește un clip nou în care subtitrările sunt înscrise direct în imagini. Un asemenea video rulează oriunde, chiar și acolo unde subtitrările externe nu sunt acceptate: în mesageri, pe rețele sociale și în orice player. Sunetul original rămâne.
Aceleași subtitrări se descarcă și ca fișiere SRT și VTT, ca să le poți atașa la video-ul original fără să-l reconstruiești.
Nu traduce vorbirea în altă limbă: recunoașterea merge în limba înregistrării, traducerea e o sarcină separată. Nu separă vorbitorii după voce și nu notează cine a spus ce.
Nu tratează muzica și zgomotul ca vorbire: dacă în înregistrare nu e vorbire inteligibilă, transcrierea va fi goală sau imprecisă. Calitatea depinde de înregistrare: pe o voce curată, fără zgomit și ecou, rezultatul e vizibil mai bun.
Alege un fișier audio sau video, stabilește limba dacă vrei (sau lasă detecția automată) și apasă „Recunoaște vorbirea“. Așteaptă transcrierea: progresul apare pe ecran, iar recunoașterea poate fi oprită.
Apoi copiază textul sau descarcă TXT, SRT, VTT ori JSON. Dacă ai încărcat un video, apasă „Fă video cu subtitrări“ și descarcă clipul gata.
Creatorilor de video și de podcast: subtitrări de publicat și transcriere pentru descrieri. Studenților și jurnaliștilor: textul prelegerilor, interviurilor și înregistrărilor de dictofon. Tuturor celor care vor repede textul unei înregistrări fără să o trimită serverului altcuiva.
Nicăieri. Sunetul e extras și recunoscut în întregime în browserul tău, pe dispozitivul tău. Serverul nostru nu primește niciodată fișierul.
Nu. E un instrument gratuit care rulează pe dispozitivul tău: aici nu există API cu plată, deci nu există nimic de consumat.
Modelul calculează pe dispozitivul tău. Prima pornire durează mai mult: se descarcă ponderile modelului și se încălzește graful. După aceea modelul vine din cache-ul browserului și recunoașterea merge mai repede.
Alege limba manual din listă și rulează din nou recunoașterea: la înregistrările scurte alegerea manuală e mai precisă decât cea automată.
Da. Descarcă SRT sau VTT și atașează-le la video, ori construiește direct în instrument un clip cu subtitrări încorporate.