Kto kedy hovoril zadarmo: oddelenie hlasu a živé titulky
Po stretnutí, rozhovore alebo prednáške vám zostane nahrávka, kde sa rozprávajú viacerí ľudia a obyčajný prepis vám nedokáže povedať, kto čo povedal. Kto kedy hovoril je bezplatný nástroj prehliadača: rozdelí nahrávku na reproduktory (až štyroch), voliteľne zmení reč na dialóg s časovou pečiatkou a na druhej karte spustíte živé titulky priamo z vášho mikrofónu. Súbor sa nikdy neodovzdá, neutrácajú sa žiadne tokeny a nie je potrebný žiadny účet.
Ako to funguje
Oddelenie reproduktorov je poháňané modelom NVIDIA Sortformer: nájde až štyri reproduktory a rozloží časové úseky, v ktorých bol každý z nich počuť. Ak necháte začiarknuté políčko „Prepísať aj reč“, slová sa pripoja k reproduktorom — získate prepis dialógu označený ako „Rečník 1“, „Rečník 2“ a ďalej, ktorý môžete skopírovať alebo stiahnuť ako TXT, SRT, VTT alebo JSON. Odznak vedľa časovej osi ukazuje, koľko reproduktorov model našiel.
Pri prvom spustení sa do vášho zariadenia stiahnu hmotnosti modelov – celkovo asi 380 MB. Potom zostanú vo vyrovnávacej pamäti vášho prehliadača a neskoršie spustenia nepotrebujú žiadnu sieť. S grafickou kartou (WebGPU) je analýza rýchla; bez neho motor spadne späť na procesor (WASM) — výrazne pomalší, ale výsledok je rovnaký a nástroj vám povie, kedy sa to stane. Zvuk je v prehliadači zložený na 16 kHz mono; nič netreba nikde nahrávať.
Označenie vlastnej nahrávky
- Otvorte nástroj a vyberte audio alebo video súbor: MP3, WAV, M4A, MP4 a WebM sú akceptované a súbor môžete vložiť do rámčeka.
- Rozhodnite sa pre políčko „Tiež prepísať reč“: začiarknuté, zobrazí sa vám dialóg s časovou pečiatkou; nezačiarknuté, iba časová os „kto a kedy hovoril“.
- Stlačte tlačidlo štart. Pri prvom spustení počkajte, kým sa modely stiahnu – indikátor priebehu vás informuje.
- Výsledkom je časová os plus dialóg. Skopírujte text pomocou tlačidla alebo si ho stiahnite vo formáte, ktorý potrebujete.
Živé titulky z mikrofónu
Druhá karta preberá zvuk priamo z mikrofónu a počas rozprávania ho opisuje frázu po fráze: aktuálna fráza sa zobrazuje ako veľká, hotové zostávajú v zozname nižšie. Hodí sa na schôdzu, prednášku alebo videohovor, keď sú titulky potrebné teraz a nie po spracovaní súboru. Prístup k mikrofónu sa vyžaduje stlačením tlačidla; nič sa nezapíše do súboru a nič neopustí prehliadač.
Čo vedieť vopred
Nástroj je mladý a experimentálny: kvalita separácie závisí od nahrávky. Konverzácie s čistým mikrofónom sa s istotou delia, zatiaľ čo hlučné, ozveny s neustálymi prerušeniami môžu zmiasť. Práca s rečou tiež zaberá pamäť – plánujte približne 1 GB voľného priestoru. Na dráhe procesora (WASM) trvá dlhé nahrávanie výrazne dlhšie ako na grafickej karte. Model sa nenaučí mená: štítky „Reproduktor 1“ a „Reproduktor 2“ sa majú po exporte premenovať, aby zodpovedali vašim minútam.
Kto to potrebuje
Novinár môže rýchlo nájsť miesto, kde nový hlas vstupuje do rozhovoru. Študent si môže zostaviť záznam prednášky riadok po riadku: kde hovoril profesor a kde sa pýtali poslucháči. Editor podcastov dokáže nájsť úseky dlhej relácie, kde sa všetci rozprávali, a vystrihnúť ich. Tajomník schôdze môže zostaviť návrh zápisnice s časovými kódmi bez toho, aby kamkoľvek posielal nahrávku.
Keď potrebujete niečo iné
Ak chcete skôr obyčajný text ako rozpis podľa hlasu, otvorte audio a video → text. Ostatné nástroje sekcie žijú na Zvuk a ďalšie bezplatné miestne nástroje sú pod Iné nástroje. Analýza sa vykonáva pomocou otvorenej knižnice FluidAudio (licencia MIT): kód a modely sú uložené vo vašom prehliadači, bez odbočiek na iné servery.