Stručne o hlavnom (BLUF): Nástroj mení zvuk alebo video na text a titulky: rozpozná reč modelom Whisper priamo vo vašom prehliadači, sám určí jazyk nahrávky alebo prijme zvolený, umiestni časové značky a dá výsledok v TXT, SRT, VTT a JSON. Pri videu navyše poskladí klip s vypálenými titulkami. Súbor sa nikde nenačítava, tokeny sa neodpočítavajú a platené API tu nie je.
Nástroj vezme zvuk alebo video a zmení reč na text. Nahrajete súbor a dostanete prepis s časovými značkami, hotové titulky a pri videu tiež klip s titulkami, vypálenými priamo do záberov.
Rozpoznávanie beží modelom Whisper (otvorený viacjazyčný model Xenova/whisper-tiny) cez Transformers.js: na grafickej karte cez WebGPU, keď ju prehliadač ponúkne, inak na procesore cez WASM. Zvuková stopa sa zo súboru vytahuje lokálne, v pamäti vášho prehliadača.
Zvuk: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Z videa nástroj vytiahne zvukovú stopu sám: netreba ju vystrihovať zvlášť.
Zvuk sa prevedie na mono 16 kHz — presne do podoby, ktorú Whisper očakáva. Dlhá nahrávka sa rozpoznáva po blokoch 30 sekúnd s prekryvom 5 sekúnd, takže na spojoch nestratí sa žiadne slovo.
Súbor sa nikam neposiela: aj zvuk, aj rozpoznávanie, aj skladanie titulkov prebieha vo vašom prehliadači. Platené API tu nie je, tokeny sa neodpočítavajú.
Váhy modelu sa raz stiahnu z otvoreného katalógu Hugging Face a ďalej ležia v cache prehliadača — nabudúce model nastúpi už bez sťahovania. Serverovej inferencie, CUDA ani „záložného GPU na našej strane" tu nie je vôbec.
Whisper rozpoznáva 99 jazykov. Východiskovo sa jazyk určí automaticky a nástroj ukáže, ktorý jazyk zaslechol. Je-li nahrávka krátka alebo zmiešaná, jazyk možno vybrať ručne zo zoznamu — rozpoznávanie potom bude presnejšie.
Text možno skopírovať jedným tlačidlom alebo stiahnuť v štyroch formátoch. TXT je len prepis, s časovými značkami alebo bez. SRT a VTT sú hotové titulky pre prehrávače, strihové programy a YouTube. JSON je prepis s jazykom, dĺžkou a všetkými replikami s časovými značkami — hodí sa na ďalšie spracovanie.
Pre videosúbor nástroj poskladí nový klip, v ktorom sú titulky vypálené priamo do záberov. Také video hrá všade, aj tam, kde externé titulky nie sú podporované: v messengeroch, na sociálnych sieťach a na ktoromkoľvek prehrávači. Zvuk pôvodu zostáva zachovaný.
Tie isté titulky možno stiahnuť aj samostatne ako súbory SRT a VTT — dajú sa pripojiť k pôvodnému videu bez jeho prestavby.
Neprekladá reč do iného jazyka: rozpoznávanie ide v jazyku nahrávky, preklad je osobitná úloha. Nerozlišuje rečníkov podľa hlasu a nevypisuje, kto čo povedal.
Nepracuje s hudbou a hlukom ako s rečou: keď v nahrávke nie je zrozumiteľná reč, prepis bude prázdny alebo nepresný. Kvalita závisí od nahrávky — na čistom hlase bez hluku a ozveny je výsledok badateľne lepší.
Zvoľte zvuk alebo video, podľa potreby zadajte jazyk (alebo nechajte automatické rozpoznanie) a stlačte „Rozpoznať reč". Počkajte na prepis — priebeh je vidieť na obrazovke, rozpoznávanie možno prerušiť.
Potom text skopírujte alebo stiahnite TXT, SRT, VTT, JSON. Pokiaľ ste nahrali video, stlačte „Vytvoriť video s titulkami" a stiahnite hotový klip.
Tvorcom videa a podcastov — titulky na publikáciu a prepis do popisov. Študentom a novinárom — text prednášok, rozhovorov a nahrávok z diktafónu. Všetkým, čo rýchlo potrebujú text z nahrávky, bez poslania na cudzí server.
Nikam. Zvuk sa vytahuje a rozpoznáva celkom vo vašom prehliadači, na vašom zariadení. Na náš server súbor nedôjde.
Nie. Ide o bezplatný nástroj, ktorý beží na vašom zariadení: platené API tu nie je, takže nie je čo odpočítať.
Model počíta na vašom zariadení. Prvé spustenie trvá dlhšie: sťahujú sa váhy modelu a graf sa zahrieva. Potom model prichádza z cache prehliadača a rozpoznávanie ide rýchlejšie.
Zvoľte jazyk ručne v zozname a spustite rozpoznávanie znova — pri krátkych nahrávkach je ručná voľba presnejšia než automatická.
Áno. Stiahnite SRT alebo VTT a pripojte ich k videu, alebo poskladte priamo v nástroji klip s vypálenými titulkami.