Kort sagt (BLUF): Verktyget omvandlar ljud eller video till text och undertexter: det känner igen talen med Whisper-modellen direkt i din webbläsare, identifierar själv språket i inspelningen eller accepterar det du valt, placerar tidsstämplar och lämnar resultatet i TXT, SRT, VTT och JSON. För video byggs dessutom ett klipp med inbrända undertexter. Filen laddas aldrig upp, inga token dras av och här finns ingen betald API.
Verktyget tar ett ljud eller en video och omvandlar talen till text. Du laddar upp en fil och får en transkription med tidsstämplar, färdiga undertexter och, för video, samma klipp med undertexter brända direkt in i bilderna.
Igenkänningen körs på Whisper-modellen (den öppna flerspråkiga modellen Xenova/whisper-tiny) via Transformers.js: på grafikkortet via WebGPU när webbläsaren erbjuder det, annars på processorn via WASM. Ljudspåren plockas ut ur filen lokalt, i webbläsarens minne.
Ljud: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Video: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Från en video tar verktyget självt ut ljudspåren: det behöver inte klippas ut separat.
Ljudet konverteras till mono 16 kHz — exakt den form Whisper väntar sig. En lång inspelning känns igen i block på 30 sekunder med överlapp 5 sekunder, så att inga ord går förlorade vid skarvarna.
Filen skickas inte till någon server: både ljudet, igenkänningen och byggandet av undertexter sker inne i din webbläsare. Betald API finns inte här och inga token dras.
Modellvikterna laddas en gång från den öppna katalogen Hugging Face och ligger därefter i webbläsarens cache — nästa gång modellen höjs redan utan ny nedladdning. Serverinferens, CUDA och "reserv-GPU på vår sida" finns inte alls.
Whisper känner igen 99 språk. Som standard identifieras språket automatiskt och verktyget visar vilket språk det hörde. Är inspelningen kort eller blandad kan språket väljas manuellt i listan — igenkänningen blir då noggrannare.
Texten kan kopieras med en knapp eller laddas ner i fyra format. TXT är bara transkriptionen, med eller utan tidsstämplar. SRT och VTT är färdiga undertexter för spelare, redigeringsprogram och YouTube. JSON är transkriptionen med språk, längd och alla repliker med tidsstämplar — bekvämt för vidare bearbetning.
För en videofil bygger verktyget ett nytt klipp där undertexterna är brända direkt in i bilderna. En sådan video spelar överallt, även där externa undertexter inte stöds: i meddelandetjänster, i sociala medier och i vilken spelare som helst. Originaltalet bevaras.
Samma undertexter kan också laddas ner som SRT- och VTT-filer — de kan knytas till originalvideon utan att den byggs om.
Det översätter inte talet till ett annat språk: igenkänningen går på inspelningens språk, översättning är en separat uppgift. Det delar inte upp talare efter röst och skriver inte ut vem som sa vad.
Det hanterar inte musik och brus som tal: utan tydligt tal i inspelningen blir transkriptionen tom eller inexakt. Kvaliteten beror på inspelningen — på klar röst utan brus och eko är resultatet märkbart bättre.
Välj ljud eller video, ställ in språket vid behov (eller låt automatiken) och tryck "Känn igen tal". Vänta på transkriptionen — framstegen syns på skärmen, och igenkänningen kan avbrytas.
Kopiera sedan texten eller ladda ner TXT, SRT, VTT, JSON. Laddade du upp en video, tryck på "Gör video med undertexter" och hämta det färdiga klippet.
Video- och podcastskapare — undertexter att publicera och transkription för beskrivningar. Studenter och journalister — texten av föreläsningar, intervjuer och diktafoninspelningar. Alla som snabbt vill ha texten från en inspelning, utan att skicka den till någon annans server.
Ingenstans. Ljudet extraheras och känns igen helt i din webbläsare, på din enhet. Vår server får aldrig filen.
Nej. Det är ett gratis verktyg som kör på din enhet: det finns ingen betald API här, alltså finns inget att dra av.
Modellen räknar på din enhet. Första starten tar längre tid: modellvikterna laddas ner och grafen värms upp. Därefter hämtas modellen ur webbläsarens cache och igenkänningen går snabbare.
Välj språket manuellt i listan och kör igenkänningen igen — på korta inspelningar är det manuella valet noggrannare än det automatiska.
Ja. Ladda ner SRT eller VTT och koppla dem till videon, eller bygg direkt i verktyget ett klipp med inbrända undertexter.