ווער האָט גערעדט ווען פֿאַר פריי: קול צעשיידונג און לעבן סאַבטייטאַלז
נאָך אַ באַגעגעניש, אַן אינטערוויו אָדער אַ רעפֿעראַט בלײַבט איר מיט אַ רעקאָרדירונג, וווּ עטלעכע מענטשן רעדן, און אַ פּראָסטער טראַנסקריפּט קען אײַך נישט זאָגן, ווער האָט געזאָגט וואָס. ווער האט גערעדט ווען איז אַ פריי בלעטערער געצייַג: עס ספּליץ די רעקאָרדינג אין ספּיקערז (אַרויף צו פיר), אָפּטיאָנאַללי טורנס די רעדע אין אַ צייט-סטאַמפּעד דיאַלאָג, און זיין רגע קוויטל לויפט לעבן קאַפּשאַנז גלייך פֿון דיין מיקראָפאָן. דער טעקע איז קיינמאָל ופּלאָאַדעד, קיין טאָקענס זענען פארבראכט און קיין חשבון איז דארף.
ווי עס אַרבעט
רעדנער צעשיידונג איז פּאַוערד דורך די NVIDIA Sortformer מאָדעל: עס געפינט אַרויף צו פיר ספּיקערז און לייז אויס די סטרעטשאַז פון צייט אין וואָס יעדער איינער איז געהערט. אויב איר לאָזן די "אויך טראַנסקריבירן די רעדע" קעסטל אָפּגעשטעלט, די ווערטער צוטשעפּען צו די ספּיקערז - איר באַקומען אַ דיאַלאָג טראַנסקריפּט מיט "רעדנער 1", "רעדער 2" און אויף, וואָס איר קענען נאָכמאַכן אָדער אראפקאפיע ווי TXT, SRT, VTT אָדער JSON. א אָפּצייכן ווייַטער צו די טיימליין ווייזט ווי פילע ספּיקערז די מאָדעל געפֿונען.
דער ערשטער לויפן דאַונלאָודז די מאָדעל ווייץ צו דיין מיטל - וועגן 380 מעגאבייטן אין גאַנץ. נאָך דעם, זיי בלייבן קאַשט אין דיין בלעטערער און שפּעטער לויפט זיי דאַרפֿן קיין נעץ. מיט אַ graphics קאָרט (WebGPU) די אַנאַליסיס איז שנעל; אָן עס, דער מאָטאָר פאלט צוריק צו די פּראַסעסער (WASM) - נאָוטיסאַבלי סלאָוער, אָבער דער רעזולטאַט איז די זעלבע, און די געצייַג וועט זאָגן איר ווען דאָס כאַפּאַנז. אַודיאָ איז פאָולדאַד אַראָפּ צו 16 כז מאָנאָ ין דער בלעטערער; גאָרנישט דאַרף רעקאָרדינג ערגעץ.
מאַרקינג דיין אייגענע רעקאָרדינג
- עפענען די געצייַג און קלייַבן אַן אַודיאָ אָדער ווידעא טעקע: MP3, WAV, M4A, MP4 און WebM זענען אנגענומען, און איר קענען פאַלן די טעקע אַנטו די ראַם.
- באַשליסן אויף די "אויך טראַנסקריבירן די רעדע" קעסטל: אָפּגעשטעלט, עס גיט איר אַ צייט-סטאַמפּעד דיאַלאָג; ניט אָפּגעשטעלט, בלויז די טיימליין "ווער און ווען גערעדט".
- דרוק דעם אָנהייב קנעפּל. אויף דער ערשטער לויפן, וואַרטן פֿאַר די מאָדעלס צו אָפּלאָדירן - די פּראָגרעס באַר האלט איר אַרייַנגעשיקט.
- דער רעזולטאַט איז די טיימליין פּלוס די דיאַלאָג. קאָפּי די טעקסט מיט אַ קנעפּל אָדער אראפקאפיע עס אין די פֿאָרמאַט איר דאַרפֿן.
לייוו קאַפּשאַנז פֿון די מיקראָפאָן
די צווייטע קוויטל נעמט געזונט גלייך פון די מיקראָפאָן און קאַפּשאַנז עס פֿראַזע פֿאַר פראַזע ווען איר רעדן: די קראַנט פראַזע ווייזט גרויס, פאַרטיק אָנעס בלייבן אין דער רשימה אונטן. עס סוץ אַ באַגעגעניש, אַ לעקציע אָדער אַ ווידעא רופן, ווען קאַפּשאַנז זענען דארף איצט אלא ווי נאָך פּראַסעסינג אַ טעקע. מיקראָפאָן אַקסעס איז פארלאנגט דורך דרינגלעך די קנעפּל; גאָרנישט איז געשריבן צו אַ טעקע און גאָרנישט פאַרלאָזן דעם בלעטערער.
וואָס צו וויסן אין שטייַגן
די געצייַג איז יונג און יקספּערמענאַל: די קוואַליטעט פון צעשיידונג דעפּענדס אויף די רעקאָרדינג. ריין מיקראָפאָן שמועסן שפּאַלטן קאַנפאַדאַנטלי, בשעת טומלדיק, עקאָוי רעקאָרדינגס מיט קעסיידערדיק ינטעראַפּשאַנז קענען צעמישן עס. רייד אַרבעט אויך נעמט זיקאָרן - פּלאַן פֿאַר וועגן 1 גיגאבייט פון כעדרום. אויף די פּראַסעסער דרך (WASM) אַ לאַנג רעקאָרדינג נעמט מער ווי אויף אַ graphics קאָרט. דער מאָדעל קען נישט לערנען נעמען: די "רעדנער 1" און "רעדנער 2" לאַבעלס זענען מענט צו זיין ריניימד נאָך אַרויספירן, צו גלייַכן דיין מינוט.
ווער דאַרף עס
א זשורנאליסט קען שנעל געפינען וואו א נייע קול קומט אריין אין אינטערוויו. א סטודענט קען ארויפלייגן א רעקארדירונג שורה פאר שורה: וואו דער פראפעסאר האט גערעדט און וואו די עולם האט געפרעגט. א פּאָדקאַסט רעדאַקטאָר קענען געפינען די סטרעטשיז פון אַ לאַנג סעסיע ווו אַלעמען גערעדט איבער יעדער אנדערער און שנייַדן זיי אויס. א באַגעגעניש סעקרעטאַר קענען בויען אַ פּלאַן פון די מינוט מיט טימעקאָדעס אָן שיקן די רעקאָרדינג ערגעץ.
ווען איר דאַרפֿן עפּעס אַנדערש
אויב וואָס איר ווילן איז קלאָר טעקסט אלא ווי אַ ברייקדאַון דורך קול, עפענען אַודיאָ און ווידעא → טעקסט. די אנדערע מכשירים פון דער אָפּטיילונג לעבן אויף די אַודיאָ בלאַט, און מער פריי היגע מכשירים זענען אונטער אנדערע מכשירים. די אַנאַליסיס איז דורכגעקאָכט דורך די אָפֿן FluidAudio ביבליאָטעק (MIT דערלויבעניש): די קאָד און מאָדעלס לעבן אין דיין בלעטערער, אָן דיטורז צו אנדערע סערווערס.