Субтитри для відео та транскрипція відео у текст

Завантажте файл і натисніть «Згенерувати субтитри». Після завершення розпізнавання над транскриптом з’явиться кнопка «Копіювати» та кнопка завантаження TXT — текст можна взяти як суцільний текст або з таймкодами. Перемикач «Суцільний текст» показує результат як звичайний документ, готовий для вставки в нотатки або статтю.

SRT (універсальний — підтримується кожним плеєром і YouTube), VTT (стандарт прихованих субтитрів для вебу та HTML5), ASS (повне оформлення з вибраного шаблону, відкривається в Aegisub, DaVinci Resolve, mpv) і TXT (суцільний транскрипт). Окремо можна створити MP4 із субтитрами, вбудованими в зображення.

Whisper підтримує понад 99 мов і автоматично визначає мову мовлення. Для російського мовлення в списку моделей також доступна GigaAM, навчена виключно на російській мові, яка допускає приблизно втричі менше помилок; завантажується один раз (~215 МБ) і далі береться з кешу браузера.

Так. Silero VAD позначає ділянки з реальним мовленням до розпізнавання, тому тиша у вступах, паузах і кінцівках пропускається, а точність зберігається на довгих файлах. Текст з’являється в редакторі в міру декодування — не потрібно чекати кінця, щоб почати читати й виправляти. Відео тривалістю понад 30 хвилин зручніше обробляти на комп’ютері з 8 ГБ оперативної пам’яті.

Так — «Завантажити MP4 із субтитрами» створює файл із субтитрами поверх зображення, тому вони відображаються в будь-якій соціальній стрічці та в плеєрах, які не підтримують SRT. Файл створюється в браузері через FFmpeg WASM: відео кодується в H.264, а аудіодоріжка копіюється без перекодування.

Клацніть таймкод ліворуч від будь-якого рядка транскрипту та введіть новий час, або змінюйте його стрілками (Shift — крок одна секунда). Відео переходить до вибраного місця під час редагування, тому результат можна почути одразу. Таймінг слів перераховується з рядка, тому підсвічування у стилі «karaoke» залишається синхронним.

Whisper визначає межі слів із крос-атеншн-декодування з точністю приблизно ±200 мс — достатньо для підсвічування у стилі «karaoke» та звичайних субтитрів. Якщо декодування повільне, увімкніть швидкий режим — слова розподіляться рівномірно всередині кожного сегмента. Час початку рядка також можна скоригувати вручну в транскрипті.

Експорт VTT — це стандартний формат прихованих субтитрів для вебплеєрів (HTML5 track, YouTube, Vimeo), що приймається перевірками WCAG, ADA та EAA. Субтитри містять таймкоди, мітки мовців (якщо детектор увімкнено) і чисту пунктуацію. У записаному MP4 додаються обведення та тінь для контрасту, а субтитри залишаються в межах безпечних зон платформ.

Відкрийте «Глосарій» у налаштуваннях розпізнавання і вкажіть терміни по одному на рядок. Вони передаються моделі як початкова підказка, тому назви продуктів, прізвища, абревіатури та професійні терміни пишуться правильно. Це найбільший приріст точності для технічних доповідей і брендованого контенту.

Так, у сучасних Chrome і Safari. На пристроях із менш ніж 4 ГБ оперативної пам’яті великі моделі приховані, а за замовчуванням використовується Tiny — щоб вкладка не зависала. Довгі відео зручніше обробляти на ноутбуці. Після першого запуску модель кешується, і розпізнавання, оформлення та створення MP4 — усе працює в браузері через WebAssembly.