Przepisz wideo na tekst modelem Whisper w tej karcie
Upuść własne nagranie. GustKit wyciąga dźwięk i uruchamia Whisper na urządzeniu. Dostajesz tekst ze znacznikami czasu oraz SRT, VTT, TXT albo DOCX. Powyżej 30 minut transkrypcja jest ograniczona, bo liczy się lokalnie.
Szybki albo lepszy model, język albo wykrywanie
Szybki to tiny: czytelna mowa i szkic. Lepszy to base: wyraźniej łapie akcent i szum w tle. Wybierz język albo zostaw wykrywanie. Jedna osoba i czysty dźwięk dają najczytelniejszy wynik.
GPU w Chrome i Edge, inaczej procesor
Przy WebGPU Whisper liczy na karcie graficznej i bywa kilka razy szybszy. Inne przeglądarki schodzą na WebAssembly i procesor. Wynik jest ten sam, a dźwięk nie idzie na serwer mowy.
Jak przepisać wideo na tekst bez wysyłania nagrania
-
Upuść plik, który już masz. GustKit nie pobiera filmu z linku.
-
Wskaż język mowy albo zostaw wykrywanie. Whisper obejmuje około 99 języków.
-
Naciśnij „Transkrybuj na tekst”. Przy pierwszym razie model może się pobrać. Limit to 30 minut.
-
Pobierz SRT lub VTT, zwykły TXT albo DOCX do edycji.
Napis i cytat bez oddawania nagrania
-
SRT, VTT, TXT i DOCX
Napisy pod montaż albo zwykły tekst do przeszukania.
-
Dwa rozmiary Whisper
Szybki tiny albo lepszy base. Wybierasz przed startem.
-
Dźwięk zostaje na urządzeniu
Pobierają się pliki modelu. Nagranie nie jedzie na serwer.
-
WebGPU, gdy przeglądarka umie
Chrome i Edge potrafią liczyć na karcie graficznej. Reszta używa procesora.
-
Znaczniki czasu
Wracasz do momentu w nagraniu, zamiast szukać na słuch.
-
Około 99 języków
Wskazany język jest celniejszy niż samo wykrywanie.
Pytania o tekst z wideo
Jakie języki łapie Whisper?
Około 99, w tym polski, angielski, portugalski i hiszpański. Wybór języka podnosi celność. Wykrywanie też działa.
Jak długie wideo da się przepisać?
Do 30 minut. Dłuższe nagranie podziel, bo liczenie idzie na twoim urządzeniu i przy długim pliku jest wolne.
Czy obraz jedzie na serwer modelu?
Nie. Na przeglądarkę schodzą pliki modelu. Dźwięk jest liczony lokalnie i nie opuszcza urządzenia.
Który model wybrać do szumu?
Lepszy, czyli base, radzi sobie wyraźniej z akcentem i tłem. Szybki tiny starcza do czystej mowy i szkicu.
Nagranie jest za długie na jeden raz.
Utnij potrzebny fragment w Skróć wideo i przepisz krótszy plik. Sam dźwięk bez obrazu jest w Transkrypcja audio.
Czy dostanę napisy do montażu?
Tak. Po wyniku pobierasz SRT albo VTT, a do samego tekstu TXT albo DOCX.