Äänestä tekstitykset: mikä toimii

Tarvitset aikaleimoja, et pelkkää tekstiä

Tekstitystiedosto ei ole litteraatti. Litteraatti on pelkkiä sanoja. Tekstitystiedosto on sanoja plus ajoitus. Jokainen tekstitysblokki sanoo: "näytä tämä rivi kello 00:01:04 ja 00:01:07 välillä." Juuri tuo ajoitus on koko juttu. Se antaa videosoittimelle mahdollisuuden näyttää oikeat sanat oikealla sekunnilla.

Useimmat "puheesta tekstiksi" -työkalut – oma sovelluksemme mukaan lukien – antavat sinulle vain sanoja eikä mitään muuta. Ne liittävät siistin kappaleen kursorin kohdalle ja pysähtyvät siihen. Tekstityksen luomistyökalun täytyy tehdä enemmän. Se jakaa puheen lyhyiksi tekstityskokoisten palasiksi, sovittaa jokaisen palasen ääniraitaan ja kirjoittaa kaiken ulos tiukassa tiedostomuodossa, jonka soitin pystyy lukemaan. Jos lopputuloksesi on tiedosto, jonka lataat YouTubeen, videoeditoriin tai kurssialustalle, tarvitset aikaleimoja. Jos lopputuloksesi on teksti dokumentissa, et tarvitse – eikä sinun pidä maksaa tekstitystyökalusta saadaksesi sen.

Tekstityksen luominen äänitiedostosta kolmessa vaiheessa

Työnkulku on käytännössä sama lähes kaikissa työkaluissa – oli kyse verkosta tai offline-käytöstä.

Siinä se koko silmukka. Työkalujen väliset erot koskevat hintaa, kielten kattavuutta, minne äänesi menee ja onko kolmas vaihe ilmainen.

SRT vs VTT vs TXT: mitä tiedostoa tarvitset

Kolme muotoa ilmestyy jokaiseen vientivalikkoon, ja ihmiset nappaavat jatkuvasti väärän.

• SRT (SubRip) on oletustekstitystiedosto. Se on pelkkänä tekstinä tallennettu tiedosto numeroituine blokkeineen, joissa jokaisessa on aikakoodiväli ja pari tekstiriviä. YouTube, useimmat videoeditorit ja lähes kaikki soittimet lukevat sitä. Jos et tiedä, kumpaa valita, valitse SRT.
• VTT (WebVTT) on SRT:n verkkopikkuserkku. Sama idea, hieman erilainen syntaksi, lisäksi tuki muotoilulle ja sijoittelulle. Käytä VTT:tä silloin, kun verkkosivusto tai HTML5-videosoitin pyytää sitä nimeltä.
• TXT sisältää pelkät sanat ilman aikaleimoja. Tämä on muoto, jota haluat kirjoittaessasi artikkelia, syöttäessäsi yhteenvetoa tai lainatessasi haastattelua. Se on myös ainoa kolmesta muodosta, jonka yksinkertainen diktointityökalu pystyy antamaan sinulle.

Oma nyrkkisääntöni: SRT videoille, TXT dokumenteille, VTT kun verkkoalusta nimeää sen. Useimmat työkalut vievät kaikki kolme: VEED, Kapwing ja Descript.

Työkalut, jotka muuttavat äänen tekstitystiedostoiksi

Tässä missä kukin selaintyökalu sijaitsee – ominaisuusväitteet on poimittu suoraan kunkin työkalun omilta sivuilta.

• VEED on verkko- ja mobiilipohjainen automaattinen tekstitystyökalu, joka litteroi pelkästä äänitiedostosta ja antaa ladata tuloksen SRT-, VTT- tai TXT-muodossa. Käyttö on ilmaista aluksi. Tekstitystiedoston lataaminen ja pidempien videoiden tekstitys siirtävät sinut maksulliselle tasolle.
• Kapwing mainostaa "99 %:n tarkkuudella tuotettuja tekstityksiä sekunneissa". Tämä on Kapwingin oma markkinointiluku, ei riippumaton vertailutulos. Se ottaa minkä tahansa video- tai äänitiedoston, MP3 mukaan lukien, pystyy kääntämään tekstitykset yli 100 kielelle ja vie SRT-, VTT- ja TXT-tiedostot ulos. Ilmaistileillä saa enintään 10 minuuttia tekstityksiä ja vesileiman; Pro poistaa vesileiman.
• Descript luo tekstityksiä yli 22 kielellä, hyväksyy pelkät äänitiedostot ja vie pehmeät tekstitykset SRT- tai VTT-muodossa polkua Julkaise → Vie → Tekstitykset pitkin. Se toimii freemium-mallilla, jonka ilmainen taso kattaa yhden mediatunnin kuukaudessa.

Tässä miten nämä neljä vertautuvat toisiinsa osissa, jotka voit tarkistaa ennen sitoutumista. Ei tarkkuus- tai nopeuslukuja, koska kukaan ei ole ajanut niitä rinta rinnan samalla äänellä:

Kaikki kolme selaintyökalua lähettävät äänesi jonkun toisen palvelimelle. Markkinointipätkälle se sopii. Tallennetulle asiakaspuhelulle tai missä tahansa on palkkatietoja, lue eteenpäin.

Näiden työkalujen käyttöliittymä näyttää karkeasti tältä:

Lataa, klikkaa luo, valitse muoto, lataa alas. Tuo palkki – ei meidän – on se, miltä tekstityksen luomistyökalu näyttää.

Ilmainen ja offline: SRT-tiedoston luominen avoimen lähdekoodin Whisperillä

Jos et halua ladata mitään, OpenAI:n avoimen lähdekoodin Whisper-komentorivityökalu kirjoittaa tekstitystiedostot omalle koneellesi ilmaiseksi. Sen --output_format-lippu hyväksyy arvot txt, vtt, srt, tsv, json tai all, ja oletuksena on all. Siis yksi komento, whisper interview.mp3 --model turbo, tuottaa .srt-tiedoston offline-tilassa ilman tiliä ja ilman tiedoston lataamista palvelimelle.

Avoimen lähdekoodin Whisper on eri projekti kuin Whisper by Remskill – ja se kannattaa sanoa selvästi. Se on OpenAI:n komentorivi­malli, joka ajaa omalla koneellasi ja tuottaa ajoitettuja tekstitystiedostoja. Se sisältää kuusi malliko­koa (tiny, base, small, medium, large ja turbo) sekä vain englanniksi toimivat versiot neljälle pienimmälle. Monikieliset mallit kattavat 99 kieltä; .en-versiot vain englannin.

Tässä mielipide, jonka takana seison: arkaluonteisen materiaalin kohdalla äänen ei pitäisi koskaan poistua kannettavalta. Tallennettu kehityskeskustelu, lääkärin diktoimat muistiinpanot, oikeudellinen kuuleminen – mikään näistä ei kuulu toimittajan käsittelylokeihin vain siksi, että tarvitsit aikaleimoja.

Seurasin kerran tiimin kasvattavan viisinkertaisen pilvi-AI-laskun yhden vuosineljänneksen aikana litteroimalla standup-tallenteita. Talousjohtajan reaktio seuraavassa katselmuksessa ei ollut "optimoidaan promptia". Se oli "miksi ylipäätään lähetämme kokousääntä palvelimelle". Kannettavassasi on jo prosessori ja mikrofoni. Yksityiselle materiaalille offline Whisper CLI on vastaus – eikä se maksa mitään.

On olemassa nopeampi paikallinen portti nimeltä whisper.cpp, Whisperin pelkkä C/C++-versio ilman riippuvuuksia, joka ajaa vain prosessorilla avoimen lisenssin alla. Ihmiset kertovat sen pystyvän kirjoittamaan myös tekstitystiedostoja, mutta suosittelisin virallista OpenAI Whisper CLI:tä varmennetulle .srt-polulle ja käyttäisin whisper.cpp:tä nopeusparannuksena kun olet ensin vakiinnuttanut perustyönkulun.

Milloin Whisper by Remskill on väärä työkalu tähän

Tässä kohta, jonka useimmat tuoteblogit ohittavat. Jos tehtäväsi on ladattava .srt- tai .vtt-tiedosto, sovelluksemme on väärä työkalu – ja kerron sen mieluummin nyt kuin tuhlaavasi lataukseen käytetyn ajan.

Whisper by Remskill on diktointilähtöinen. Pidät pikanäppäintä pohjassa (Ctrl+Space Windowsissa, Command+Option macOS:ssä), puhut, vapautat, ja litterointi liittyy kursorin kohdalle missä tahansa avoimessa sovelluksessa. Se ei pilko puhetta tekstityspalasiin, se ei sovita tekstiä ääniraitaan eikä se kirjoita ajoitettua tekstitystiedostoa. Syötä sille haastatteluääni ja saat siistin kappaleen – ei SRT:tä. Rakensin vientiValikon päässäni tusinaan kertaan ja jätin sitten toteuttamatta, koska ajoitetut tekstitykset ovat oma tuotteensa – ja huonosti tehtyinä ne eivät hyödytä ketään.

Käytä yllä olevia työkaluja tekstitystiedostoihin. Tartu meidän sovellukseemme viereiseen tehtävään: muunna oma puheesi tekstiksi juuri silloin kun tarvitset sitä. Sähköposti, luonnos, tekstitys jonka kirjoitat itse somepostaukseen. Se toimii kahdella puhtaalla Rust-moottorilla – OpenAI Whisper ja NVIDIA Parakeet – ilman Pythonia ja ilman latausta. Eri tehtävä, eri työkalu. Oikean valitseminen on tämän artikkelin koko pointti.

Ennen kuin avaat mitään, vastaa kysymykseen, joka ratkaisee kaiken: toimitatko tiedoston vai sanoja? Tiedosto tarkoittaa aikaleimoja, mikä tarkoittaa oikeaa tekstitystyökalua. VEED tai Kapwing nopeaan selainprosessointiin, Whisper CLI ilmaiseen ja yksityiseen. Sanat tarkoittavat litteraattia – ja se on eri työkalu. Rakensin diktointisovelluksen ja silti ohjaan sinut muualle silloin kun muualle on oikein mennä. Seitsemänvuotias tyttäreni kysyi viime viikolla, mitä teen töissä, ja rehellinen vastaus on, että autan ihmisiä lopettamaan kirjoittamisen – mikä hänen mielestään oli syvästi epäkiinnostava vastaus. Iltapäivä, jonka sinä säästät, on se jonka käytin tekstittääkseni tuon podcast-pätkän käsin, kolme sekuntia kerrallaan.