Zamiana mowy na tekst na Twitchu, szczerze

Zamiana mowy na tekst, nie tekstu na mowę — szybkie rozróżnienie

Szybkie rozróżnienie — STT kontra TTS. Jeśli szukasz syntetycznego głosu czytającego wiadomości z donacji podczas streamu, to jest text-to-speech, nie speech-to-text. Zupełnie inny temat. Sięgnij po SoundAlerts, który obsługuje TTS dla Bitów, napiwków, Channel Points, subskrypcji, rajdów i Hype Trainów, z głosami AI w wersji Premium. Albo użyj StreamElements, który uruchamia AlertBox TTS z ponad 1000 głosami od Polly, Google, Azure i TikToka, plus moderację antyspamową. Reszta tego artykułu dotyczy czegoś innego: zamiany twojego głosu w tekst.

Speech-to-text to twój głos zamieniający się w litery na ekranie: napisy, transkrypcje, dyktowane wiadomości. Text-to-speech to kierunek odwrotny: wpisane wiadomości czytane na głos przez syntetyczny głos, zwykle w alertach donacji.

Połowa użytkowników Twitcha szukająca tej frazy chce tego drugiego. Google nie rozróżnia, czego szukasz, dlatego na to zapytanie nie ma AI Overview — intencja jest zbyt podzielona. Narzędzia TTS podlinkowane wyżej obsługują odczyty donacji. Reszta artykułu zajmuje się zamienianiem twojego głosu w tekst.

Do czego streamerzy naprawdę używają zamiany mowy na tekst

Cztery scenariusze, które pojawiają się wciąż i wciąż. Większość streamerów korzysta z jednego. Ci dobrzy — ze wszystkich czterech.

Napisy na żywo dla dostępności

Linia tekstu na dole transmisji dla widzów niesłyszących, niedosłyszących, oglądających bez dźwięku w pracy lub mówiących innym językiem. Twitch wyświetla przycisk CC na streamach, które już mają napisy w feedzie RTMP, i nic na tych, które ich nie mają. To jest na twoich barkach.

Transkrypcje VOD na klipy i SEO

Streamowałeś przez trzy godziny, walka z bossem wydarzyła się gdzieś koło drugiej godziny, a ty chcesz 60-sekundowego TikToka z napisami. Transkrypcja pozwala ci użyć Ctrl+F zamiast ręcznego przewijania.

Dyktowanie między scenami

Temat, o którym nikt nie mówi, a który sam bym sfinansował. W środku streamu, ręce na klawiaturze, moderator pinguje cię na Discordzie pytając, czy chcesz przedłużyć tryb sub-only na rajd. Możesz albo niezdarnie przełączać okna, gdy walka z bossem się sypie — albo nacisnąć klawisz, powiedzieć zdanie i mieć je na Discordzie z prędkością 145 słów na minutę.

Domyślny skrót Whisper to Ctrl+Space na Windows i Linuksie, a na macOS to push-to-talk tylko z modyfikatorem command+option. Obydwa działają wszędzie, gdzie działa wprowadzanie tekstu: czat, Discord, pola nazw scen w OBS, wiadomość z przeprosinami do widza, którego imię źle wymówiłeś o pierwszej w nocy. Dwa specyficzne pułapki dla streamerów: jeśli twój skrót zmiany sceny to Ctrl+Space, OBS przechwyci go zanim Whisper zdąży zareagować — zmień jedno z nich. A niektóre gry w trybie pełnoekranowym (wszystko na Unreal Engine w exclusive fullscreen) połykają globalny skrót; uruchom grę w trybie okienkowym bez ramki i problem znika.

Notatki po streamie

Trzylinijkowa notatka dla siebie-z-przyszłości: co zadziałało, co nie i który klip warto zmontować. Większość streamerów to pomija. Większość też zastanawia się, dlaczego kanał nie rośnie.

Pierwsze to OBS. Drugie to narzędzie do transkrypcji. Trzecie to aplikacja do dyktowania, taka jak nasza. Czwarte to ta kombinacja, która pozwoli ci pójść spać przed drugą w nocy.

Napisy na żywo w OBS: konfiguracja w 10 minut

Najpierw szczere wyznanie. Standardowa konfiguracja napisów na żywo dla Twitcha nie jest napędzana przez Whisper. To wtyczka OBS Closed Captions autorstwa ratwithacompiler, która domyślnie używa Google Speech Recognition jako backendu. Wersja 0.33 wydana 15 października 2025 roku ma 1,3 tys. gwiazdek na GitHubie i działa na Windows, macOS i Linuksie. Nie współpracuje ze Streamlabs OBS, ponieważ SLOBS nie obsługuje wtyczek firm trzecich.

Oto konfiguracja w 10 minut. Żaden z tych kroków nie wymaga pisania kodu.

1. Zainstaluj OBS Studio, jeśli jeszcze go nie masz. Wtyczka działa tylko z OBS, nie z SLOBS.
2. Pobierz wtyczkę ze strony wydań ratwithacompiler/OBS-captions-plugin na GitHubie. Wybierz instalator dla swojego systemu, najpierw zamknij OBS, a potem uruchom instalator.
3. Otwórz OBS, przejdź do Tools → Closed Captions. Wybierz źródło mikrofonu, zazwyczaj Mic/Aux lub jak je tam nazwałeś.
4. Ustaw język źródłowy. Domyślnie angielski. Wtyczka przesyła dane do darmowego endpointu Google; dokładność jest dobra przy czystym dźwięku z mikrofonu i spada przy głośnej muzyce w tle.
5. Włącz napisy w panelu Twitcha. Stream Manager → Settings → Stream → przełącznik Closed Captions. Poradnik Twitcha Guide to Closed Captions opisuje stronę nadawcy, jeśli go potrzebujesz.
6. Przetestuj na prywatnym streamie. Ustaw transmisję jako niewidoczną, mów przez 30 sekund, sprawdź czy pojawia się przycisk CC.

Gotowe. Kompromis: dźwięk opuszcza twój komputer i trafia do Google. Jeśli to narusza twoją umowę z widzami, przejdź do sekcji cloud vs. lokalnie. Whisper sam w sobie nie pasuje do tego zestawu — jesteśmy warstwą do dyktowania i transkrypcji VOD obok niego. OBS obsługuje napisy, Whisper obsługuje tekst sterowany skrótem klawiszowym. Dwa narzędzia, dwa zadania.

Transkrypcja VOD i klipów na shorty (prawdziwa oszczędność czasu)

Trójgodzinny stream to trójgodzinny problem z wyszukiwaniem. Wiesz, że zabawny moment wydarzył się gdzieś koło drugiego sub-trainu, ale nie możesz go znaleźć bez ręcznego przewijania. Transkrypcja rozwiązuje to w dziesięć sekund.

Drugie szczere wyznanie. Whisper by Remskill nie przyjmuje dziś przesłanych plików wideo lub audio w aplikacji desktopowej. Transkrypcja jest sterowana skrótem klawiszowym na żywym mikrofonie — bez przeciągania i upuszczania i bez przycisku 'otwórz VOD'. Jeśli twój workflow polega na wrzuceniu MP4 i otrzymaniu transkrypcji, nie jesteśmy tym narzędziem. Jeszcze. Dwie uczciwe opcje:

Opcja A — loopback VOD przez mikrofon. Użyj VB-CABLE na Windows lub BlackHole na Macu, żeby przekierować dźwięk VOD z powrotem do Whisper jakby był mikrofonem, a potem trzymaj skrót podczas odtwarzania. Bez użycia rąk, ale musisz przesiedzieć całe odtwarzanie. Wybierz large-v3 dla strumieni wielojęzycznych lub distil-large-v3 (Turbo) dla angielskiego: 6× szybszy niż large-v3 przy 99% dokładności.

Opcja B — użyj open-source'owego whisper.cpp lub faster-whisper. Obydwa obsługują pliki .mp4 i .wav z linii poleceń. Wolniejsza konfiguracja, ale przetwarzają zadania wsadowo, gdy śpisz. To jest to uprawnione 'pomiń Whisper w tym przypadku': whisper.cpp i openai/whisper są darmowe i dobrze utrzymywane.

Prawdziwa wygrana jest dalej. Wrzuć transkrypcję do ChatGPT i poproś o trzy najlepsze momenty warte wycięcia, wklej ją do edytora wideo jako ścieżkę napisów i użyj jako opisu YouTube z gotowymi znacznikami czasu.

Cloud vs. lokalnie: dokąd trafia dźwięk z twojego streamu

Dźwięk ze streamu jest wrażliwy. Nawet jeśli nadajesz na żywo do tysięcy osób, przepaść między 'wiemy, że nagrywamy' a 'niezwiązana firma z USA ma kopię mojej rozmowy z moderatorem poza streamem' jest realna.

Whisper oferuje trzy ścieżki transkrypcji i pozwala ci wybrać. Nie ma domyślnej.

Cloud (OpenAI, BYOK)

Najwyższa dokładność, wbudowane wyszukiwanie w sieci, ulepszanie tekstu przez AI via GPT-5. Transkrypcja domyślnie używa gpt-4o-mini-transcribe lub gpt-4o-transcribe dla wyższej dokładności. Dostarczasz własny klucz OpenAI i płacisz OpenAI za minutę dźwięku. Dźwięk opuszcza twoje urządzenie.

Lokalnie — NVIDIA Parakeet

Szybka opcja lokalna. Około 600 MB na dysku, 5–10× szybszy niż Whisper na CPU, angielski plus 24 języki europejskie bez tłumaczenia na angielski. Brak języków azjatyckich: japońscy, koreańscy i chińscy streamerzy nie mogą używać Parakeet.

Lokalnie — Whisper

Wolniejszy niż Parakeet, dostępny w ośmiu rozmiarach modeli od Base (~140 MB) do Large v3 (~3 GB). Warianty wielojęzyczne obsługują 99 języków i tłumaczenie na angielski; wersje .en są tylko dla angielskiego z zablokowanym wyborem języka.

Jeśli streamujesz z desktopa z nowym CPU lub z Maca z serii M, najpierw wypróbuj tryb lokalny. Cloud to droga ucieczki, gdy potrzebujesz języka, którego Parakeet nie obsługuje, lub chcesz mieć wyszukiwanie w sieci OpenAI wbudowane w ten sam skrót. Twój laptop ma już mikrofon i CPU — nie potrzebuje serwera pośredniczącego dla jednego zdania notatki moderatorskiej.

Kiedyś próbowałem generować napisy do własnego streamu z kodowaniem i model autokorekował każdy commit gita w zupełnie nieodpowiedni rodzaj narzędzia ogrodniczego. To był moment, w którym przestałem używać napisów na żywo do klipów i zacząłem przepuszczać transkrypcje przez ręczną korektę. Tryb dyktowania między scenami sprawdził się przez setki notatek moderatorskich bez żadnej poważnej wtopy. Różne zadania, różne oczekiwania dotyczące niezawodności.

Kiedy pominąć Whisper w tym scenariuszu

Uczciwa macierz:

• Chcesz tylko napisów zamkniętych na żywo wpisanych w transmisję. Użyj wtyczki OBS Closed Captions i masz gotowe. Whisper nie jest silnikiem napisów na żywo dla OBS — jesteśmy narzędziem do dyktowania obok niego.
• Chcesz syntetycznego głosu czytającego wiadomości z donacji. Użyj SoundAlerts lub StreamElements — to jest TTS, kierunek odwrotny.
• Potrzebujesz wsadowej transkrypcji lat plików VOD. Open-source'owe whisper.cpp lub faster-whisper przyjmują pliki bezpośrednio i nic nie kosztują. My jeszcze nie mamy interfejsu do przesyłania plików.
• Streamujesz z Maca z procesorem Intel. Whisper by Remskill jest dostępny tylko na Windows x86_64 i macOS Apple Silicon; Intel Mac nie jest obsługiwany. Usługi wyłącznie chmurowe działają dobrze w przeglądarce niezależnie od tego.

Jeśli twój scenariusz to dyktowanie między scenami, transkrypcje VOD przez loopback lub notatki po streamie — to jest nasz obszar. Gdziekolwiek indziej na tej liście, używaj tego, co pasuje.

Większość konfiguracji zamiany mowy na tekst na Twitchu to hydraulika: wtyczka OBS, którą instalujesz raz, sterownik loopback, o którym zapominasz, że istnieje, i skrót klawiszowy, który ustawiasz raz na zawsze. Prawdziwa praca jest po drugiej stronie. Kiedy napisy są warte tego, że dźwięk opuszcza twój komputer? Który 60-sekundowy klip z trójgodzinnego streamu jest wart wycinania? Pisać czy mówić, gdy moderatorzy piszą na czacie? Wybierz narzędzie, które nie staje ci na drodze na trzeciej godzinie streamu — bo wtedy ma to znaczenie.