Cara kerjanya

Wavetotext adalah konverter audio ke teks gratis yang sepenuhnya berjalan di browser Anda.

Model suara

Transkripsi memakai Whisper, model pengenalan suara sumber terbuka yang dirilis OpenAI. Kami memakai versi tiny, base, dan small yang sudah disesuaikan untuk browser oleh komunitas Hugging Face dan dimuat dengan pustaka sumber terbuka Transformers.js. Kalau browser Anda mendukung WebGPU, model berjalan di kartu grafis. Dalam pengujian kami, cara ini sekitar 5 kali lebih cepat dari prosesor, tapi tergantung kartu grafisnya.

Apa yang terjadi pada file Anda

1. Browser membuka audio dan mengubahnya ke mono 16 kHz, format yang dibutuhkan Whisper. Video yang tidak bisa dibuka browser lewat ffmpeg, konverter video yang juga berjalan di browser Anda.
2. Audio dipotong jadi bagian maksimal 30 detik, di momen paling sunyi di dekat tiap potongan, supaya kata tidak terpotong. Bagian yang sunyi dilewati.
3. Whisper mengubah tiap bagian jadi teks dengan penanda waktu, di latar belakang supaya halaman tetap responsif.
4. Bagian-bagian itu digabung jadi satu transkrip yang bisa Anda edit, salin, atau unduh.
5. Kalau label pembicara aktif, model pyannote menandai siapa yang bicara dan kapan di tiap menit audio. Lalu model WeSpeaker membuat sidik suara untuk tiap pembicara, dan sidik suara yang mirip dikelompokkan jadi Pembicara 1, Pembicara 2, dan seterusnya.

Banyak file

File yang Anda tambahkan masuk daftar dan diproses satu per satu, supaya antrean panjang tidak membebani perangkat. Transkrip yang selesai disimpan di browser agar bisa Anda buka lagi.

Batasan

Model Whisper kecil kurang akurat dibanding model server yang besar. Model ini sering salah dengar nama dan kata yang jarang dipakai, kesulitan dengan bising berat dan orang yang bicara bersamaan, dan lebih lemah untuk bahasa dengan data latih sedikit. Label pembicara hanyalah perkiraan: suara yang mirip, jawaban singkat, dan orang yang bicara bersamaan bisa mendapat label yang salah.

Kontak

Pertanyaan, bug, atau ide: [email protected]