動画から字幕を作る
動画や音声ファイルの話し声を聞き取り、時間の合った字幕を書きます。SRT・VTT で受け取れます。モデルを端末に受け取ってそこで動かすので、ファイルはこのタブから出ません。
動画か音声ファイルをここに置いてください
MP4 · MOV · M4A · WAV · MP3 — 20 分まで
ボタンを押すと実行環境とモデルを約 150 MB 受け取ります。 一度だけ受け取り、ブラウザが保持します — 次のファイルはすぐ始まります。
雑音が多い、または非常に古い録音では、モデルが同じ言葉を繰り返して止まることがあります。綺麗な音ほどうまくいきます。
私の動画はどこへ行きますか
どこへも行きません。このタブの中で開かれるだけで、アップロードされません。この道具ではそれが特に大切です — 会議や講義の録音は、他人のサーバーに渡してよい種類のファイルではありません。
なぜこんなに受け取るのですか
**精度を落としたモデルが実際に動かないからです。**測りました。8 ビット量子化版はそもそも開かず、16 ビット版はもっと悪い — 小さいモデルは文を崩し、精密なモデルは同じ二語を繰り返して壊れます。派手に失敗するモデルは構いませんが、静かにもっともらしい嘘を出すモデルは駄目です。だから完全精度で送り、容量を先に伝えます。
どのファイルが使えますか
MP4、MOV、M4A、WAV、MP3 です。ブラウザが自力で開ける形式なので、デコーダーを別途送ることはありません。MP3 が最後になったのは重いからではなく、**コンテナがない**からです。生のフレームが並んだだけの流れなので、誰かがフレームの境目を示さないとブラウザのデコーダーが受け取れません。その部分は私たちが書きました。追加で取得するものはありません。
結果が同じ言葉を繰り返します
雑音の多い音声でモデルが崩れているのであり、この道具の正直な限界です。1948 年の演説録音で測ったところ、小さいモデルは同じ一音だけを繰り返しました。同じモデルが綺麗な現代の音声では正確でした — **録音の品質の問題であって、言語の問題ではありません。**音が小さい、反響がある、話の上に音楽が乗っている場合はこうなります。
どちらのモデルを選べばよいですか
小さいほうから試してください。綺麗な 16 秒の韓国語音声で 40 語ほどのうち 2 件を間違え、精密なほうは 1 件でした。公開する長い録音なら大きいほうが値打ちがあり、ざっと書き起こす用途ならそうではありません。精密なモデルはグラフィックカードでも**始まる前に 20 秒ほど暖機**が要ることも覚えておいてください。
SRT と VTT は何が違いますか
SRT は多くの編集ソフトや再生機が期待する形式です。VTT はウェブ標準で、HTML の video 要素が使います。ここでは中身は同じなので、次の工程が求めるほうを使ってください。テキストファイルには時間が一切ありません — 言葉だけ欲しいときに使います。