ข้ามไปยังเนื้อหา

ถอดเสียงและวิดีโอเป็นข้อความ

แปลงเสียงพูดในไฟล์เสียงและวิดีโอ หรือเสียงที่เพิ่งอัดจากไมโครโฟน ให้เป็นข้อความที่ค้นหาได้ พร้อมเวลาของแต่ละคำ ด้วยโมเดล Whisper ที่ทำงานบนอุปกรณ์ของคุณเอง

วางไฟล์เสียงหรือวิดีโอMP3, WAV, M4A, MP4, MOV, WebM… · ฟรีสูงสุด 10 นาที
เลือกไฟล์ประมวลผลบนอุปกรณ์ของคุณ ไม่ถูกอัปโหลด
ทำงานในเบราว์เซอร์ของคุณ · ไม่ต้องอัปโหลดวิธีการทำงาน

วิธีใช้งาน ถอดเสียงเป็นข้อความ

  1. 1

    เพิ่มไฟล์บันทึกเสียง

    วางไฟล์ MP3, M4A, WAV, MP4 หรือ MOV หรือสลับไปที่บันทึกเสียงแล้วพูดใส่ไมโครโฟน

  2. 2

    เริ่มถอดเสียง

    Base เหมาะกับการบันทึกเสียงส่วนใหญ่ ส่วน Small รับมือสำเนียงและเสียงรบกวนได้ดีกว่า ปล่อยภาษาเป็นตรวจจับอัตโนมัติหรือกำหนดเองก็ได้

  3. 3

    อ่าน เล่น และค้นหา

    ดูคำที่ไฮไลต์ระหว่างเล่น คลิกคำเพื่อข้ามไปตรงนั้น และค้นหาชื่อหรือหัวข้อ

  4. 4

    บันทึกผลลัพธ์

    คัดลอกข้อความ หรือดาวน์โหลด TXT, DOCX, SRT, VTT หรือ JSON ที่มีเวลาของแต่ละคำ

ข้อจำกัดและ Pro

ได้สูงสุด 10 นาทีต่อไฟล์หรือต่อการบันทึก (ไฟล์ที่ยาวกว่านั้นจะถอดเสียงเฉพาะ 10 นาทีแรก) ไฟล์ขนาดไม่เกิน 500 MB โมเดลเสียงดาวน์โหลดครั้งเดียว: 43 MB (Tiny), 80 MB (Base) หรือ 252 MB (Small)

สูงสุด 600 นาทีต่อไฟล์ และไฟล์ขนาดไม่เกิน 4 GB ดู Pro

เกี่ยวกับ ถอดเสียงเป็นข้อความ

ถอดเสียงเป็นเครื่องมือแปลงเสียงพูดเป็นข้อความสำหรับการสัมภาษณ์ การบรรยาย การประชุม พอดแคสต์ เทศนา และบันทึกเสียงส่วนตัว เลือกไฟล์บันทึกเสียงหรืออัดเสียงผ่านไมโครโฟน แล้วโมเดล Whisper แบบโอเพนซอร์สจะเขียนสิ่งที่พูดออกมาพร้อมเครื่องหมายวรรคตอนและตัวพิมพ์ใหญ่ รองรับ 99 ภาษา ไฟล์ที่ยาวจะถูกประมวลผลทีละช่วง 30 วินาที ข้อความจึงปรากฏขึ้นระหว่างที่ส่วนที่เหลือยังประมวลผลอยู่ และคำที่ถูกตัดตรงรอยต่อของช่วงจะถูกอ่านซ้ำจากช่วงถัดไปแทนที่จะหายไป

ผลลัพธ์แสดงในรูปแบบที่อ่านง่าย ไม่ใช่ข้อความก้อนใหญ่ ประโยคจะถูกจัดเป็นย่อหน้าตามจังหวะที่ผู้พูดหยุด แต่ละย่อหน้าแสดงเวลาเริ่มได้ และทุกคำมีเวลากำกับของตัวเอง เมื่อกดเล่น คำที่กำลังพูดจะถูกไฮไลต์ และคลิกคำใดก็ได้เพื่อฟังตรงจุดนั้น การค้นหาจะพบวลีทั่วทั้งข้อความถอดเสียงและข้ามไปทีละรายการที่ตรงกัน

มีตัวเลือกดาวน์โหลดสำหรับขั้นตอนต่อไปที่พบบ่อย ได้แก่ ข้อความธรรมดา (มีหรือไม่มีเวลากำกับ) สำหรับจดบันทึก เอกสาร Word สำหรับแก้ไขและแชร์ SRT หรือ VTT หากจะเผยแพร่เป็นวิดีโอ และ JSON ที่มีเวลาเริ่มและสิ้นสุดของแต่ละคำสำหรับนักพัฒนา ข้อความถอดเสียงไม่ระบุว่าใครเป็นผู้พูด และไม่ใช่เครื่องมือสร้างคำบรรยายสด เพราะต้องบันทึกเสียงก่อนแล้วจึงถอดเสียง

ความเป็นส่วนตัว

การบันทึกเสียงอยู่บนคอมพิวเตอร์หรือโทรศัพท์ของคุณเท่านั้น ไฟล์ถูกเปิดในเครื่อง เสียงจากไมโครโฟนถูกบันทึกลงหน่วยความจำของหน้านี้ และ Whisper ทำงานในเวิร์กเกอร์เบื้องหลังโดยไม่ส่งเสียงไปที่ใด เมื่อปิดแท็บ ไฟล์บันทึกเสียงและข้อความถอดเสียงจะหายไป มีเพียงโมเดลเสียงที่ดึงจาก Hugging Face ครั้งเดียวและเก็บไว้ในแคชของเบราว์เซอร์

คุณสมบัติ

ไม่มีอะไรถูกอัปโหลด

การถอดรหัสและการรู้จำเสียงเกิดขึ้นในแท็บเบราว์เซอร์นี้ การโทรและการสัมภาษณ์ที่เป็นความลับจึงอยู่กับคุณ

99 ภาษา

ตรวจจับภาษาอัตโนมัติ และแปลจากภาษาที่รองรับเป็นภาษาอังกฤษได้

เวลากำกับระดับคำ

ทุกคำมีเวลากำกับ จึงคลิกเพื่อเล่นและดูไฮไลต์ตามเสียงได้

บันทึกจากไมโครโฟน

อัดบันทึกเสียง การสัมภาษณ์ หรือการบอกให้พิมพ์ แล้วถอดเสียงได้ทันที

TXT, Word, SRT, VTT, JSON

ส่งออกรูปแบบที่ต้องการ ทั้งเอกสาร คำบรรยาย หรือข้อมูลโครงสร้างสำหรับเครื่องมือของคุณเอง

ค้นหาในข้อความถอดเสียง

ค้นหาทุกจุดที่กล่าวถึงชื่อหรือวลี และข้ามไปมาระหว่างรายการที่ตรงกัน

ถอดเสียงเป็นข้อความ: คำถามที่พบบ่อย

การถอดเสียงด้วย Whisper แม่นยำเพียงใด?
กับเสียงที่ชัดเจนของคนคนเดียวที่พูดภาษาอังกฤษ Whisper Base มักถูกต้องมากกว่า 90% ของคำ และใส่เครื่องหมายวรรคตอนได้เหมาะสม เสียงดนตรี การพูดแทรกกัน เสียงจากสายโทรศัพท์ และสำเนียงที่หนักจะทำให้แม่นยำลดลง โมเดล Small แม่นยำที่สุดในที่นี้ แต่ต้องดาวน์โหลดไฟล์ใหญ่กว่าและใช้เวลาประมวลผลนานกว่าหลายเท่า
ข้อความถอดเสียงบอกหรือไม่ว่าใครพูดอะไร?
ไม่บอก การระบุตัวผู้พูด (diarization) ต้องใช้โมเดลแยกต่างหากซึ่งไม่ได้รวมไว้ ข้อความถอดเสียงจึงเป็นข้อความต่อเนื่องที่แบ่งเป็นย่อหน้าตามจังหวะที่หยุดพูด สำหรับการสัมภาษณ์สองคน การขึ้นย่อหน้าใหม่มักตรงกับจุดที่เปลี่ยนผู้พูด และคุณเพิ่มชื่อได้ในไฟล์ Word ที่ส่งออก
ถอดเสียงบันทึกเสียงจากไมโครโฟนโดยตรงได้หรือไม่?
ได้ เลือกบันทึกเสียง อนุญาตการเข้าถึงไมโครโฟน แล้วกดปุ่มสีแดง ระหว่างบันทึกสามารถหยุดชั่วคราวและกดต่อได้ เมื่อกดหยุด ไฟล์บันทึกเสียงจะปรากฏให้ถอดเสียงและเล่นย้อนฟังได้ ไฟล์นี้มีอยู่ในแท็บนี้เท่านั้น จึงควรดาวน์โหลดข้อความถอดเสียงก่อนปิดหน้า
การส่งออก JSON มีข้อมูลอะไรบ้าง?
มีภาษาที่ตรวจพบ ระยะเวลา โมเดลที่ใช้ ข้อความทั้งหมด และรายการช่วงข้อความพร้อมเวลาเริ่มและสิ้นสุดเป็นวินาที แต่ละช่วงมีคำของตัวเองพร้อมเวลาเริ่มและสิ้นสุดของแต่ละคำ ซึ่งมีประโยชน์ในการสร้างระบบค้นหา ตัดคลิป หรือทำคำบรรยายแบบคาราโอเกะในซอฟต์แวร์ของคุณเอง
ถอดเสียงความยาวหนึ่งชั่วโมงใช้เวลานานเท่าไร?
ขึ้นอยู่กับอุปกรณ์ หากใช้ WebGPU บนแล็ปท็อปรุ่นใหม่ โมเดล Base ประมวลผลหนึ่งชั่วโมงได้ในราว 10 ถึง 20 นาที ถ้าใช้ CPU อย่างเดียว คาดว่าจะใช้เวลาใกล้เคียงกับความยาวของเสียงหรือนานกว่า การถอดเสียงที่ยาวเกิน 10 นาทีต้องใช้ Pro คุณดูข้อความที่ปรากฏทีละส่วนและยกเลิกได้ทุกเมื่อ
เครื่องมือวิดีโอและเสียง ทั้งหมด