Egin azpitituluak bideo edo grabazio batentzat
Elkarrizketa bat, eskola bat, bezero batekin izandako dei bat, produktu baten erakustaldia: azpitituluak gehien behar dituzten grabazioak dira, askotan, transkripzio-zerbitzu batera bidali behar ez liratekeenak. Hemen ahots-eredua fitxa honen barruan exekutatzen da; beraz, fitxategia ez da inoiz zure ordenagailutik ateratzen.
- Osorik zure nabigatzailean
- Konexiorik gabe ere badabil
- Ezer igo gabe
- Izena eman gabe
- Ur-markarik gabe
Tresna kargatzen…
Nola dabilen
- Arrastatu bideoa edo audio-fitxategia. Utzi hizkuntza automatikoan, edo aukeratu zuk antzematea oker badabil.
- Sakatu «Sortu azpitituluak». Lehen aldian ahots-eredua deskargatzen da, behin bakarrik (240 edo 540 MB, ordenagailuaren arabera); gero grabazioa zatika transkribatzen da.
- Zuzendu testua eta denborak bideoak erakusten dizkizun bitartean, eta deskargatu .srt edo .vtt fitxategia, edo sortu azpitituluak grabatuta dituen MP4 bat.
Zergatik ez den ezer igotzen
Orri honek egiten duen guztia zure nabigatzailearen fitxa barruan dabilen kodeak egiten du, web-orriak marrazten dituen motor berarekin. Fitxategia diskotik fitxaren memoriara irakurtzen da, hor eraldatzen da, eta deskarga gisa idazten da berriro. Ez da inora bidaltzen: ez guregana, ez beste inorengana.
Egiaztatu zeuk
- Ireki nabigatzailearen garatzaile-tresnak (F12) eta hautatu sarearen fitxa («Network»).
- Kargatu zure fitxategia eta abiarazi tresna.
- Ikusiko dituzun eskaera bakarrak tresnaren beraren kodea ekartzen dutenak dira —eta, tresna astun gutxi batzuetan, haien kode irekiko motorra (hori ere gune honetatik) edo AA eredu bat Hugging Face-tik—, eta loreatec.jp helbidera doan bisita-abisu txiki bat (orriaren helbidea eta izenburua, besterik ez). Bat bakarrak ere ez darama zure fitxategia.
Ohiko galderak
Zenbaterainoko zehaztasuna du?
Ahots argiarekin eta aldi berean pertsona bakarra hizketan ari dela, hitz gehienak ondo ateratzen dira, baina hartu emaitza zirriborro gisa. Zehaztasuna jaitsi egiten da atzeko musikarekin, jendea aldi berean hizketan ari denean, azentu nabarmenekin, jergarekin eta mikrofono txarrekin. Berrikusi izenak, zenbakiak eta termino teknikoak, eta irakurri behin bideoarekin batera. Musikan edo isiltasunean, ereduak batzuetan inork esan ez duen esaldi bat idazten du: ezabatu. Denborak segundo-zati batean desbidera daitezke.
Zer eredu erabiltzen du, eta zergatik da hain handia deskarga?
OpenAI Whisper (MIT lizentzia), Hugging Face-n argitaratutako bertsioetan. Nabigatzaileak WebGPU eskaintzen badu, large-v3 turbo (540 MB inguru) txip grafikoan exekutatzen da eta hitz bakoitzari jartzen dio denbora. Bestela, Whisper small (240 MB inguru) prozesadorean exekutatzen da: motelagoa da, ez hain zehatza, eta esaldika jartzen ditu denborak, ez hitzka. Bietako edozein behin bakarrik deskargatzen da eta nabigatzailean gordetzen da; gune honetako IA lokalaren orriak fitxategi berak erabiltzen ditu, beraz, ez dira bi aldiz deskargatzen.
Nire grabazioa igotzen da?
Ez. Soinua deskodetu, transkribatu eta azpititulu bihurtzen da nabigatzaileko fitxa honen barruan. Deskargatzen den gauza bakarra eredua bera da, eta formatu batzuekin, gune honek zerbitzatzen duen bideo-motorra. Zuk zeuk egiazta dezakezu: eredua kargatuta dagoenean, tresnak hegaldi moduan ere funtzionatzen du.
Nola banatzen dira lerroak?
Gehienez bi lerro azpititulu bakoitzeko, 42 karaktere inguru lerroko (16 japonieraz eta txineraz), eta segundo bat eta zazpi artean pantailan. Lerroak esaldien amaieran, etenetan eta komen ondoren mozten dira, eta ez artikulu edo preposizio baten ondoren, saihestu badaiteke. Azpititulu bakoitza edita daiteke, hurrengoarekin batu edo ezabatu, eta haren denborak eskuz alda daitezke.
SRT, VTT ala bideoan grabatuta?
SRT ia leku guztietan onartzen da: YouTube, Vimeo, bideo-editoreak, VLC. VTT web-orrien formatua da (<track> elementua), baita plataforma batzuena ere. Grabatzeak testua irudiaren gainean marrazten du, azpititulu-fitxategiak onartzen ez dituzten lekuetarako; bideo osoa berriro kodetzen du nabigatzailean H.264 MP4 gisa, horrek denbora behar du, eta azpitituluak ezin dira gero desaktibatu.
Zenbat denbora behar du?
Ordenagailuaren araberakoa da. Txip grafiko integratua duen ohiko eramangarri batean, grabazioak irauten duenaren 1 eta 1,5 aldiz artean behar izan zuen; prozesadorearekin bakarrik, bi aldiz inguru. Txartel grafiko dedikatu batekin azkarragoa da. Grabazioa 30 segundoko zatika transkribatzen da, aurrerapen-barrak zein zati lantzen ari den erakusten du, eta edonoiz gelditu dezakezu.