Batch-Tool zur Umwandlung von Video und Audio in Text

Video- und Audiodateien offline stapelweise in Text umwandeln und mit einem Klick in verschiedene Untertitel- und Textformate wie TXT, SRT, VTT, JSON, LRC und CSV exportieren.

Fehler melden

Tool wird geladen, bitte warten...

Wenn das Online-Tool nicht lädt oder läuft, versuchen Sie das Desktop-Tool. https://tools.yikeaigc.com/

Tool-Nutzung

Zur alten Version zurückkehren

Eine Desktop-Version mit leistungsstärkeren und stabileren Funktionen ist verfügbar. Desktop-Version öffnen

Anleitung

Software-Nutzungsanleitung

Zu erkennende Dateien hinzufügen:Klicken Sie auf die Schaltfläche „Datei auswählen“ oder „Ordner auswählen“, um Video- oder Audiodateien hinzuzufügen, die in Text umgewandelt werden sollen. Sie können Dateien oder Ordner auch direkt in das Softwarefenster ziehen. Unterstützt das gemischte Hinzufügen gängiger Audio- und Videoformate wie MP4, MKV, MOV, AVI, FLV, WebM, MP3, WAV, FLAC, M4A usw. im Batch.
Speicherverzeichnis festlegen:Wählen Sie den Speicherort für die verarbeiteten Untertitel und Texte; Drag-and-drop wird unterstützt. Wenn „Unterverzeichnisse durchsuchen“ aktiviert ist, kann zusätzlich „Ursprüngliche Pfadstruktur beibehalten“ ausgewählt werden. Die Ausgabedateien entsprechen dann eins zu eins der Verzeichnisstruktur des Quellordners.
Ausgabeformat auswählen:
- TXT:Reiner Text, geeignet zum Erstellen von Manuskripten und Besprechungsprotokollen
- SRT / VTT:Untertitelformate mit Zeitstempeln, die direkt in Videos eingebunden werden können
- JSON:Strukturierte Daten, praktisch für Weiterentwicklung und programmgesteuerte Verarbeitung
- LRC:Liedtextformat, geeignet für Musik und Hörbücher
- CSV:Tabellenformat, praktisch zum Bearbeiten und Korrekturlesen in Excel
Erkennungsparameter konfigurieren:
- Modellpfad:Standardmäßig werden das chinesische Paraformer-Erkennungsmodell, die FSMN-Sprachaktivitätserkennung und das CT-Interpunktionsmodell verwendet
- Batch-Verarbeitungsdauer:Legt die maximale Audiodauer für eine einzelne Inferenz fest
- Maximale VAD-Einzelabschnittsdauer in Millisekunden:Steuert die Granularität der Segmentierung von Sprachabschnitten
- Hotword-Liste:Geben Sie Eigennamen, Personennamen und Markenbegriffe ein, um die Erkennungsgenauigkeit zu erhöhen
- Überspringen-/Überschreiben-Strategie:Wählen Sie für bereits vorhandene Ausgabedateien aus, ob sie übersprungen oder überschrieben werden sollen
Batch-Erkennung starten:Klicken Sie auf die Schaltfläche „Erkennung starten“. Die Software extrahiert automatisch die Audiospur, segmentiert Sprachabschnitte, transkribiert per Inferenz und fügt Satzzeichen hinzu. Während der Verarbeitung können Sie den Fortschritt im Protokollbereich anzeigen; zum Abbrechen klicken Sie auf die Schaltfläche „Stopp“.
Ergebnisse anzeigen und verwenden:Nach Abschluss der Erkennung finden Sie die Dateien im entsprechenden Format im festgelegten Speicherverzeichnis. SRT/VTT-Untertitel können direkt in Schnittsoftware oder Player gezogen und verwendet werden.

Häufige Fragen

Antwort: Video unterstützt MP4, MKV, MOV, AVI, FLV, WMV, WebM, M4V, MPG, TS, 3GP, RMVB usw.; Audio unterstützt MP3, WAV, FLAC, AAC, OGG, M4A, WMA, OPUS, AC3, AMR, APE usw. Video- und Audiodateien können im selben Batch gemischt hinzugefügt werden; die Software erkennt sie automatisch und extrahiert die Audiospur.

Antwort: Die Software verwendet lokale Offline-Erkennung und benötigt während des gesamten Vorgangs keine Internetverbindung. Die Modelldateien befinden sich im Ordner models im Stammverzeichnis des Programms. Das auf FunASR basierende chinesische Paraformer-Modell bietet eine hohe Erkennungsgenauigkeit für Hochchinesisch; mit einer Hotword-Liste lässt sich die Erkennung von Eigennamen, Personennamen und Fachbegriffen weiter verbessern.

Antwort: TXT eignet sich zum Organisieren von Manuskripten und Schreibmaterial; SRT und VTT sind gängige Untertitelformate, die in Video- und Webplayer eingebunden werden können; JSON enthält vollständige Zeitstempel- und Segmentinformationen und eignet sich für die Weiterentwicklung; LRC eignet sich für Musik und Hörbücher; CSV ist praktisch, um Inhalte in Excel nach Zeitabschnitten zu prüfen und zu bearbeiten. Es können mehrere Formate gleichzeitig für den Export ausgewählt werden.

Antwort: Tragen Sie im Hotword-Eingabefeld Eigennamen ein, die leicht falsch erkannt werden, z. B. Personennamen, Firmennamen, Produktnamen, Fachbegriffe usw. Mehrere Begriffe werden durch Leerzeichen oder Zeilenumbrüche getrennt. Die Erkennungs-Engine gleicht diese Begriffe bevorzugt ab, was besonders bei Inhalten aus Fachbranchen, gesprochenen Social-Media-Beiträgen, Unternehmensschulungen und ähnlichen Szenarien spürbare Vorteile bietet.

Antwort: Diese Option ist verfügbar, nachdem „Unterverzeichnisse durchsuchen“ aktiviert wurde. Nach dem Aktivieren werden die Ausgabedateien entsprechend der Verzeichnisstruktur im Quellordner in passenden Unterordnern erzeugt, was die Archivierung und Verwaltung großer Materialmengen erleichtert. Bei doppelten Dateinamen wird automatisch eine Zahl an den Dateinamen angehängt, um sie zu unterscheiden.

Antwort: Die Software verfügt über eine integrierte VAD-Sprachaktivitätserkennung. Lange Audiodateien werden zunächst automatisch anhand von Stillephasen aufgeteilt und anschließend gemäß dem Parameter „Batch-Verarbeitungsdauer“ segmentweise an das Erkennungsmodell übergeben. Theoretisch können auch mehrstündige Videos vollständig verarbeitet werden. Die Erkennungsgeschwindigkeit hängt von der CPU-Leistung des Computers ab. Beim Verarbeiten großer Materialmengen empfiehlt es sich, andere ressourcenintensive Programme zu schließen.

Antwort: Das Standardmodell ist das chinesische Paraformer und unterstützt Mandarin sowie gemischte chinesisch-englische Inhalte gut; bei Kantonesisch, Sichuan-Dialekt, Minnan und anderen Dialekten ist die Erkennungsleistung vergleichsweise durchschnittlich. Wenn das Material hauptsächlich aus Dialekt besteht, empfiehlt es sich, zunächst die Aussprache anzupassen oder ein besser passendes Modell auszuwählen und den Standardpfad zu ersetzen.

Antwort: Die Software aktiviert standardmäßig das CT-Punc-Zeichensetzungsmodell und fügt den Erkennungsergebnissen automatisch Satzzeichen wie Kommas, Punkte und Fragezeichen hinzu. Wenn keine Satzzeichen angezeigt werden, prüfen Sie bitte, ob der Pfad zum Zeichensetzungsmodell in den Parametern korrekt auf das Verzeichnis ct-punc im Ordner models verweist, und stellen Sie sicher, dass die Modelldateien vollständig sind.