Herramienta para convertir video y audio a texto por lotes

Reconoce por lotes archivos de vídeo y audio sin conexión y conviértelos en texto; exporta con un clic en múltiples formatos de subtítulos y texto: TXT, SRT, VTT, JSON, LRC y CSV.

Informe de error

Cargando herramienta, espera...

Si la herramienta en línea no carga o no se ejecuta, prueba la herramienta de escritorio. https://tools.yikeaigc.com/

Uso de herramientas

Volver a la versión anterior

Hay una versión de escritorio con funciones más potentes y estables. Abrir versión de escritorio

Instrucciones

Instrucciones de uso del software

Añadir archivos para reconocer: haz clic en el botón "Seleccionar archivo" o "Seleccionar carpeta" para añadir los archivos de vídeo o audio que necesitas convertir a texto. También puedes arrastrar directamente archivos o carpetas a la ventana del software. Admite la adición mixta por lotes de formatos comunes de vídeo y audio como MP4, MKV, MOV, AVI, FLV, WebM, MP3, WAV, FLAC, M4A, entre otros.
Configurar el directorio de guardado: selecciona la ubicación donde se guardarán los subtítulos y textos procesados; también se puede configurar arrastrando y soltando. Si marcas "Recorrer subdirectorios", puedes marcar también "Mantener la estructura de rutas original"; los archivos de salida corresponderán uno a uno con la estructura de directorios de la carpeta de origen.
Seleccionar el formato de salida:
- TXT: texto sin formato, adecuado para organizar documentos y actas de reuniones
- SRT / VTT: formatos de subtítulos con marcas de tiempo, que pueden cargarse directamente en vídeos
- JSON: datos estructurados, convenientes para desarrollo secundario y procesamiento mediante programas
- LRC: formato de letras, adecuado para música y audiolibros
- CSV: formato de tabla, práctico para editar y revisar en Excel
Configurar los parámetros de reconocimiento:
- Ruta del modelo: por defecto se usa el modelo de reconocimiento de chino Paraformer, la detección de actividad de voz FSMN y el modelo de puntuación CT
- Duración del procesamiento por lotes: establece la duración máxima de audio para una inferencia individual
- Máximo de milisegundos por segmento VAD: controla la granularidad de la segmentación de los fragmentos de voz
- Lista de palabras clave: introduce nombres propios, nombres de personas y términos de marca para mejorar la precisión del reconocimiento
- Estrategia de omitir/sobrescribir: elige omitir o sobrescribir los archivos de salida ya existentes
Iniciar el reconocimiento por lotes: haz clic en el botón "Iniciar reconocimiento"; el software extraerá automáticamente la pista de audio, segmentará los fragmentos de voz, realizará la inferencia y transcripción, y añadirá la puntuación. Durante el procesamiento, puedes ver el progreso en el área de registro; si necesitas detenerlo, haz clic en el botón "Detener".
Ver y usar los resultados: una vez finalizado el reconocimiento, ve al directorio de guardado configurado para ver los archivos en el formato correspondiente. Los subtítulos SRT/VTT pueden arrastrarse directamente a un software de edición o reproductor para su uso.

Preguntas frecuentes

R: En vídeo admite MP4, MKV, MOV, AVI, FLV, WMV, WebM, M4V, MPG, TS, 3GP, RMVB, entre otros; en audio admite MP3, WAV, FLAC, AAC, OGG, M4A, WMA, OPUS, AC3, AMR, APE, entre otros. Puedes añadir archivos de vídeo y audio mezclados en el mismo lote; el software los reconocerá automáticamente y extraerá la pista de audio.

R: El software utiliza reconocimiento local sin conexión, por lo que no requiere Internet durante todo el proceso. Los archivos del modelo se encuentran en la carpeta models del directorio raíz del programa. Basado en el modelo de chino Paraformer de FunASR, ofrece una alta precisión en el reconocimiento de mandarín y, junto con la lista de palabras clave, puede mejorar aún más el reconocimiento de nombres propios, nombres de personas y términos.

R: TXT es adecuado para organizar manuscritos y material de escritura; SRT y VTT son formatos de subtítulos comunes que se pueden añadir a vídeos y reproductores web; JSON contiene marcas de tiempo completas e información de segmentos, lo que facilita el desarrollo secundario; LRC es adecuado para música y audiolibros; CSV facilita la revisión y edición por intervalos de tiempo en Excel. Puedes seleccionar varios formatos para exportarlos al mismo tiempo.

R: Introduce en el campo de palabras clave los nombres propios que suelen reconocerse incorrectamente, como nombres de personas, empresas, productos, términos técnicos, etc.; separa varias palabras con espacios o saltos de línea. El motor de reconocimiento dará prioridad a estas palabras, con resultados especialmente notables en contenidos de sectores especializados, locuciones para medios propios, formación empresarial y otros escenarios.

R: Esta opción está disponible después de seleccionar "recorrer subdirectorios". Al activarla, los archivos de salida generarán subdirectorios correspondientes según la estructura jerárquica de carpetas dentro de la carpeta de origen, lo que facilita el archivo y la gestión de grandes volúmenes de material. Si hay nombres de archivo duplicados, se añadirá automáticamente un número al final del nombre para diferenciarlos.

R: El software incorpora detección de actividad de voz VAD, que primero divide automáticamente el audio largo según los tramos de silencio y luego lo envía al modelo de reconocimiento por segmentos según el parámetro "duración de procesamiento por lotes"; en teoría, también puede procesar por completo vídeos largos de varias horas. La velocidad de reconocimiento depende del rendimiento de la CPU del ordenador; se recomienda cerrar otros programas de alto consumo al procesar grandes volúmenes de material.

Respuesta: El modelo predeterminado es Paraformer en chino, con buen soporte para mandarín y contenido mixto en chino e inglés; el reconocimiento de dialectos como cantonés, sichuanés o min nan es relativamente limitado. Si el material está principalmente en dialecto, se recomienda ajustar primero los hábitos de pronunciación o elegir un modelo más adecuado para reemplazar la ruta predeterminada.

Respuesta: El software activa de forma predeterminada el modelo de puntuación CT-Punc, que añade automáticamente comas, puntos, signos de interrogación y otros signos de puntuación a los resultados del reconocimiento. Si no aparecen signos de puntuación, comprueba si la ruta del modelo de puntuación en los parámetros apunta correctamente al directorio ct-punc dentro de la carpeta models y asegúrate de que los archivos del modelo estén completos.