Narzędzie do masowej konwersji wideo i audio na tekst

Wsadowo rozpoznawaj offline pliki wideo i audio jako tekst i jednym kliknięciem eksportuj do wielu formatów napisów i tekstu: TXT, SRT, VTT, JSON, LRC, CSV.

Zgłoszenie błędu

Ładowanie narzędzia, czekaj...

Jeśli narzędzie online nie ładuje się lub nie działa, wypróbuj narzędzie desktopowe. https://tools.yikeaigc.com/

Użycie narzędzia

Wróć do starej wersji

Dostępna jest wersja desktopowa z mocniejszymi i stabilniejszymi funkcjami. Otwórz wersję desktopową

Instrukcje

Instrukcja obsługi oprogramowania

Dodaj pliki do rozpoznania: kliknij przycisk „Wybierz plik” lub „Wybierz folder”, aby dodać pliki wideo lub audio do konwersji na tekst. Możesz też przeciągnąć pliki lub foldery bezpośrednio do okna programu. Obsługiwane jest zbiorcze dodawanie popularnych formatów audio i wideo, takich jak MP4, MKV, MOV, AVI, FLV, WebM, MP3, WAV, FLAC, M4A.
Ustaw katalog zapisu: wybierz miejsce zapisu przetworzonych napisów i tekstów; obsługiwane jest także ustawianie przez przeciąganie. Jeśli zaznaczysz „Przeszukuj podkatalogi”, możesz dodatkowo zaznaczyć „Zachowaj oryginalną strukturę ścieżek”, a pliki wyjściowe będą odpowiadać strukturze katalogów folderu źródłowego.
Wybierz format wyjściowy:
- TXT: zwykły tekst, odpowiedni do opracowywania dokumentów i protokołów spotkań
- SRT / VTT: format napisów ze znacznikami czasu, który można bezpośrednio podłączyć do wideo
- JSON: dane strukturalne, wygodne do dalszego programowania i przetwarzania
- LRC: format tekstów piosenek, odpowiedni do muzyki i audiobooków
- CSV: format tabelaryczny, ułatwiający edycję i korektę w Excelu
Skonfiguruj parametry rozpoznawania:
- Ścieżka modelu: domyślnie używany jest chiński model rozpoznawania Paraformer, wykrywanie aktywności mowy FSMN oraz model interpunkcji CT
- Czas przetwarzania wsadowego: ustaw maksymalną długość audio dla pojedynczego wnioskowania
- Maksymalna długość pojedynczego segmentu VAD w milisekundach: kontroluje szczegółowość podziału segmentów mowy
- Lista słów kluczowych: wpisz nazwy własne, imiona i nazwiska oraz nazwy marek, aby zwiększyć dokładność rozpoznawania
- Strategia pomijania/nadpisywania: wybierz pomijanie lub nadpisywanie istniejących plików wyjściowych
Rozpocznij rozpoznawanie wsadowe: kliknij przycisk „Rozpocznij rozpoznawanie”, a program automatycznie wyodrębni ścieżkę audio, podzieli mowę na segmenty, wykona transkrypcję i doda interpunkcję. Podczas przetwarzania możesz śledzić postęp w obszarze dziennika; aby przerwać, kliknij przycisk „Zatrzymaj”.
Wyświetl i użyj wyników: po zakończeniu rozpoznawania przejdź do ustawionego katalogu zapisu, aby wyświetlić pliki w odpowiednim formacie. Napisy SRT/VTT można bezpośrednio przeciągnąć do programu do montażu lub odtwarzacza.

Często zadawane pytania

Odpowiedź: Wideo: MP4, MKV, MOV, AVI, FLV, WMV, WebM, M4V, MPG, TS, 3GP, RMVB itp.; audio: MP3, WAV, FLAC, AAC, OGG, M4A, WMA, OPUS, AC3, AMR, APE itp. W tej samej partii można dodawać jednocześnie pliki wideo i audio, a program automatycznie je rozpozna i wyodrębni ścieżkę dźwiękową.

Odpowiedź: Program korzysta z lokalnego rozpoznawania offline i nie wymaga połączenia z internetem przez cały proces. Pliki modeli znajdują się w folderze models w katalogu głównym programu. Oparty na FunASR chiński model Paraformer zapewnia wysoką dokładność rozpoznawania mandaryńskiego, a lista słów kluczowych może dodatkowo poprawić rozpoznawanie nazw własnych, imion i nazwisk oraz terminów.

Odp.: TXT nadaje się do porządkowania tekstów i materiałów do pisania; SRT i VTT to uniwersalne formaty napisów, które można dołączać do filmów i odtwarzaczy internetowych; JSON zawiera pełne znaczniki czasu i informacje o segmentach, co ułatwia dalsze prace programistyczne; LRC sprawdza się przy muzyce i audiobookach; CSV ułatwia korektę i edycję według przedziałów czasowych w Excelu. Można zaznaczyć kilka formatów i wyeksportować je jednocześnie.

Odp.: W polu słów kluczowych wpisz nazwy własne, które łatwo mogą zostać błędnie rozpoznane, np. imiona i nazwiska, nazwy firm, nazwy produktów, terminy techniczne itp. Wiele słów oddziel spacją lub nowym wierszem. Silnik rozpoznawania będzie priorytetowo dopasowywać te słowa, co daje wyraźne efekty w treściach branżowych, nagraniach mówionych twórców internetowych, szkoleniach firmowych i podobnych scenariuszach.

Odp.: Ta opcja jest dostępna po zaznaczeniu „Przeszukuj podkatalogi”. Po jej włączeniu pliki wyjściowe będą tworzyć odpowiednie podkatalogi zgodnie ze strukturą katalogów w folderze źródłowym, co ułatwia archiwizację i zarządzanie dużą liczbą materiałów. W przypadku powtarzających się nazw plików do nazwy zostanie automatycznie dodany numer w celu rozróżnienia.

Odp.: Oprogramowanie ma wbudowane wykrywanie aktywności głosowej VAD, które najpierw automatycznie dzieli długie audio według fragmentów ciszy, a następnie przekazuje segmenty do modelu rozpoznawania zgodnie z parametrem „czas przetwarzania wsadowego”. Teoretycznie umożliwia to pełne przetwarzanie nawet kilkugodzinnych filmów. Szybkość rozpoznawania zależy od wydajności CPU komputera; podczas przetwarzania dużej liczby materiałów zaleca się zamknięcie innych programów o wysokim zużyciu zasobów.

Odp.: Domyślnym modelem jest chiński Paraformer, który dobrze obsługuje mandaryński oraz treści mieszane chińsko-angielskie; rozpoznawanie dialektów, takich jak kantoński, syczuański czy minnański, jest stosunkowo przeciętne. Jeśli materiał opiera się głównie na dialekcie, zaleca się najpierw dostosować sposób wymowy lub wybrać lepiej dopasowany model i zastąpić domyślną ścieżkę.

Odp.: Oprogramowanie domyślnie włącza model interpunkcji CT-Punc, który automatycznie dodaje do wyników rozpoznawania przecinki, kropki, znaki zapytania i inne znaki interpunkcyjne. Jeśli zauważysz brak interpunkcji, sprawdź, czy ścieżka modelu interpunkcji w parametrach poprawnie wskazuje katalog ct-punc w folderze models, oraz upewnij się, że pliki modelu są kompletne.