Пакетный конвертер видео и аудио в текст

Пакетно офлайн распознавайте видео- и аудиофайлы в текст и одним кликом экспортируйте в различные форматы субтитров и текста: TXT, SRT, VTT, JSON, LRC, CSV.

Сообщить об ошибке

Загрузка инструмента, подождите...

Если онлайн-инструмент не загружается или не запускается, попробуйте настольный инструмент. https://tools.yikeaigc.com/

Использование инструмента

Вернуться к старой версии

Доступна настольная версия с более мощными и стабильными функциями. Открыть десктопную версию

Инструкции

Инструкция по использованию программы

Добавление файлов для распознавания: нажмите кнопку "Выбрать файл" или "Выбрать папку", чтобы добавить видео- или аудиофайлы, которые нужно преобразовать в текст. Также можно просто перетащить файлы или папки в окно программы. Поддерживается пакетное смешанное добавление распространённых видео- и аудиоформатов, таких как MP4, MKV, MOV, AVI, FLV, WebM, MP3, WAV, FLAC, M4A и др.
Настройка папки сохранения: выберите место сохранения обработанных субтитров и текста; поддерживается настройка перетаскиванием. Если отмечен пункт "Обходить подкаталоги", можно дополнительно отметить "Сохранять исходную структуру путей", и выходные файлы будут соответствовать структуре каталогов исходной папки.
Выбор формата вывода:
- TXT: обычный текст, подходит для подготовки рукописей и протоколов совещаний
- SRT / VTT: формат субтитров с временными метками, можно напрямую подключать к видео
- JSON: структурированные данные, удобные для дальнейшей разработки и программной обработки
- LRC: формат текстов песен, подходит для музыки и аудиокниг
- CSV: табличный формат, удобный для редактирования и вычитки в Excel
Настройка параметров распознавания:
- Путь к модели: по умолчанию используются китайская модель распознавания Paraformer, обнаружение речевой активности FSMN и модель пунктуации CT
- Длительность пакетной обработки: задаёт максимальную длительность аудио для одного запуска инференса
- Максимум миллисекунд для одного сегмента VAD: управляет детализацией разбиения речевых сегментов
- Список горячих слов: добавьте специальные термины, имена людей и названия брендов, чтобы повысить точность распознавания
- Стратегия пропуска/перезаписи: выберите пропуск или перезапись для уже существующих выходных файлов
Запуск пакетного распознавания: нажмите кнопку "Начать распознавание", и программа автоматически извлечёт аудиодорожку, разделит речь на сегменты, выполнит распознавание и транскрибацию, а также добавит пунктуацию. Во время обработки прогресс можно просматривать в области журнала; при необходимости нажмите кнопку "Остановить", чтобы прервать процесс.
Просмотр и использование результатов: после завершения распознавания откройте заданную папку сохранения и просмотрите файлы соответствующих форматов. Субтитры SRT/VTT можно напрямую перетащить в программу для монтажа или медиаплеер.

Частые вопросы

Ответ: для видео поддерживаются MP4, MKV, MOV, AVI, FLV, WMV, WebM, M4V, MPG, TS, 3GP, RMVB и др.; для аудио — MP3, WAV, FLAC, AAC, OGG, M4A, WMA, OPUS, AC3, AMR, APE и др. Видео- и аудиофайлы можно добавлять вместе в одном пакете, программа автоматически распознает их и извлечёт аудиодорожки.

Ответ: программа использует локальное офлайн-распознавание и не требует подключения к интернету на всём протяжении работы; файлы моделей находятся в папке models в корневом каталоге программы. Китайская модель Paraformer на базе FunASR обеспечивает высокую точность распознавания путунхуа, а список горячих слов позволяет дополнительно улучшить распознавание специальных терминов, имён людей и профессиональной лексики.

Ответ: TXT подходит для подготовки текстов и материалов для написания; SRT и VTT — универсальные форматы субтитров, которые можно подключать к видео и веб-плеерам; JSON содержит полные временные метки и информацию о фрагментах, что удобно для дальнейшей разработки; LRC подходит для музыки и аудиокниг; CSV удобно использовать в Excel для проверки и редактирования по временным отрезкам. Можно выбрать несколько форматов и экспортировать их одновременно.

Ответ: В поле ввода горячих слов укажите имена собственные, которые легко распознаются неправильно, например имена людей, названия компаний, продуктов, технические термины и т. д.; несколько слов разделяйте пробелами или переносами строк. Механизм распознавания будет в первую очередь сопоставлять эти слова, что особенно заметно улучшает результат для контента в узких отраслях, озвучки для соцмедиа, корпоративного обучения и других сценариев.

Ответ: Этот параметр доступен после выбора «Обходить подкаталоги». После включения выходные файлы будут создаваться в соответствующих подкаталогах согласно структуре каталогов внутри исходной папки, что удобно для архивирования и управления большими объемами материалов. При совпадении имен файлов к имени автоматически будет добавляться число для различения.

Ответ: В программу встроено обнаружение голосовой активности VAD: длинное аудио сначала автоматически разделяется по участкам тишины, затем по параметру «длительность пакетной обработки» фрагментами передается в модель распознавания. Теоретически даже видео длительностью несколько часов можно обработать полностью. Скорость распознавания зависит от производительности CPU компьютера; при обработке больших объемов материалов рекомендуется закрывать другие ресурсоемкие программы.

Ответ: модель по умолчанию — Chinese Paraformer; она хорошо поддерживает путунхуа и смешанный китайско-английский контент. Для кантонского, сычуаньского, миньнаньского и других диалектов качество распознавания обычно ниже. Если материал в основном на диалекте, рекомендуется сначала скорректировать произношение или выбрать более подходящую модель, заменив путь по умолчанию.

Ответ: по умолчанию в программе включена модель пунктуации CT-Punc, которая автоматически добавляет к результатам распознавания запятые, точки, вопросительные знаки и другие знаки препинания. Если знаки препинания отсутствуют, проверьте, правильно ли путь к модели пунктуации в параметрах указывает на каталог ct-punc в папке models, и убедитесь, что файлы модели не повреждены.