Batchverktyg för att omvandla video och ljud till text

Transkribera video- och ljudfiler till text offline i batch och exportera med ett klick till flera undertext- och textformat: TXT, SRT, VTT, JSON, LRC och CSV.

Felrapport

Verktyget laddas, vänta...

Om onlineverktyget inte kan laddas eller köras, prova skrivbordsverktyget. https://tools.yikeaigc.com/

Verktygsanvändning

Återgå till gamla versionen

En skrivbordsversion finns med kraftfullare och stabilare funktioner. Öppna skrivbordsversion

Instruktioner

Programvarans användningsinstruktioner

Lägg till filer som ska identifieras:Klicka på knappen "Välj fil" eller "Välj mapp" för att lägga till video- eller ljudfiler som ska omvandlas till text. Du kan också dra filer eller mappar direkt till programfönstret. Stöder blandad batchimport av vanliga video- och ljudformat som MP4, MKV, MOV, AVI, FLV, WebM, MP3, WAV, FLAC, M4A med flera.
Ställ in sparmapp:Välj var bearbetade undertexter och texter ska sparas. Dra och släpp stöds för inställningen. Om "Gå igenom undermappar" är markerat kan du även markera "Behåll ursprunglig sökvägsstruktur", så att utdatafilerna motsvarar källmappens katalogstruktur.
Välj utdataformat:
- TXT:Ren text, lämpligt för att sammanställa manus och mötesanteckningar
- SRT / VTT:Undertextformat med tidsstämplar, kan användas direkt i videor
- JSON:Strukturerade data, praktiskt för vidareutveckling och programbearbetning
- LRC:Låttextformat, lämpligt för musik och ljudböcker
- CSV:Tabellformat, enkelt att redigera och korrekturläsa i Excel
Konfigurera igenkänningsparametrar:
- Modellsökväg:Som standard används Paraformer-modellen för kinesisk igenkänning, FSMN för röstaktivitetsdetektering och CT-modellen för interpunktion
- Batchlängd:Ställ in maximal ljudlängd för en enskild inferens
- VAD maximal längd per segment i millisekunder:Styr detaljnivån för uppdelning av talsegment
- Lista med heta ord:Ange egennamn, personnamn och varumärkesord för att förbättra igenkänningsnoggrannheten
- Hoppa över/skriv över-strategi:Välj om befintliga utdatafiler ska hoppas över eller skrivas över
Starta batchigenkänning:Klicka på knappen "Starta igenkänning". Programmet extraherar automatiskt ljudspår, delar upp talsegment, transkriberar via inferens och lägger till interpunktion. Under bearbetningen kan du se förloppet i loggområdet. Klicka på knappen "Stoppa" om du behöver avbryta.
Visa och använd resultaten:När igenkänningen är klar kan du öppna den inställda sparmappen och visa filerna i motsvarande format. SRT/VTT-undertexter kan dras direkt till redigeringsprogram eller spelare för användning.

Vanliga frågor

Svar: Video stöds i format som MP4, MKV, MOV, AVI, FLV, WMV, WebM, M4V, MPG, TS, 3GP, RMVB med flera. Ljud stöds i format som MP3, WAV, FLAC, AAC, OGG, M4A, WMA, OPUS, AC3, AMR, APE med flera. Video- och ljudfiler kan blandas i samma batch, och programmet identifierar dem automatiskt och extraherar ljudspåret.

Svar: Programmet använder lokal offlineigenkänning och kräver ingen internetanslutning under hela processen. Modellfilerna finns i mappen models i programmets rotkatalog. Baserat på FunASR:s Paraformer-modell för kinesiska ger det hög noggrannhet för mandarin, och med en lista med heta ord kan igenkänningen av egennamn, personnamn och termer förbättras ytterligare.

Svar: TXT passar för att sammanställa manus och skrivmaterial; SRT och VTT är vanliga undertextformat som kan kopplas till video- och webbspelare; JSON innehåller fullständiga tidsstämplar och segmentinformation, vilket underlättar vidareutveckling; LRC passar för musik och ljudböcker; CSV gör det enkelt att korrekturläsa och redigera efter tidsintervall i Excel. Du kan välja flera format och exportera dem samtidigt.

Svar: Ange egennamn som lätt känns igen fel i inmatningsfältet för nyckelord, till exempel personnamn, företagsnamn, produktnamn och tekniska termer. Separera flera ord med mellanslag eller radbrytning. Igenkänningsmotorn prioriterar matchning av dessa ord, vilket ger tydligare effekt för innehåll inom nischade branscher, talat innehåll för sociala medier, företagsutbildning och liknande scenarier.

Svar: Det här alternativet blir tillgängligt efter att du har markerat ”gå igenom undermappar”. När det är aktiverat skapas motsvarande undermappar för utdatafilerna enligt katalogstrukturen i källmappen, vilket gör det enklare att arkivera och hantera stora mängder material. Om dubbla filnamn förekommer läggs automatiskt en siffra till efter filnamnet för att skilja dem åt.

Svar: Programvaran har inbyggd VAD-detektering av röstaktivitet, som först delar upp långt ljud automatiskt efter tysta partier och sedan skickar segmenten till igenkänningsmodellen enligt parametern ”batchbearbetningstid”. I teorin kan även flera timmar långa videor bearbetas i sin helhet. Igenkänningshastigheten beror på datorns CPU-prestanda. Vi rekommenderar att du stänger andra resurskrävande program när du bearbetar stora mängder material.

Svar: Standardmodellen är kinesiska Paraformer, som har bra stöd för mandarin och blandat kinesiskt-engelskt innehåll. Igenkänningen av dialekter som kantonesiska, sichuanesiska och minnan är däremot relativt begränsad. Om materialet huvudsakligen består av dialekt rekommenderas att du först justerar uttalet eller väljer en bättre anpassad modell för att ersätta standardsökvägen.

Svar: Programvaran aktiverar som standard skiljeteckensmodellen CT-Punc, som automatiskt lägger till kommatecken, punkter, frågetecken och andra skiljetecken i igenkänningsresultaten. Om inga skiljetecken visas, kontrollera att sökvägen till skiljeteckensmodellen i parametrarna korrekt pekar på katalogen ct-punc under mappen models och att modellfilerna är kompletta.