Công cụ chuyển đổi hàng loạt video và âm thanh thành văn bản

Nhận dạng hàng loạt tệp video và âm thanh thành văn bản ngoại tuyến, xuất chỉ với một cú nhấp chuột sang nhiều định dạng phụ đề và văn bản như TXT, SRT, VTT, JSON, LRC, CSV.

Báo lỗi

Đang tải công cụ, vui lòng chờ...

Nếu công cụ trực tuyến không tải hoặc chạy được, hãy thử công cụ máy tính. https://tools.yikeaigc.com/

Mức sử dụng công cụ

Quay lại phiên bản cũ

Có phiên bản máy tính với tính năng mạnh mẽ và ổn định hơn. Mở phiên bản máy tính

Hướng dẫn

Hướng dẫn sử dụng phần mềm

Thêm tệp cần nhận dạng:Nhấp vào nút "Chọn tệp" hoặc "Chọn thư mục" để thêm tệp video hoặc âm thanh cần chuyển thành văn bản; cũng có thể kéo trực tiếp tệp hoặc thư mục vào cửa sổ phần mềm. Hỗ trợ thêm hàng loạt lẫn lộn các định dạng âm thanh/video phổ biến như MP4, MKV, MOV, AVI, FLV, WebM, MP3, WAV, FLAC, M4A.
Thiết lập thư mục lưu:Chọn vị trí lưu phụ đề và văn bản sau khi xử lý, hỗ trợ thiết lập bằng cách kéo thả. Nếu chọn "Duyệt thư mục con", có thể tiếp tục chọn "Giữ nguyên cấu trúc đường dẫn gốc", các tệp xuất ra sẽ tương ứng với cấu trúc thư mục của thư mục nguồn.
Chọn định dạng đầu ra:
- TXT:Văn bản thuần, phù hợp để整理 biên bản và ghi chú cuộc họp
- SRT / VTT:Định dạng phụ đề có dấu thời gian, có thể gắn trực tiếp vào video để sử dụng
- JSON:Dữ liệu có cấu trúc, thuận tiện cho phát triển thứ cấp và xử lý bằng chương trình
- LRC:Định dạng lời bài hát, phù hợp cho nhạc và sách nói
- CSV:Định dạng bảng, thuận tiện chỉnh sửa và hiệu đính trong Excel
Cấu hình tham số nhận dạng:
- Đường dẫn mô hình:Mặc định sử dụng mô hình nhận dạng tiếng Trung Paraformer, phát hiện hoạt động giọng nói FSMN và mô hình dấu câu CT
- Thời lượng xử lý hàng loạt:Thiết lập thời lượng âm thanh tối đa cho một lần suy luận
- Số mili giây tối đa cho một đoạn VAD:Kiểm soát độ chi tiết khi chia đoạn giọng nói
- Danh sách từ nóng:Nhập danh từ riêng, tên người, từ thương hiệu để nâng cao độ chính xác nhận dạng
- Chiến lược bỏ qua/ghi đè:Chọn bỏ qua hoặc ghi đè đối với tệp đầu ra đã tồn tại
Bắt đầu nhận dạng hàng loạt:Nhấp vào nút "Bắt đầu nhận dạng", phần mềm sẽ tự động trích xuất track âm thanh, chia đoạn giọng nói, suy luận chuyển biên và thêm dấu câu. Trong quá trình xử lý, có thể xem tiến độ tại khu vực nhật ký; khi cần dừng, nhấp vào nút "Dừng".
Xem và sử dụng kết quả:Sau khi nhận dạng hoàn tất, vào thư mục lưu đã thiết lập để xem các tệp định dạng tương ứng; phụ đề SRT/VTT có thể kéo trực tiếp vào phần mềm dựng phim hoặc trình phát để sử dụng.

Câu hỏi thường gặp

Đáp: Video hỗ trợ MP4, MKV, MOV, AVI, FLV, WMV, WebM, M4V, MPG, TS, 3GP, RMVB, v.v.; âm thanh hỗ trợ MP3, WAV, FLAC, AAC, OGG, M4A, WMA, OPUS, AC3, AMR, APE, v.v. Có thể thêm lẫn tệp video và âm thanh trong cùng một đợt, phần mềm sẽ tự động nhận dạng và trích xuất track âm thanh.

Đáp: Phần mềm sử dụng nhận dạng ngoại tuyến cục bộ, toàn bộ quá trình không cần kết nối Internet; tệp mô hình được đặt trong thư mục models ở thư mục gốc của chương trình. Dựa trên mô hình tiếng Trung Paraformer của FunASR, độ chính xác nhận dạng tiếng Phổ thông khá cao; kết hợp với danh sách từ nóng có thể nâng cao hơn nữa hiệu quả nhận dạng danh từ riêng, tên người và thuật ngữ.

Đáp: TXT phù hợp để整理稿件 và tư liệu viết; SRT và VTT là các định dạng phụ đề phổ biến, có thể gắn vào video và trình phát web; JSON chứa đầy đủ dấu thời gian và thông tin đoạn, thuận tiện cho phát triển thứ cấp; LRC phù hợp với âm nhạc và sách nói; CSV tiện cho việc hiệu đính, chỉnh sửa theo từng khoảng thời gian trong Excel. Có thể chọn nhiều định dạng để xuất cùng lúc.

Đáp: Nhập vào ô từ khóa nóng các danh từ riêng dễ bị nhận dạng sai, chẳng hạn như tên người, tên công ty, tên sản phẩm, thuật ngữ kỹ thuật, v.v.; nhiều từ có thể phân tách bằng dấu cách hoặc xuống dòng. Công cụ nhận dạng sẽ ưu tiên khớp các từ này, mang lại hiệu quả rõ rệt hơn trong các nội dung ngành dọc, lời thoại của truyền thông cá nhân, đào tạo doanh nghiệp và các trường hợp tương tự.

Đáp: Tùy chọn này khả dụng sau khi chọn "duyệt thư mục con". Khi bật, các tệp đầu ra sẽ được tạo trong các thư mục con tương ứng theo cấu trúc phân cấp thư mục trong thư mục nguồn, giúp lưu trữ và quản lý lượng lớn tư liệu dễ dàng hơn. Nếu gặp tên tệp trùng lặp, hệ thống sẽ tự động thêm số vào cuối tên tệp để phân biệt.

Đáp: Phần mềm tích hợp sẵn tính năng phát hiện hoạt động giọng nói VAD, trước tiên sẽ tự động chia âm thanh dài theo các đoạn im lặng, sau đó đưa từng đoạn vào mô hình nhận dạng theo tham số "thời lượng xử lý hàng loạt"; về lý thuyết, video dài vài giờ cũng có thể được xử lý đầy đủ. Tốc độ nhận dạng liên quan đến hiệu năng CPU của máy tính; khi xử lý lượng lớn tư liệu, nên đóng các chương trình khác đang chiếm dụng nhiều tài nguyên.

Đáp: Mô hình mặc định là Paraformer tiếng Trung, hỗ trợ khá tốt tiếng Phổ thông và nội dung kết hợp Trung-Anh; hiệu quả nhận dạng đối với các phương ngữ như tiếng Quảng Đông, tiếng Tứ Xuyên, tiếng Mân Nam tương đối bình thường. Nếu tư liệu chủ yếu là phương ngữ, nên điều chỉnh thói quen phát âm trước hoặc chọn mô hình phù hợp hơn để thay thế đường dẫn mặc định.

Đáp: Phần mềm mặc định bật mô hình dấu câu CT-Punc, sẽ tự động thêm các dấu câu như dấu phẩy, dấu chấm, dấu hỏi vào kết quả nhận dạng. Nếu phát hiện không có dấu câu, hãy kiểm tra xem đường dẫn mô hình dấu câu trong tham số có trỏ đúng đến thư mục ct-punc trong thư mục models hay không, đồng thời đảm bảo các tệp mô hình đầy đủ.