การถอดเสียง

ความแม่นยำมักเกิน 95% สำหรับเสียงที่ชัดเจนในภาษาที่รองรับ เราใช้ระบบจดจำเสียงพูดชั้นนำของอุตสาหกรรมจาก OpenAI เบื้องหลัง ซึ่งเป็นโมเดลเดียวกันที่ขับเคลื่อนเครื่องมือถอดเสียงระดับมืออาชีพมากมาย

ความแม่นยำในโลกจริงขึ้นอยู่กับสามสิ่ง: ความชัดเจนของเสียง (เสียงรบกวนพื้นหลังทำให้แย่ลง) สำเนียงของผู้พูด (สำเนียงท้องถิ่นที่หนักอาจลดลงสองสามจุด) และตัวภาษาเอง (ภาษาอังกฤษและสเปนมักได้คะแนนสูงสุด) หากคุณต้องการความแม่นยำสูงสุด ดูคุณภาพเสียงแบบใดให้ผลลัพธ์ที่ดีที่สุด? สำหรับสิ่งเล็กๆ ที่สร้างความแตกต่างใหญ่

ได้ — การระบุผู้พูดมีให้ในทุกแผน รวมถึงแผน Free ในแบบฟอร์มอัปโหลด ตั้งค่า ระบุผู้พูด เป็น ใช่ แล้วเราจะติดป้ายผู้พูดแต่ละคนในการถอดเสียงของคุณโดยอัตโนมัติเป็น Speaker 1, Speaker 2 และอื่นๆ

ทำงานได้ดีสำหรับการประชุม สัมภาษณ์ พอดแคสต์ และการสนทนาหลายคน ไม่มีข้อจำกัดจำนวนผู้พูดที่เราจะตรวจจับ การระบุผู้พูดเพิ่มเวลาประมวลผลเล็กน้อย ดังนั้นปิดไว้สำหรับการบันทึกคนเดียว (การบรรยาย โน้ตเสียง เนื้อหาผู้บรรยายเดี่ยว) เพื่อผลลัพธ์ที่เร็วขึ้น

เรารองรับ 99 ภาษา สำหรับการถอดเสียง รวมถึงภาษาอังกฤษ สเปน โปรตุเกส ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น จีน เกาหลี รัสเซีย อาหรับ ฮินดี และอื่นๆ อีกมากมาย

คุณสามารถเลือกภาษาอย่างชัดเจนในแบบฟอร์มอัปโหลดเพื่อความแม่นยำที่ดีที่สุด หรือปล่อยไว้ที่ อัตโนมัติ แล้วเราจะตรวจจับให้คุณ รายการภาษาเหมือนกับชุดที่รองรับของ OpenAI Whisper และอินเทอร์เฟซ SoundScript.AI เองก็มีให้ในทั้ง 99 ภาษา — ดูฉันจะอัปเดตภาษาอินเทอร์เฟซได้ที่ไหน? เพื่อเปลี่ยน

เสียงที่ชัดเจนบันทึกใกล้กับไมโครโฟน โดยมีเสียงรบกวนพื้นหลังน้อยที่สุด นั่นคือเวอร์ชันสั้น นี่คือสิ่งที่ช่วยได้มากที่สุด:

• ใช้ไมโครโฟนที่ดี — แม้แต่ไมโครโฟน USB ระดับเริ่มต้นหรือโทรศัพท์รุ่นใหม่ก็ดีกว่าไมโครโฟนในตัวของแล็ปท็อปมาก
• บันทึกในห้องเงียบ — ปิดหน้าต่าง ปิดพัดลม และหลีกเลี่ยงพื้นผิวแข็งที่ทำให้เกิดเสียงสะท้อน
• เข้าใกล้ไมโครโฟน — 6-12 นิ้วคือจุดที่เหมาะสำหรับคำพูดธรรมชาติ
• หลีกเลี่ยงเพลงพื้นหลังเมื่อเป็นไปได้ — ดูSoundScript.AI จัดการเพลงพื้นหลังหรือเสียงรบกวนอย่างไร? สำหรับสิ่งที่คาดหวังเมื่อเลี่ยงเพลงไม่ได้

ไฟล์ส่วนใหญ่เสร็จในไม่กี่วินาทีถึงสองสามนาที ไฟล์เสียง 10 นาทีโดยทั่วไปมักเสร็จในเวลาน้อยกว่า 30 วินาที

ไฟล์ที่ใหญ่กว่า 25MB จะถูกแบ่งเป็นชิ้นโดยอัตโนมัติและประมวลผลแบบขนาน ดังนั้นแม้แต่การบันทึกหนึ่งชั่วโมงก็มักจะพร้อมใน 2-3 นาที การเปิดใช้งานการระบุผู้พูดเพิ่มเวลาเล็กน้อย แถบความคืบหน้าอัปเดตแบบเรียลไทม์ — ไม่ต้องรีเฟรช

เราแบ่งไฟล์ขนาดใหญ่ออกเป็นชิ้นเล็กๆ โดยอัตโนมัติเบื้องหลัง ถอดเสียงพร้อมกัน และเชื่อมผลลัพธ์กลับเข้าด้วยกัน คุณไม่ต้องทำอะไรเลย — แค่อัปโหลดไฟล์ตามปกติ

ขนาดอัปโหลดสูงสุดคือ 1GB แต่ละชิ้นได้รับการประมวลผลอย่างอิสระ ซึ่งเป็นเหตุผลว่าทำไมไฟล์หนึ่งชั่วโมงจึงพร้อมในเวลาเพียงไม่กี่นาที ขอบเขตของชิ้นจะวางบนความเงียบตามธรรมชาติเมื่อเป็นไปได้เพื่อหลีกเลี่ยงการตัดคำกลางประโยค

คำนามเฉพาะ — ชื่อ ชื่อแบรนด์ ศัพท์เทคนิค คำย่อ — เป็นส่วนที่ยากที่สุดของการถอดเสียงเพราะไม่ปฏิบัติตามรูปแบบภาษาปกติ แม้แต่เสียงที่ยอดเยี่ยมก็สามารถสร้างชื่อที่สะกดผิดได้

มีหลายสิ่งที่ช่วยได้:

• เลือกภาษาอย่างชัดเจนแทนการใช้การตรวจจับอัตโนมัติ
• พูดคำนามเฉพาะอย่างชัดเจนเมื่อบันทึก โดยมีการหยุดเล็กน้อยรอบๆ
• แก้ไขการถอดเสียงในภายหลัง — คุณสามารถคัดลอกข้อความลงในตัวแก้ไขใดๆ และแก้ไขชื่อด้วยการค้นหาและแทนที่ ปัจจุบันเราไม่รองรับรายการคำศัพท์เฉพาะ แต่อยู่ในเรดาร์ของเรา

คุณสามารถคัดลอกข้อความที่ถอดเสียงจากหน้าผลลัพธ์และแก้ไขในตัวแก้ไขข้อความหรือโปรแกรมประมวลผลคำใดๆ — Google Docs, Microsoft Word, Notepad หรืออะไรก็ตามที่คุณชอบ

เรายังไม่มีตัวแก้ไขในแอป ดังนั้นการเปลี่ยนแปลงที่คุณทำนอก SoundScript.AI จะไม่ถูกบันทึกกลับไปยังเซิร์ฟเวอร์ของเรา การถอดเสียงต้นฉบับจะอยู่ในแดชบอร์ดของคุณเพื่อให้คุณสามารถดาวน์โหลดสำเนาใหม่ได้เสมอ ใช้รูปแบบดาวน์โหลด .doc หรือ .txt หากคุณต้องการแก้ไขและเก็บการจัดรูปแบบ

SRT คือรูปแบบคำบรรยายมาตรฐาน — รวมการประทับเวลาเพื่อให้แต่ละบรรทัดของข้อความปรากฏในช่วงเวลาที่ถูกต้องในวิดีโอของคุณ ใช้สำหรับ YouTube, Vimeo, ตัวแก้ไขวิดีโอเช่น Premiere หรือ Final Cut หรือเครื่องเล่นที่รองรับคำบรรยาย

TXT คือข้อความธรรมดาที่ไม่มีการประทับเวลา — เหมาะสำหรับเอกสาร บล็อกโพสต์ สัมภาษณ์ที่ถอดเสียง หรืออะไรก็ตามที่คุณต้องการเพียงคำพูด เรายังมี DOC (เอกสาร Word ที่จัดรูปแบบ) และ PDF (พิมพ์ได้) — ดูฉันจะดาวน์โหลดเป็น TXT, DOC หรือ PDF ได้อย่างไร? สำหรับรายละเอียด

เราทำให้ดีที่สุด แต่เพลงพื้นหลังหรือเสียงรบกวนที่หนักจะลดความแม่นยำ เสียงรบกวนบรรยากาศเบาๆ (คาเฟ่เงียบ พัดลมที่ทำงาน) มักไม่มีปัญหา เพลงดังหรือเสียงที่แข่งขันกันเป็นกรณีที่ยากที่สุด

สำหรับเนื้อหาแบบสัมภาษณ์ที่มีเพลงเปิด คุณมักจะเห็นเพลงถูกถอดเสียงเป็นข้อความที่ไม่มีความหมายหรือถูกข้าม จากนั้นความแม่นยำจะกลับมาเมื่อคำพูดเริ่มขึ้น หากคุณสามารถบันทึกเวอร์ชันเฉพาะคำพูดของเสียง (หรือลบเพลงด้วยเครื่องมือเช่น Audacity ล่วงหน้า) ความแม่นยำจะดีขึ้นอย่างเห็นได้ชัด