Звук остаётся на компьютере
FILES расшифровывает с помощью Whisper, открытой модели распознавания речи, которая работает на вашем процессоре или видеокарте. Запись никуда не загружается, учётной записи в VoiceKeyboard нет, и потом ни в чьём облаке не лежит копия. Для совещания руководства, собеседования или разговора с юристом в этом весь смысл.
Интернет нужен только в начале: для модели Whisper (от 75 МБ до 1 ГБ, один раз) и для FFmpeg, бесплатной программы около 73 МБ, которая готовит звук для Whisper и скачивается только с вашего согласия. Дальше файлы с диска расшифровываются без сети. Рабочие копии на время работы кладутся во временную папку Windows и удаляются, когда она закончена.
Как расшифровать запись: по шагам
- Нажмите FILES в верхней панели и выберите FILE в блоке SOURCE & OUTPUT.
- Нажмите «Обзор…» и выберите запись или перетащите её из Проводника на экран.
- Проверьте TRANSCRIPT DESTINATION. Приложение предложит .txt рядом с записью: из meeting.m4a получится meeting-transcript.txt. «Сохранить как…» выбирает другое место.
- В блоке LOCAL MODEL нажмите «Выбрать модель…» и выберите размер Whisper (о размерах ниже). Скачивается модель один раз.
- Выберите язык в LANGUAGE или оставьте «Авто».
- Нажмите ▶ СТАРТ. Та же кнопка, теперь ■ ОТМЕНА, останавливает работу.
Лампочки SRC, OUT и MDL загораются зелёным, когда готовы запись, место сохранения и модель. Пока Whisper работает, фразы появляются в области TRANSCRIPT одна за другой, и начало лекции можно читать, пока конец ещё не готов. Файл .txt записывается, когда расшифрован весь файл. Если файл с таким именем уже есть, его не тронут: новый получит в имени (2).
FILES принимает аудио wav, mp3, m4a, flac, ogg, aac и wma и видео mp4, mkv, mov, webm, avi, wmv и m4v; у видео расшифровывается звук.
Какую модель Whisper выбрать
FILES всегда работает с Whisper. Остальные модели VoiceKeyboard без интернета (GigaAM v3, T-one, Parakeet, Vosk) предназначены только для диктовки, поэтому и русские записи здесь расшифровывает Whisper. Размеров у него пять, и правило простое: чем крупнее модель, тем меньше ошибок и тем дольше работа.
| Название на FILES | Размер | Для чего |
|---|---|---|
| Мгновенная · Tiny | 75 МБ | проверить, что всё работает; прилично только с английским |
| Быстрая · Base | 142 МБ | простые записи с чистым звуком; русский заметно слабее английского |
| Средняя · Small | 466 МБ | компьютер без видеокарты; русский и другие крупные языки выходят прилично |
| Лучшая · Large v3 Turbo | 547 МБ | рекомендуемая: почти так же точна, как Large v3, но в разы быстрее |
| Самая точная · Large v3 | 1 031 МБ | шум, акценты, несколько голосов; медленная |
Начните с Large v3 Turbo. Если час записи на вашем компьютере идёт слишком долго, перейдите на Small; если шумная запись с несколькими голосами выходит с ошибками, попробуйте Large v3. Уже есть свой файл модели Whisper (.bin или .gguf)? Кнопка «Свой файл модели…» в том же окне его подключит. Размеры подробнее сравниваются на странице «Скачивание моделей без интернета».
Видеокарта или процессор
Whisper — та часть VoiceKeyboard, где скорость решает железо. В SETUP → «Файлы» четыре варианта: «Автоматически (рекомендуется)», «Видеокарта NVIDIA · CUDA», «Ускоренный процессор · BLAS» и «Обычный процессор · CPU». Автоматический режим для каждого файла берёт самый быстрый из доступных. С видеокартой NVIDIA Whisper работает в разы быстрее, чем на процессоре; движки CUDA и OpenBLAS скачиваются по запросу, в первый раз, когда они могут помочь.
Четвёртая лампочка на FILES, рядом с SRC, OUT и MDL, показывает, что работает сейчас. На ноутбуке без видеокарты NVIDIA часовая запись с Large v3 Turbo займёт много времени: выберите Small или запустите расшифровку, когда компьютер вам не нужен. Как проверить каждый вариант, рассказано на странице «Как ускорить расшифровку файлов».
Язык записи
В LANGUAGE по умолчанию стоит «Авто»: Whisper слушает примерно первые 30 секунд и берёт этот язык для всего файла. Иногда он ошибается, например если русский доклад начинается с пары фраз по-английски. Тогда выберите язык сами. В списке двенадцать языков, подписанных по-английски: русский там называется Russian (ru). Языки, которых в списке нет, например хинди, работают только на «Авто».
Длинные записи и много файлов
- Длина. Бесплатная версия берёт записи до 60 минут, Pro — любой длины. Перед расшифровкой звук переводится в рабочий файл, примерно 115 МБ на час записи, поэтому оставьте место на диске, где лежит временная папка Windows. После работы этот файл удаляется.
- Несколько файлов. В Pro удерживайте Ctrl в окне «Обзор…» или перетащите несколько файлов на экран; у каждого будет свой .txt. BATCH PROGRESS показывает файлы и их этапы, а щелчок по строке открывает текст этого файла. С CUDA файлы идут через видеокарту по одному; на процессоре по два сразу, если у компьютера восемь логических процессоров или больше.
- Тем временем. Можно продолжать диктовать на экране LIVE. Если попытаться выйти во время работы, приложение сначала спросит: «Идёт расшифровка файла. Выйти и отменить её?»
На компьютере или в облаке
| FILES, Whisper на компьютере | Загрузка в онлайн-сервис | |
|---|---|---|
| Куда уходит звук | никуда, он остаётся на компьютере | на серверы сервиса |
| От чего зависит скорость | от вашего процессора или видеокарты | от сервиса |
| Интернет | только для первых загрузок | чтобы загрузить каждый файл, даже очень большой |
Онлайн-сервис лучше, когда компьютер старый, видеокарты NVIDIA нет, а текст нужен через несколько минут: работа тогда идёт на чужом железе. VoiceKeyboard файлы никуда не отправляет, а онлайн-движки приложения, Google и Soniox, только печатают живую речь с микрофона.
Free и Pro для файлов
| Free | Pro | |
|---|---|---|
| Сколько | 1 файл и 1 ссылка на видео в день | без лимита |
| Длина | до 60 минут каждый | любая |
| Одновременно | по одному | несколько файлов, очередь ссылок |
| Таймкоды | нет | да, [00:01:23] перед каждой фразой |
| Размеры Whisper, видеокарта | все | все |
Бесплатный лимит обновляется в полночь и считает только готовые расшифровки: файл, который не удалось расшифровать или который оказался длиннее 60 минут, его не тратит. FILES не трогает 2 000 бесплатных слов диктовки. Pro стоит $14.99 в месяц или $9.99 в месяц при оплате за год, деньги можно вернуть в течение 14 дней. Продажи в России недоступны.
Вопросы о расшифровке записей
Сколько времени займёт час записи?
Это зависит от компьютера и модели, поэтому VoiceKeyboard ничего не обещает. Видеокарта NVIDIA с CUDA в разы быстрее процессора, а Small быстрее Large v3 Turbo. Проценты после DECODING… в строке состояния показывают, сколько уже сделано.
Видно ли в тексте, кто говорит?
Нет. Это один сплошной текст без имён говорящих. С таймкодами (Pro) можно найти место в записи и послушать, кто это сказал.
Можно ли получить субтитры или документ Word?
Сохраняется обычный .txt. Откройте его в Word или вставьте текст куда угодно кнопкой «Копировать». Субтитров .srt приложение не делает.
Чтобы расшифровать видео прямо по ссылке, прочитайте, как перевести видео с YouTube в текст. Что VoiceKeyboard хранит на компьютере и что куда отправляет, описано на странице «Конфиденциальность: что остаётся на вашем компьютере».
