Что понадобится
- VoiceKeyboard на Windows 10 или 11 и интернет, пока скачивается звук.
- Модель Whisper. Она скачивается один раз в самом приложении; рекомендуемый размер, «Лучшая · Large v3 Turbo», весит 547 МБ.
- Две бесплатные вспомогательные программы: yt-dlp (около 17 МБ) достаёт звук по ссылке, FFmpeg (около 73 МБ) переводит его в формат для Whisper. В первый раз появится окно с размером, источником и лицензией каждой, и ничего не скачается, пока вы не нажмёте «Скачать».
От ссылки до текста за семь шагов
- Откройте видео в браузере и скопируйте адрес страницы.
- В VoiceKeyboard нажмите FILES в верхней панели и выберите LINK в блоке SOURCE & OUTPUT.
- Нажмите «Вставить» или перетащите ссылку из браузера на экран FILES.
- В блоке TRANSCRIPT DESTINATION нажмите «Сохранить как…» и выберите папку и имя файла .txt.
- В блоке LOCAL MODEL нажмите «Выбрать модель…», если модель ещё не задана, и скачайте её.
- Оставьте в LANGUAGE «Авто» или выберите язык видео, если знаете его.
- Нажмите ▶ СТАРТ.
Сначала в строке состояния будет DOWNLOADING… с процентами, размером и скоростью загрузки. Потом DECODING… со своими процентами и названием того, что считает: CUDA, если работает видеокарта NVIDIA, BLAS или CPU, если процессор. Текст появляется в области TRANSCRIPT фраза за фразой, так что начало можно читать задолго до конца. Когда видео расшифровано, файл .txt сохраняется.
Что происходит с видео
VoiceKeyboard просит у сайта только звуковую дорожку, если сайт отдаёт её отдельно, и ничего от видео не сохраняет. FFmpeg переводит звук в простой формат, который читает Whisper, а Whisper записывает текст на вашем процессоре или видеокарте. Рабочие копии лежат во временной папке Windows и удаляются, когда работа закончилась, будь то успешно, с ошибкой или по отмене. Остаётся только ваш .txt.
Единственный сервер, к которому при этом обращается приложение, это сам видеосайт: он отдаёт звук. Ни в какой сервис расшифровки звук не уходит.
Таймкоды, копирование и текстовый файл
В Pro отметьте «Таймкоды в тексте», и каждая фраза начнётся со своего времени в видео, например [00:12:05]. Так проще всего вернуться к месту, где прозвучала нужная цитата.
Результат — обычный .txt в кодировке UTF-8. Кнопка «Копировать» кладёт весь текст в буфер обмена: для Word, Google Документов или чата с нейросетью, которая сделает конспект. Субтитров (.srt) и выгрузки в Word нет. Расшифровка никогда не заменяет существующий файл: если имя занято, новый получит в имени (2).
Несколько ссылок за раз
Pro принимает целый список. Вставьте ссылки по одной в строке или через пробел или запятую; в поле будет видна первая и приписка «ещё N». Ссылки скачиваются по одной и обрабатываются друг за другом, у каждой свой текст и свой файл, так что можно поставить серию лекций и вернуться позже. В бесплатной версии из вставленного списка остаётся только первая ссылка.
С какими сайтами это работает
VoiceKeyboard передаёт ссылку программе yt-dlp, бесплатному загрузчику с открытым кодом, который умеет работать с YouTube и многими другими видео- и аудиосайтами. Если yt-dlp может достать звук со страницы, FILES его расшифрует. Но некоторые ссылки не сработают:
- Видео, для которых нужно войти в аккаунт (закрытые, только для подписчиков, с возрастным ограничением), не скачаются: приложение не пользуется входом из вашего браузера.
- Ссылка на видео внутри плейлиста даёт одно это видео, а не весь список.
- Сайты меняются, а копия yt-dlp, которой пользуется приложение, сама не обновляется. Если ссылка нормально открывается в браузере, но работа заканчивается на ERR: DOWNLOAD_FAILED, скорее всего, что-то поменялось на сайте.
FILES или онлайн-движок
В VoiceKeyboard два онлайн-движка, Google и Soniox, и работают они на экране LIVE: печатают то, что слышит микрофон, прямо по ходу речи. У FILES онлайн-режима нет. Каждую ссылку и каждый файл распознаёт Whisper на вашем компьютере.
| FILES со ссылкой | LIVE с Google или Soniox | |
|---|---|---|
| Источник | видео, которое уже записано | речь в микрофон, сейчас |
| Кто распознаёт | Whisper на вашем компьютере | серверы Google или Soniox |
| Интернет | только для загрузки | всё время |
| Скорость | зависит от компьютера; с видеокартой NVIDIA в разы быстрее | текст появляется по ходу речи |
| Результат | файл .txt, в Pro с таймкодами | текст в окне, где вы работаете |
LIVE с онлайн-движком нужен, когда слова звучат в микрофон сейчас и их надо сразу напечатать (Google бесплатно, Soniox в Pro; как выбрать движок для диктовки, рассказано в статье про голосовой ввод на русском). FILES нужен, когда выступление уже записано. На старом ноутбуке без видеокарты NVIDIA длинное видео расшифровывается долго; модели Whisper поменьше работают быстрее, но ошибаются чаще.
Free и Pro для ссылок
Бесплатно: одна ссылка в день, до 60 минут, без таймкодов, и вдобавок один аудио- или видеофайл с диска. Длина видео становится известна только после загрузки, поэтому более длинное остановится с надписью FREE: UP TO 60 MIN. Такая попытка дневную ссылку не тратит, как и неудачная: засчитывается только готовая расшифровка, а лимит обновляется в полночь.
Pro снимает ограничения: любая длина, очередь ссылок, таймкоды. Он 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. Таблица обоих тарифов есть в статье о расшифровке аудиофайлов.
Вопросы о ссылках на видео
Нужен ли интернет для распознавания?
Нет. Интернет нужен, чтобы скачать звук видео, а в первый раз ещё модель Whisper и две вспомогательные программы. Сам Whisper работает без сети.
На каком языке может быть видео?
Whisper знает около 99 языков. На «Авто» он определяет язык примерно по первым 30 секундам и держит его до конца, так что куски на втором языке могут выйти с ошибками. Если он не угадал, в списке LANGUAGE можно закрепить один из двенадцати: русский, английский, украинский, немецкий, испанский, французский, итальянский, португальский, польский, турецкий, японский или китайский. Подписаны они по-английски, например Russian (ru).
Может ли VoiceKeyboard перевести видео на русский?
Нет. Whisper записывает то, что сказано, на том языке, на котором это сказано.
Можно ли диктовать, пока расшифровывается видео?
Да. FILES и диктовка работают одновременно, и FILES не тратит 2 000 бесплатных слов диктовки в день.
Записи, которые уже лежат на компьютере, например совещание или голосовая заметка, обрабатываются на том же экране: об этом статья про транскрибацию аудио и видео без облака. Все кнопки FILES описаны на странице помощи «Расшифровка файлов и ссылок на видео».
