Zrobić napisy SRT z wideo

Tak, w całości. MediaChef jest otwartoźródłowy na licencji GPL-3.0: nie ma wersji płatnej, opłat za minutę ani limitu długości pliku. Modele też pobiera się za darmo. Aktualna wersja to 0.8.5.

Nie. Mowę przetwarza plik modelu leżący na twoim własnym dysku. Przez sieć przechodzi wyłącznie jednorazowe pobranie modelu, a potem przepis działa przy wyłączonym internecie.

Jakieś 26 razy szybciej niż w czasie rzeczywistym na modelu domyślnym: zmierzyliśmy 6,2 sekundy na 2 minuty 43 sekundy mowy, laptop z M5. W tej proporcji godzinne nagranie schodzi w kilka minut. Na tym samym dźwięku tiny dał ×78, a large-v3-turbo ×14.

Zacznij od small, który stoi domyślnie. W naszych pomiarach nie pomylił w testowym dźwięku ani jednego słowa i dał najczytelniejsze linijki — 39 znaków średnio wobec 97 u large-v3-turbo. Wyżej wchodź tylko wtedy, gdy dźwięk jest trudny; schodź do tiny albo base, jeśli chcesz brudnopis w kilka sekund.

78 MB tiny, 148 MB base, 488 MB small i 1,62 GB large-v3-turbo. Pobranie jest jednorazowe. Potem plik leży na dysku i każdy kolejny przebieg bierze go bez pytania.

Nie. Język stoi na automatycznym i model sam go rozpoznaje po dźwięku. Można go jednak wskazać wprost i warto to zrobić, gdy nagranie otwiera się kilkoma zdaniami w innym języku.

Tak, przepisem „Przetłumacz mowę na angielskie napisy”: na wejściu obca mowa, na wyjściu angielski SRT z czasami, w jednym przebiegu zamiast „najpierw przepisz, potem przetłumacz”. Angielski to jedyny język docelowy, jaki obsługuje model.

Głównie interpunkcją w czasach: SRT pisze 00:00:00,000 z przecinkiem i numeruje napisy, VTT pisze 00:00:00.000 z kropką i zaczyna się wierszem WEBVTT. SRT to czego oczekują odtwarzacze i montażówki; VTT to czego chce odtwarzacz webowy dla własnej ścieżki napisów. To osobne przepisy, więc zmiana formatu to ponowny przebieg, a nie przepisywanie pliku.

Da się — .srt to zwykły tekst. Otwórz w dowolnym edytorze i popraw nazwisko, żargon albo czas. Tak się właśnie normalnie pracuje: model robi dziewięćdziesiąt kilka procent, resztę dociągasz ręcznie.

Bo to model decyduje, gdzie ciąć, a większe modele tną rzadziej. Zmierzyliśmy 39 znaków na napis przy small wobec 97 przy large-v3-turbo, na tym samym dźwięku. Jeśli linijki ci się rozłażą, powrót na small zwykle to naprawia — a przy czystej mowie nic nie kosztuje w trafności.

Nie. Whisper zapisuje, co zostało powiedziane, a nie kto to powiedział. Jeśli potrzebujesz oznaczeń „Mówca 1 / Mówca 2”, wstawisz je ręcznie albo weźmiesz narzędzie zrobione właśnie do tego.

Przebieg zatrzyma się i powie, że nie usłyszał nic zrozumiałego, zamiast po cichu zapisać pusty plik. Cisza nie daje napisów — i tak ma być.

Na wszystkich trzech systemach. Mowa liczy się wszędzie na procesorze, a na Apple Silicon dodatkowo na układzie graficznym — stąd te szybkie liczby wyżej. Ten sam przepis na skromnym laptopie z Windowsem będzie wolniejszy, ale wciąż szybszy niż odsłuchanie całego nagrania.

Tak. Wrzuć cały folder, dodaj przepis, a kolejka przejdzie po nich jeden po drugim. Każdy plik napisów zapisuje się obok własnego źródła.

Nie. Obok zapisuje się osobny .srt — clip.subs.srt — a film nie jest zmieniany, przemianowywany ani przekodowywany. Ten przepis w ogóle nie rusza obrazu.