แปลงเสียงและวิดีโอเป็นซับ (AI)

ถอดเสียงพูดเป็น SRT, VTT หรือข้อความด้วย Whisper ในเบราว์เซอร์

ทำงานบนเบราว์เซอร์ของคุณ

ลากไฟล์เสียงหรือวิดีโอมาวาง

MP3, WAV, M4A, OGG, MP4, WebM และทุกไฟล์ที่เบราว์เซอร์เล่นได้

ไฟล์อยู่บนเครื่องของคุณ มีเพียงโมเดล AI ที่ดาวน์โหลดครั้งเดียวและเบราว์เซอร์เก็บไว้

ครั้งแรกจะดาวน์โหลดโมเดล ครั้งต่อไปเริ่มได้ทันที ไฟล์ยาวใช้เวลานานบนเครื่องที่ไม่มี WebGPU

การถอดเสียงด้วย AI ในเบราว์เซอร์ทำงานอย่างไร?

เครื่องมือนี้รันโมเดลรู้จำเสียงพูดแบบเปิด Whisper ของ OpenAI บนเครื่องของคุณด้วย transformers.js เบราว์เซอร์ถอดรหัสแทร็กเสียงและแปลงเป็น 16 kHz จากนั้นโมเดลแปลงทุกช่วง 30 วินาทีเป็นข้อความพร้อมเวลาเริ่มและจบ ช่วงที่มีเวลานี้จะกลายเป็นซับ SRT หรือ WebVTT หรือข้อความถอดเสียง โมเดลดาวน์โหลดครั้งเดียวจาก Hugging Face Hub และเบราว์เซอร์เก็บไว้ ส่วนเสียงจะไม่ถูกส่งไปที่ใด ใช้การ์ดจอผ่าน WebGPU ถ้ามี ไม่เช่นนั้นใช้ซีพียู

กรณีการใช้งาน

  • ใส่ซับให้วิดีโอ YouTube, TikTok, CapCut หรือ Premiere โดยไม่ต้องพิมพ์เอง
  • ทำบทถอดเสียงของการสัมภาษณ์ บรรยาย ประชุม หรือพอดแคสต์
  • แปลงข้อความเสียงหรือบันทึกเสียงสั้น ๆ เป็นข้อความ
  • แปลเสียงพูดภาษาอื่นเป็นซับภาษาอังกฤษ

ควรใช้เมื่อไร?

เหมาะกับเสียงพูดชัดเจนในไฟล์ยาวไม่เกินประมาณหนึ่งชั่วโมง โมเดลเร็วเหมาะกับคลิปสั้นและฉบับร่าง สมดุลเป็นค่าเริ่มต้นที่ดี แม่นยำรับมือสำเนียงและเสียงรบกวนได้ดีกว่ามากแต่ไฟล์ใหญ่และช้าถ้าไม่มีการ์ดจอ เลือกภาษาที่พูดถ้าคุณรู้ เพราะการตรวจจับอัตโนมัติอาจผิดกับคลิปสั้น ตรวจผลลัพธ์ทุกครั้งก่อนเผยแพร่ ชื่อเฉพาะและศัพท์เทคนิคมักผิด และเลื่อนเวลาภายหลังได้ด้วยตัวแปลงซับไตเติล

ตัวอย่าง

  1. สร้างซับ SRT ให้วิดีโอ

    ข้อมูลเข้า

    วิดีโอสัมภาษณ์ MP4 ภาษาไทยยาว 2 นาที โมเดล: สมดุล ภาษา: ไทย ผลลัพธ์: ภาษาเดิม

    ผลลัพธ์

    ไฟล์ .srt ภาษาไทยประมาณ 30 ช่วงพร้อมเวลา ใช้กับเครื่องเล่นหรือโปรแกรมตัดต่อได้ทันที

  2. แปลการบรรยายเป็นซับภาษาอังกฤษ

    ข้อมูลเข้า

    คลิปพอดแคสต์ภาษาสเปน (M4A) โมเดล: แม่นยำ ผลลัพธ์: แปลเป็นภาษาอังกฤษ

    ผลลัพธ์

    ซับภาษาอังกฤษตามเวลาเดิม เป็น SRT, VTT หรือข้อความ

คำถามและคำตอบ

เสียงของฉันถูกอัปโหลดไปเซิร์ฟเวอร์ไหม?

ไม่ ไฟล์ถูกถอดรหัสและถอดเสียงในเบราว์เซอร์ สิ่งเดียวที่ดาวน์โหลดคือโมเดล AI จาก Hugging Face Hub ซึ่งเบราว์เซอร์จะเก็บไว้

ควรเลือกโมเดลไหน?

เริ่มจากสมดุล ใช้เร็วกับคลิปสั้นหรือเครื่องช้า และแม่นยำกับสำเนียง เสียงรบกวน หรืองานสำคัญ ถ้ารอดาวน์โหลดที่ใหญ่กว่าได้

ทำไมถึงช้า?

การรู้จำเสียงพูดเป็นงานหนัก ถ้ามี WebGPU (Chrome, Edge, Safari รุ่นใหม่) จะรันบนการ์ดจอเร็วกว่ามาก ไม่เช่นนั้นรันบนซีพียู เปิดแท็บไว้จนเสร็จ

รองรับภาษาอะไรบ้าง?

Whisper รู้จำได้ราว 100 ภาษา แม่นที่สุดกับภาษาที่ใช้กันมาก เช่น อังกฤษ สเปน จีน ญี่ปุ่น การแปลจะเป็นภาษาอังกฤษเสมอ

แหล่งอ้างอิงและมาตรฐาน

เครื่องมือทั้งหมด