Přepis řeči pro režim nahrávání. Při nahrávání Subtitld do něj streamuje váš mikrofon: slova se objevují, jak mluvíte, a každá dokončená věta vyplní svůj titulek. Spouští modely faster-whisper na vašem počítači, stažené jednou z Hugging Face.

Co dělá

Slova, jak mluvíte

V režimu nahrávání se text objevuje, zatímco mluvíte, a upřesňuje se za pochodu. Subtitld jej zobrazuje samostatně, dokud věta není dokončena.

Věty na svém místě

Každá dokončená věta nese čas, kdy byla řečena, takže vyplní titulek řezaný v daném okamžiku.

Drží vaše poslední slova

Když uděláte pauzu, počká až minutu na větu, kterou jste ještě říkali, a doplní ji dřív, než skončí.

Teplé mezi nahrávkami

Od jedné nahrávky k další ve stejném jazyce model zůstává načtený, takže další nahrávky začínají bez jeho opětovného načítání.

Chcete-li jej použít, zvolte jej jako Modul přepisu na kartě Zvuk, v části Nahrávání.

V panelu přepisu použijte Rozmezí nebo Výběr. Subtitld tato rozmezí střihne do WAV, což je jediný zvuk, který tento doplněk čte. S volbou Vše dostane vlastní zvuk videa a skončí s bad_audio. Každé spuštění dá jeden titulek pro celý úsek, takže se nejlépe hodí k doplnění vybraného titulku. Spuštění nejde zrušit: vždy doběhne.

Modely

Model zvolte v poli Model: tiny, base, small (výchozí), medium nebo large-v3, a verze .en pouze pro angličtinu u všech kromě large-v3. Větší modely jsou přesnější, pomalejší a těžší.

Model se stáhne z Hugging Face při prvním použití a uchová se pro příště. Načtení trvá u velkých modelů od sekund po minutu. V režimu nahrávání se načítá dvakrát, jednou pro živý text a jednou pro dokončené věty, takže pokud vám dochází paměť, zvolte menší.

Možnosti

V Nastavení › Doplňky › RealtimeSTT › Nastavit.

Model

Výchozí: small

Model Whisper; viz Modely výše. Větší je přesnější, pomalejší a těžší. Názvy končící na .en rozumějí jen angličtině.

Device

Výchozí: auto

Kde model běží. V sestaveních, která Subtitld instaluje, auto vždy zvolí CPU: ptá se PyTorch na GPU CUDA, a tato sestavení obsahují PyTorch bez CUDA. Zvolte cuda, chcete-li přímo grafickou kartu NVIDIA; CI to netestuje.

Compute type

Výchozí: default

Přesnost čísel, se kterými model pracuje. default nechá volbu na motoru; int8 je na CPU nejrychlejší; float16 se hodí pro grafické karty.

Stream interim results

Výchozí: zapnuto

V panelu přepisu ukazuje text, zatímco se fráze ještě dekóduje; konečný text jej nahradí. Režim nahrávání vždy ukazuje živý text, bez ohledu na toto nastavení.

Doplněk tato nastavení čte při startu, takže se změna projeví až při dalším spuštění, například po restartu Subtitld.

Jazyky

Regionální značky jdou do Whisper jako jejich hlavní jazyk: pt-br se posílá jako pt.

en
pt
pt-br
es
fr
de
it
nl
ru
pl
uk
tr
ar
zh
ja
ko
hi
id
sv
fi
da
no
cs
el
he
ro
hu
ca
th
vi

Platformy

Systém	Stažení	Otestováno
Linux x86-64	482.7 MB	V CI, bez modelu
macOS (Apple silicon)	377.0 MB	V CI, bez modelu
Windows x86-64	280.6 MB	V CI, bez modelu

Před každým vydáním CI spustí testy doplňku na každém systému a spustí sestavený doplněk, aby ověřil, že se jeho rozpoznávání řeči načte. Přepis v CI neběží, protože potřebuje model.

Řešení potíží

bad_audioZvuk není WAV. V panelu přepisu použijte Rozmezí nebo Výběr místo Vše.
internalPřepis selhal; zpráva uvede proč. Při prvním použití se model možná nestáhl: zkontrolujte připojení a zkuste to znovu. Pokud jste nastavili Device na cuda, vraťte jej na auto.
not_installedModul rozpoznávání řeči uvnitř doplňku se nenačetl. Doplněk znovu nainstalujte.

Licence

Doplněk

MIT

Engine

MIT

RealtimeSTT, faster-whisper

Modely

MIT

Váhy OpenAI Whisper

Vhodné pro komerční práci: doplněk, RealtimeSTT, faster-whisper i váhy Whisper jsou všechny MIT.

RealtimeSTT

Co dělá

Modely

Možnosti

Jazyky

Platformy

Řešení potíží

Licence

Verze

Další doplňky skupiny Řeč na text