Pobierz

RealtimeSTT

Mowa na tekstOfflineGPU opcjonalnieUżycie komercyjne dozwolone

Zamiana mowy na tekst dla trybu nagrywania. Podczas nagrywania Subtitld przesyła do niego mikrofon na bieżąco: słowa pojawiają się, gdy mówisz, a każde skończone zdanie wypełnia swój napis. Działa na modelach faster-whisper na twoim komputerze, pobranych jednorazowo z Hugging Face.

Zainstaluj z poziomu Subtitld

Ustawienia Dodatki RealtimeSTT Zainstaluj

Subtitld pobiera dodatek, sprawdza jego SHA-256 i utrzymuje go w aktualności.

Źródło na GitHub
Języki
30
Pobranie dodatku
281–483 MB
RAM, co najmniej
2 GB

Co robi

Słowa w trakcie mówienia

W trybie nagrywania tekst pojawia się, gdy mówisz, i jest poprawiany na bieżąco. Subtitld pokazuje go osobno, aż zdanie zostanie skończone.

Zdania na miejscu

Każde skończone zdanie niesie czas, w którym zostało wypowiedziane, więc wypełnia napis wycięty w tym momencie.

Zachowuje ostatnie słowa

Gdy zrobisz pauzę, czeka na zdanie, które jeszcze wypowiadałeś, do minuty, i dodaje je, zanim się skończy.

Ciepły model między ujęciami

Od jednego ujęcia do następnego w tym samym języku model pozostaje załadowany, więc kolejne ujęcia startują bez ponownego wczytywania.

Aby go użyć, wybierz go jako Silnik transkrypcji w karcie Audio, w sekcji Nagrywanie.

W panelu transkrypcji użyj Przedział lub Zaznaczenie. Subtitld tnie te zakresy do WAV, jedynego dźwięku, jaki czyta ten dodatek. Przy Wszystko dostaje dźwięk samego wideo i kończy się błędem bad_audio. Każde uruchomienie daje jeden napis dla całego odcinka, więc najlepiej nadaje się do wypełniania zaznaczonego napisu. Uruchomienia nie da się anulować: zawsze się kończy.

Modele

Wybierz model w Model: tiny, base, small (domyślny), medium lub large-v3, oraz wersje .en, tylko angielskie, wszystkich poza large-v3. Większe modele są dokładniejsze, wolniejsze i cięższe.

Model pobiera się z Hugging Face przy pierwszym użyciu i zostaje zapisany na następny raz. Wczytanie trwa od kilku sekund do minuty dla dużych. W trybie nagrywania jest wczytywany dwa razy: raz dla tekstu na żywo i raz dla skończonych zdań, więc jeśli brakuje pamięci, wybierz mniejszy.

Opcje

W Ustawieniach › Dodatki › RealtimeSTT › Konfiguruj.

Model
Domyślnie: small

Model Whisper; zobacz Modele powyżej. Większy jest dokładniejszy, wolniejszy i cięższy. Nazwy kończące się na .en rozumieją tylko angielski.

Device
Domyślnie: auto

Gdzie działa model. W zbudowanych przez Subtitld wersjach auto zawsze wybiera procesor: pyta PyTorch o kartę CUDA, a te wersje mają PyTorch bez CUDA. Wybierz cuda, aby bezpośrednio zażądać karty NVIDIA; CI tego nie testuje.

Compute type
Domyślnie: default

Precyzja liczb, z którymi pracuje model. default pozwala silnikowi wybrać; int8 jest najszybsze na procesorze; float16 nadaje się do kart graficznych.

Stream interim results
Domyślnie: wł.

W panelu transkrypcji pokazuje tekst, zanim fraza zostanie w pełni zdekodowana; ostateczny tekst go zastępuje. Tryb nagrywania zawsze pokazuje tekst na żywo, niezależnie od tego ustawienia.

Dodatek odczytuje te ustawienia przy starcie, więc zmiana obowiązuje od następnego uruchomienia, na przykład po ponownym uruchomieniu Subtitld.

Języki

Znaczniki regionalne trafiają do Whisper jako język główny: pt-br jest wysyłane 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

System PobraniePrzetestowano
Linux x86-64 482.7 MBW CI, bez modelu
macOS (Apple silicon) 377.0 MBW CI, bez modelu
Windows x86-64 280.6 MBW CI, bez modelu

Przed każdym wydaniem CI uruchamia testy dodatku na każdym systemie i startuje zbudowany dodatek, by sprawdzić, czy jego wykrywanie mowy się wczytuje. Żadna transkrypcja nie działa w CI, bo wymaga modelu.

Rozwiązywanie problemów

  • bad_audioDźwięk nie jest w formacie WAV. W panelu transkrypcji użyj Przedział lub Zaznaczenie zamiast Wszystko.
  • internalTranskrypcja się nie powiodła; komunikat mówi dlaczego. Przy pierwszym użyciu model mógł się nie pobrać: sprawdź połączenie i spróbuj ponownie. Jeśli ustawiłeś Urządzenie na cuda, wróć do auto.
  • not_installedSilnik mowy wewnątrz dodatku się nie wczytał. Zainstaluj dodatek ponownie.

Licencja

Dodatek
MIT
Silnik
MIT
RealtimeSTT, faster-whisper
Modele
MIT
Wagi OpenAI Whisper

Można używać komercyjnie: dodatek, RealtimeSTT, faster-whisper i wagi Whisper są wszystkie na licencji MIT.

Wersje

  • 0.1.2

Inne dodatki: Mowa na tekst

Zaktualizowano · Z katalogu dodatków Zgłoś problem z tym dodatkiem