Bebas jw Transkripsi
Transkrip jw audio lan video kanggo teks karo AI. Cepet, akurat, lan gratis.
Carane Digawé
- Pindhah menyang Free.ai Transkriptor
- Ngunduh berkas audio utawa video jw sampeyan
- AI kita kanthi otomatis ndeteksi jw lan ngrekam iku
- Muter-muter transkripsimu minangka teks utawa subtitle SRT
jw Fitur Transkripsi
- ✓Digawé déning faster-whisper (MIT lisensi)
- ✓Deteksi basa jw otomatis
- ✓Ndhukung MP3, WAV, MP4, M4A, FLAC, lan liya-liyane
- ✓Timestamp lan eksport subtitle (SRT)
- ✓Ora ana wates ukuran file ing rencana bayar
- ✓Pribadhi lan aman -- berkas dihapus sawisé diproses
Rincian Basa
| Basa | jw |
| Kode ISO | jw |
| Model | faster-whisper |
| Regane | Bebas |
Basa liyane
Liyane basaFAQ
jw iku basa kang kurang sumber daya kanggo Whisper - large-v3-turbo ana ing ndhuwur 25% cacat tembung, kadang-kadang luwih dhuwur. Transkripsi iki bisa digunakake kanggo golèk lan gist nanging ora kudu ditangani minangka publikasi-siap. Yen mesin kanthi akurasi luwih dhuwur dadi kasedhiya kanggo jw kita bakal nyambung kanthi otomatis. (Tier D, over 25% word error rate on benchmark sets - we publish honest WER tiers rather than marketing claims.)
Ya - transkripsi jw dipun-ginakaken saking token pool gratis sadina-dina kapisan. Audio dipun-ginakaken 50 token per menit, dados pool anonim sadina-dina nglindhungi sapérangan jam audio sadina-dina. Akun ingkang sampun ndhaptar dipun-ginakaken pool 30.000-token sadina-dina ingkang langkung ageng. Saliyané punika, transkripsi dipun-ginakaken kanthi bayar-kados-kanggo-kanggo, kaliyan token top-up saking $1.
jw transkripsi dipunbalikaken ing standar UTF-8 kaliyan ortografi basa ingkang normal.
MP3, WAV, M4A, FLAC, OGG, OPUS, lan WEBM dipuntampi langsung. Kanggé video (MP4, MOV, MKV) kita ngekstrak trek audio ing sisih server sadurungé ngirimaken ka Whisper - sampeyan boten kedah ngkonversi apa-apa piyambak. Pipeline ingkang sami tanpa ngginakaken basa sumber, kados ta jw.
Anonim upload cap ing kira-kira 500 MB saben file. Akun sing didaftar ing munggah nganti2GB. Duration ora watesan hard - file dawa dipotong kanthi otomatis (30-detik jendela karo overlap) lan dijahit maneh menyang transcript tunggal karo timestamp terus. Multi-jam jw rekaman (podcasts, ceramah lengkap, rapat) kerja apik.
Ya - diarisasi juru basa diaktifaké kanthi piawai kanggo saben transkripsi jw. Output dipérang dadi juru basa 1 / juru basa2/ juru basa3kaliyan timestamp, saéngga wawancara, diskusi panel, lan rapat multi- pihak teka bali kanthi label. Diarisasi diwiwiti ing model kang béda lan kerja kaya ing kabeh basa sing kita dukung.
Ya - tempel URL ing /transcribe/youtube/kanggé YouTube utawi /transcribe/podcast/kanggé podcast feeds (Apple, Spotify, RSS). Kita ngundhuh audio, nglampahi liwat Whisper kaliyan basa=jw, lan bali transcript kaliyan timestamp lan label juru bicara. Kandungan jw ingkang khas: lectures, wawancara, swara note, lan YouTube isi ing jw kabeh kerja - nyelehake URL ing /transcribe/youtube/ utawa upload file langsung.
Whisper mbayar 50 token saben menit audio, saéngga rekaman siji jam mbayar ~3,000 token. Kabèh pangguna ora nglampahi apa-apa - pool gratis saben dina 30,000 token nglindhungi klip cekak, notifikasi swara, lan podcast siji-off. Saliyané iku, transkripsi pay-as-you-go, karo token top-ups saka $1.
Ya - kanggé segmen-tingkat (saben ~10-30 detik) lan tembung-tingkat timestamp wonten. tembung-tingkat punika piawai kanggé VTT/SRT subtitle ekspor supados subtitle sincronize baris-ka-baris. Ing API atur timestamps="word" ing awak pitakonan. jw transkripsi dipunbalikaken ing standar UTF-8 kaliyan ortografi basa ingkang normal.
Ya. POST audio (multipart/form-data, jeneng medan "file") menyang /v1/transcribe/ karo basa=jw - utawa lali parameter basa kanggo ngaktifake Whisper auto-deteksi. Ngubungaké JSON karo transcript, segmen, timestamp, lan label speaker. Referensi lan SDK snippets lengkap ing /api/.
Ya - nalika transkripsi rampung, klik Terjemah utawa tempel teks ing /translate/. jw pasangan karo saben basa liyane sing kita dhukung (200+). Kanggo rapat menit, pipa transkripsi liwat /summarize/; kanggo dubbing ngirim iku menyang /voice/tts/ kanggo ngasilaké audio ing basa tujuan.
Whisper's noise training helps less at this tier - the bottleneck is the amount of jw audio Whisper saw during training, not noise. Clean studio audio still beats noise audio, but neither will reach the accuracy you would get on a high- resource language. If a transcript comes back unusable, email contact@free.ai with the file - we will refund the tokens and look at whether a different engine handles your audio better.