សេរី កាហ្សាក់ បកប្រែ
បកប្រែ កាហ្សាក់ អូឌីយ៉ូនិងវីដេអូទៅអត្ថបទជាមួយ AI. រហ័ស, ត្រឹមត្រូវ, និងដោយឥតគិតថ្លៃ.
របៀបដែលវាធ្វើការ
- ទៅកាន់ កម្មវិធីបម្លែងសំឡេង Free.ai
- ផ្ទុកឯកសារអូឌីយ៉ូ ឬវីដេអូ កាហ្សាក់ របស់អ្នកឡើង
- AI របស់យើងរកឃើញ កាហ្សាក់ ដោយស្វ័យប្រវត្តិនិង transcribes វា
- ទាញយកការបកប្រែរបស់អ្នកជាអត្ថបទ ឬចំណងជើងរង SRT
កាហ្សាក់ លក្ខណៈពិសេសបម្លែងជាសំឡេង
- ✓ដំណើរការដោយ faster-whisper (អាជ្ញាប័ណ្ណ MIT)
- ✓ការរកឃើញភាសា កាហ្សាក់ ដោយស្វ័យប្រវត្តិ
- ✓គាំទ្រ MP3, WAV, MP4, M4A, FLAC និងច្រើនទៀត
- ✓នាំចេញសម្គាល់ពេលវេលា និងចំណងជើងរង (SRT)
- ✓គ្មានដែនកំណត់ទំហំឯកសារលើផែនការដែលបានបង់
- ✓ឯកជន និងមានសុវត្ថិភាព -- ឯកសារត្រូវបានលុបបន្ទាប់ពីដំណើរការ
សេចក្ដីលម្អិតភាសា
| ភាសា | កាហ្សាក់ |
| កូដ ISO | kk |
| ម៉ូដែល AI | faster-whisper |
| តម្លៃ | ឥតគិតថ្លៃ |
ភាសាបន្ថែម
មើលភាសាទាំងអស់សំណួរដែលសួរញឹកញាប់
កាហ្សាក់ គឺជាភាសាដែលមានធនធានតិចសម្រាប់ Whisper - ធំ-v3-turbo អង្គុយនៅខាងលើ 25% អត្រាកំហុសពាក្យ, ពេលខ្លះល្អប្រសើរជាងនេះ. អត្ថបទនេះមានប្រយោជន៍សម្រាប់ស្វែងរកនិង gist ប៉ុន្តែមិនគួរត្រូវបានចាត់ទុកថាជាបោះពុម្ពផ្សាយរួចរាល់. ប្រសិនបើម៉ាស៊ីនដែលមានភាពត្រឹមត្រូវខ្ពស់អាចប្រើបានសម្រាប់ កាហ្សាក់ យើងខ្សែវាដោយស្វ័យប្រវត្តិ.(កម្រិត D, over 25% word error rate លើការកំណត់ប្រៀបធៀប - យើងបោះពុម្ពផ្សាយថ្នាក់ WER ស្មោះត្រង់ ជាងការចោទប្រកាន់ទីផ្សារ។ )
បាទ - កាហ្សាក់ ការបកប្រែដកស្រង់ពីទឹកកកឥតគិតថ្លៃប្រចាំថ្ងៃរបស់អ្នកជាលើកដំបូង។ អូឌីយ៉ូចំណាយប្រហែល 50 សញ្ញាក្នុងមួយនាទីដូច្នេះទឹកកកប្រចាំថ្ងៃអនាមិកគ្របដណ្តប់ម៉ោងមួយចំនួននៃអូឌីយ៉ូក្នុងមួយថ្ងៃ។ គណនីដែលបានចុះឈ្មោះទទួលបានទឹកកកប្រចាំថ្ងៃធំជាង 30,000 សញ្ញា។ កន្លងមកការបកប្រែគឺបង់ប្រាក់តាមដែលអ្នកទៅជាមួយសញ្ញាពី $1 ។
អត្ថបទដែលបានចម្លង កាហ្សាក់ ត្រូវបានត្រឡប់ជា UTF- 8 ស្តង់ដារជាមួយអក្ខរាវិរុទ្ធធម្មតារបស់ភាសា ។
MP3, WAV, M4A, FLAC, OGG, OPUS, និង WEBM ត្រូវបានទទួលយកដោយផ្ទាល់។ សម្រាប់វីដេអូ (MP4, MOV, MKV) យើងបានស្រង់ចេញបទអូឌីយ៉ូខាងម៉ាស៊ីនបម្រើមុនពេលផ្ញើវាទៅ Whisper - អ្នកមិនចាំបាច់បម្លែងអ្វីទាំងអស់ដោយខ្លួនឯង។ បំពង់ដូចគ្នាមិនថាភាសាប្រភពរួមទាំង កាហ្សាក់ ។
កាបូបផ្ទុកឡើងអនាមិកនៅប្រហែល 500 MB ក្នុងមួយឯកសារ. គណនីដែលបានចុះឈ្មោះចូលទៅក្នុងឡើងទៅ2GB. រយៈពេលគឺមិនជាដែនកំណត់រឹង - ឯកសារវែងត្រូវបាន chunked ដោយស្វ័យប្រវត្តិ (បង្អួច 30 វិនាទីជាមួយនឹងការលើសពីគ្នា) និង stitch ត្រឡប់ទៅក្នុង transcript មួយជាមួយ timestamps បន្ត. បទចម្រៀង កាហ្សាក់ ច្រើនម៉ោង (ផតខាស់, វគ្គសិក្សាពេញលេញ, កិច្ចប្រជុំ) ធ្វើការល្អ.
បាទ - diarization អ្នក និយាយ គឺ លើ ដោយ លំនាំដើម សម្រាប់ រាល់ កាហ្សាក់ transcript. លទ្ធផល ត្រូវ បាន ចែក ជា ផ្នែក ជា អ្នក និយាយ 1 / អ្នក និយាយ2/ អ្នក និយាយ3ជាមួយ កាលបរិច្ឆេទ បោះពុម្ព ផ្សាយ, ដូច្នេះ ការ សម្ភាសន៍, ការ ពិភាក្សា ក្រុម និង ការ ជួប ប្រជុំ ច្រើន ភាគី មក វិញ ស្លាក. Diarization រត់ លើ ម៉ូដែល ដាច់ គ្នា និង ធ្វើការ ដូចគ្នា លើ ភាសា ទាំងអស់ ដែល យើង គាំទ្រ.
មែន - បិទភ្ជាប់ URL ទៅក្នុង /transcribe/youtube/ សម្រាប់ YouTube ឬ /transcribe/podcast/ សម្រាប់ Podcast Feeds (ក្រុមហ៊ុន Apple, Spotify, RSS). យើងទាញយកអូឌីយ៉ូ, រត់វាតាមរយៈ Whisper ជាមួយ language=kk, និងត្រឡប់ទៅ transcript ជាមួយ timestamps និងស្លាកអ្នកនិយាយ. មាតិកា កាហ្សាក់ ធម្មតា: វគ្គសិក្សា, បទសម្ភាសន៍, ចំណាំសំឡេង, និងមាតិកា YouTube ក្នុង កាហ្សាក់ ទាំងអស់ការងារ - បិទភ្ជាប់ URL ទៅក្នុង / transcribe / youtube / ឬផ្ទុកឡើងឯកសារដោយផ្ទាល់.
Whisper ចំណាយប្រហែល 50 សញ្ញាក្នុងមួយនាទីនៃសំឡេង, ដូច្នេះការថតមួយម៉ោងគឺ ~3,000 សញ្ញា. អ្នកប្រើភាគច្រើនមិនចំណាយអ្វីទាំងអស់ - ទឹកកកប្រចាំថ្ងៃដោយឥតគិតថ្លៃនៃ 30,000 សញ្ញាគ្របដណ្តប់វីដេអូខ្លី, សំឡេងនិងផតខាស់មួយ-off. លើសពីនេះទៀត, ការបកប្រែគឺបង់ប្រាក់-ដូច-អ្នក-ទៅ, ជាមួយនឹងសញ្ញា top-ups ពី $1.
បាទ - ទាំងផ្នែកកម្រិត (រៀងរាល់ ~ 10-30 វិនាទី) និង ពាក្យ កម្រិត សម្គាល់ ពេលវេលា មាន ។ ពាក្យ កម្រិត គឺ លំនាំដើម សម្រាប់ VTT / SRT នាំចេញ ចំណងជើង រង ដូច្នេះ ចំណងជើង សមកាលកម្ម បន្ទាត់ ដោយ បន្ទាត់ ។ លើ API កំណត់ សម្គាល់ ពេលវេលា "ពាក្យ" ក្នុង រាងកាយ សំណើ ។ អត្ថបទដែលបានចម្លង កាហ្សាក់ ត្រូវបានត្រឡប់ជា UTF- 8 ស្តង់ដារជាមួយអក្ខរាវិរុទ្ធធម្មតារបស់ភាសា ។
បាទ/ ចាស ។ POST អូឌីយ៉ូ (ផ្នែកច្រើន / ទិន្នន័យសំណុំបែបបទ, ឈ្មោះវាល "ឯកសារ") ទៅ / v1 / transcribe / ជាមួយ language=kk - ឬលុបប៉ារ៉ាម៉ែត្រភាសាដើម្បីអនុញ្ញាតឱ្យ Whisper រកមើលដោយស្វ័យប្រវត្តិ ។ ត្រឡប់ JSON ជាមួយ transcript, ផ្នែក, សម័យ និងស្លាកអ្នកនិយាយ ។ សេចក្ដីយោងពេញលេញនិង snippets SDK នៅ / api / ។
បាទ - បញ្ចប់ការបកប្រែម្តង, ចុច បកប្រែ ឬ បិទភ្ជាប់អត្ថបទទៅក្នុង / បកប្រែ /. កាហ្សាក់ ដៃគូជាមួយភាសាផ្សេងទៀតទាំងអស់ដែលយើងគាំទ្រ (200+). សម្រាប់កិច្ចប្រជុំនាទីបំពង់ transcript តាមរយៈ / summarize /; សម្រាប់ dubbing ផ្ញើវាទៅ / voice / tts / ដើម្បីបង្ហាញអូឌីយ៉ូនៅក្នុងភាសាគោលដៅ.
ការបណ្តុះបណ្តាលសំឡេងរំខានរបស់ Whisper ជួយតិចនៅកម្រិតនេះ - ច្រកគឺចំនួននៃ កាហ្សាក់ អូឌីយ៉ូ Whisper ឃើញក្នុងអំឡុងពេលបណ្តុះបណ្តាល, មិនមានសំឡេងរំខាន ។ អូឌីយ៉ូស្ទូឌីយោស្អាតនៅតែបាញ់សំឡេងរំខាន, ប៉ុន្តែមិននឹងឈានដល់ភាពត្រឹមត្រូវដែលអ្នកនឹងទទួលបានលើភាសាធនធានខ្ពស់ ។ប្រសិនបើអត្ថបទដែលបានសរសេរមកវិញមិនអាចប្រើបានទេ សូមផ្ញើអ៊ីមែលទៅ contact@free.ai ជាមួយនឹងឯកសារនោះ - យើងនឹងសងប្រាក់វិញ ហើយមើលថាតើម៉ាស៊ីនផ្សេងទៀតអាចគ្រប់គ្រងអូឌីយ៉ូរបស់អ្នកបានល្អជាងឬអត់ ។