ScribeToAny
Μετατρέψτε οποιοδήποτε ήχο ή βίντεο σε ακριβές κείμενο
Το ScribeToAny μετατρέπει αρχεία ήχου και βίντεο σε κείμενο και υπότιτλους. Απομαγνητοφωνεί περίπου 98 γλώσσες με χρονικές σημάνσεις και ετικέτες ομιλητών, σας επιτρέπει να επεξεργαστείτε κάθε γραμμή στο πρόγραμμα περιήγησης, εξάγει TXT, SRT, VTT, TSV, CSV, JSON, PDF και DOCX, και μεταφράζει το αποτέλεσμα σε 134+ γλώσσες διατηρώντας τον χρονισμό των υποτίτλων. Μπορείτε να ξεκινήσετε δωρεάν με 100 λεπτά κάθε μήνα, χωρίς πιστωτική κάρτα.
Οι απαντήσεις φτάνουν συνήθως εντός 1–2 εργάσιμων ημερών.
Ποιος το δημιουργεί
Είμαι ο Ray Mac, πρώην μηχανικός της ByteDance. Αναπτύσσω και λειτουργώ το ScribeToAny μόνος μου· η πρώτη έκδοση κυκλοφόρησε τον Ιούλιο του 2026. Οι δοκιμασμένοι οδηγοί στο ιστολόγιο είναι επίσης δικοί μου: εκτελώ όσα περιγράφουν σε πραγματικές ηχογραφήσεις και αρχεία πριν από τη δημοσίευση.
Τα αγγλικά δεν είναι η μητρική μου γλώσσα, και πολλά από αυτά που παρακολουθώ και με τα οποία εργάζομαι δεν είναι επίσης στα αγγλικά. Αφού έφυγα από την ByteDance, συναντούσα συνεχώς το ίδιο πρόβλημα: τα εργαλεία για τη μετατροπή ηχογραφήσεων σε κείμενο και υπότιτλους έδιναν προτεραιότητα στα αγγλικά, εστίαζαν σε συσκέψεις και έφταναν γρήγορα σε όρια χρήσης. Έτσι έφτιαξα το εργαλείο που ήθελα: περίπου 98 γλώσσες εισόδου, 134+ εξόδου, υπότιτλοι ελεγμένοι για την ταχύτητα ανάγνωσης και ένα δωρεάν υπόλοιπο που ανανεώνεται κάθε μήνα αντί για μια δοκιμή μίας χρήσης.
Το ScribeToAny λειτουργεί από την Scribe Saas, LLC, μια εταιρεία εγγεγραμμένη στις Ηνωμένες Πολιτείες.
Πώς λειτουργεί
Οι μεταφορτώσεις πηγαίνουν απευθείας από το πρόγραμμα περιήγησής σας σε κρυπτογραφημένο χώρο αποθήκευσης. Η απομαγνητοφώνηση εκτελεί μοντέλα ομιλίας κατηγορίας Whisper (faster-whisper) σε αποκλειστικές GPU, ανιχνεύει αυτόματα την ομιλούμενη γλώσσα και επισημαίνει τους ομιλητές. Οι υπότιτλοι ελέγχονται ως προς την ταχύτητα ανάγνωσης: οι ατάκες που περνούν πολύ γρήγορα επισημαίνονται, χωρίς ποτέ να ξαναγράφονται σιωπηρά.
Τεχνικές σημειώσεις: εκτέλεση του Whisper σε GPU από το Cloudflare WorkersΠώς δοκιμάζεται
Δημοσιεύω όσα μετρώ, συμπεριλαμβανομένων των σημείων όπου υστερεί:
- Ακρίβεια: σε μια δοκιμαστική ηχογράφηση με σενάριο, 4 από τις 189 λέξεις διέφεραν από το κείμενο (ποσοστό σφάλματος λέξεων 2,1%), και οι 14 εναλλαγές ομιλητών επισημάνθηκαν σωστά. Διαβάστε τις λεπτομέρειες
- Αρχεία υποτίτλων: η εκτέλεση 16 κατεστραμμένων αρχείων SRT μέσω του ffmpeg και του δικού μας parser αποκάλυψε τρία σφάλματα στον parser, τα οποία έχουν πλέον διορθωθεί. Διαβάστε τις λεπτομέρειες
- Γλώσσες: όταν σε ηχογραφήσεις στα ταϊλανδικά, τα λαοτιανά και τα βιρμανικά έλειπε ομιλία, εντόπισα την αιτία σε δύο ρυθμίσεις αποκωδικοποίησης και τις άλλαξα για αυτά τα συστήματα γραφής.
- Τιμολόγηση: η σύγκριση με τα Otter, Rev, Sonix και HappyScribe αναφέρει επίσης πού υπερτερούν έναντι του ScribeToAny. Διαβάστε τις λεπτομέρειες
Τα αρχεία σας
- Ο αρχικός ήχος ή το βίντεο διαγράφεται αυτόματα μετά την απομαγνητοφώνηση. Εάν μια εργασία αποτύχει, το αρχείο διατηρείται για έως και 7 ημέρες, ώστε να μπορείτε να δοκιμάσετε ξανά.
- Οι απομαγνητοφωνήσεις παραμένουν στον λογαριασμό σας μέχρι να τις διαγράψετε.
- Δεν χρησιμοποιούμε ποτέ τίποτα από όσα μεταφορτώνετε για την εκπαίδευση μοντέλων AI.