ScribeToAny
Zamień dowolne audio lub wideo na dokładny tekst
ScribeToAny zamienia pliki audio i wideo w tekst oraz napisy. Transkrybuje około 98 języków ze znacznikami czasu i oznaczeniami mówców, pozwala edytować każdą linijkę w przeglądarce, eksportuje do TXT, SRT, VTT, TSV, CSV, JSON, PDF i DOCX oraz tłumaczy wynik na 134+ języków z zachowaniem synchronizacji napisów. Możesz zacząć za darmo ze 100 minutami co miesiąc, bez karty.
Odpowiedzi zazwyczaj przychodzą w ciągu 1–2 dni roboczych.
Kto za tym stoi
Nazywam się Ray Mac, wcześniej inżynier w ByteDance. Tworzę i prowadzę ScribeToAny samodzielnie; pierwsza wersja ruszyła w lipcu 2026. Sprawdzone poradniki na blogu są również mojego autorstwa: przed publikacją uruchamiam opisywane procedury na prawdziwych nagraniach i plikach.
Angielski nie jest moim językiem ojczystym, a wiele z tego, co oglądam i z czym pracuję, również nie jest po angielsku. Po odejściu z ByteDance wciąż zdarzało mi się napotykać ten sam problem: narzędzia do zamiany nagrań na tekst i napisy stawiały angielski na pierwszym miejscu, były tworzone głównie z myślą o spotkaniach i szybko ograniczały użytkownika limitami. Dlatego udało mi się stworzyć narzędzie, jakiego było mi trzeba: około 98 języków na wejściu, 134+ na wyjściu, napisy sprawdzane pod kątem prędkości czytania oraz bezpłatny limit odnawiany co miesiąc zamiast jednorazowego okresu próbnego.
ScribeToAny jest prowadzony przez Scribe Saas, LLC, spółkę zarejestrowaną w Stanach Zjednoczonych.
Jak to działa
Przesyłane pliki trafiają bezpośrednio z przeglądarki do zaszyfrowanego magazynu. Transkrypcja uruchamia modele mowy klasy Whisper (faster-whisper) na dedykowanych GPU, automatycznie wykrywa język mówiony i oznacza mówców. Napisy są weryfikowane pod kątem tempa czytania: kwestie znikające zbyt szybko są oznaczane, a nie po cichu modyfikowane.
Notatki inżynieryjne: uruchamianie Whisper na GPU z Cloudflare WorkersJak przebiegają testy
Publikuję to, co mierzę, w tym także niedociągnięcia:
- Dokładność: na nagraniu testowym ze skryptem 4 ze 189 słów różniły się od skryptu (współczynnik błędu słów 2,1%), a wszystkie 14 wypowiedzi mówców oznaczono poprawnie. Zobacz szczegóły
- Pliki napisów: przetworzenie 16 uszkodzonych plików SRT przez ffmpeg i nasz własny parser ujawniło trzy błędy w parserze, które zostały już naprawione. Zobacz szczegóły
- Języki: gdy w nagraniach w języku tajskim, laotańskim i birmańskim brakowało części mowy, udało mi się ustalić, że przyczyną były dwa ustawienia dekodowania, i zmienić je dla tych systemów pisma.
- Ceny: porównanie z Otter, Rev, Sonix i HappyScribe wskazuje również miejsca, w których wypadają one lepiej niż ScribeToAny. Zobacz szczegóły
Twoje pliki
- Oryginalne audio lub wideo jest usuwane automatycznie po transkrypcji. Jeśli zadanie się nie powiedzie, plik jest przechowywany do 7 dni, aby można było ponowić próbę.
- Transkrypcje pozostają na Twoim koncie, dopóki ich nie usuniesz.
- Nigdy nie używamy niczego, co przesyłasz, do trenowania modeli AI.