Lời nói thành văn bản, đúng chuẩn
Chuyển đổi lời nói đã ghi âm — phỏng vấn, cuộc họp, bài giảng, ghi chú thoại — thành văn bản có cấu trúc với công nghệ nhận dạng giọng nói tự động (ASR). ScribeToAny vận hành các mô hình lớp Whisper trên GPU chuyên dụng trên khoảng 98 ngôn ngữ, tự động ngắt câu, thêm dấu và gắn nhãn người nói; âm thanh rõ ràng mang lại kết quả tốt nhất.
- Phiên âm AI
- 98 ngôn ngữ
- Được mã hóa, chúng tôi không bao giờ dùng tệp của bạn để huấn luyện AI
Bắt đầu với bản ghi của bạn
Thả tệp âm thanh hoặc video vào đây, hoặc nhấp để chọn.
Kết quả nhận được: bản chép lời thực tế
Bản chép thô từ cuộc phỏng vấn 64 giây giữa hai người nói (giọng nhân tạo), được xử lý với tính năng nhận diện người nói. Chỉ hiển thị những dòng đầu tiên.
SPEAKER_00 (0:00) Welcome back to Small Shop Stories. SPEAKER_00 (0:02) Today I'm talking to Maya, who runs a tiny bakery on the SPEAKER_00 (0:05) corner of Mill Street. SPEAKER_01 (0:07) Thanks for having me. SPEAKER_01 (0:08) It's really small, just two ovens and a counter. SPEAKER_00 (0:12) So how does a normal day start for you?
1 00:00:00,000 --> 00:00:01,680 [SPEAKER_00] Welcome back to Small Shop Stories. 2 00:00:02,160 --> 00:00:05,320 [SPEAKER_00] Today I'm talking to Maya, who runs a tiny bakery on the 3 00:00:05,320 --> 00:00:06,320 [SPEAKER_00] corner of Mill Street.
Đối chiếu với văn bản gốc, chỉ có 4 trên 189 từ bị sai lệch — tỷ lệ lỗi từ là 2,1%, tính cả lỗi viết “80” thay vì “eighty” — và toàn bộ 14 lượt nói đều được gắn nhãn chính xác. Đây là bản thu âm rõ tiếng; những bản ghi nhiều tạp âm hoặc nói chen lời nhau sẽ có độ chính xác thấp hơn. Xem toàn bộ bản chép lời và cách tính điểm
Cách hoạt động
- 1
Tải lên
Thả tệp âm thanh hoặc video vào, hoặc dán liên kết. Mọi định dạng phổ biến đều được chấp nhận.
- 2
Phiên âm
AI phiên âm với dấu thời gian và nhãn người nói tùy chọn, thường chỉ trong vài phút.
- 3
Xuất
Chỉnh sửa phân đoạn trực tuyến, sau đó xuất TXT, SRT, VTT, TSV, CSV, JSON, PDF hoặc DOCX.
Tại sao chọn ScribeToAny
- Nhận dạng giọng nói tự động (ASR) với các mô hình lớp Whisper trên khoảng 98 ngôn ngữ, đạt độ chuẩn xác cao nhất với giọng nói rõ ràng, bản thu tốt.
- Tự động phân biệt người nói: đánh dấu rõ ràng từng nhân vật (Người nói 1, Người nói 2) trong các cuộc họp và phỏng vấn.
- Dấu câu, chữ hoa và ngắt đoạn được tự động chèn vào hợp lý, giúp lời nói được định dạng mạch lạc như các đoạn văn hoàn chỉnh.
Câu hỏi thường gặp
Nhận dạng giọng nói AI (ASR) khác với chuyển đổi tệp âm thanh đơn thuần như thế nào?
Chuyển đổi tệp chỉ đơn thuần mã hóa lại âm thanh giữa các định dạng (như WAV sang MP3). Nhận dạng giọng nói (ASR) dùng mạng nơ-ron sâu để chuyển âm học thành từ ngữ, tự động ngắt câu thêm dấu và phân tách người nói thành hội thoại rõ ràng.
Đây là tính năng đọc chính tả trực tiếp hay phiên âm tệp?
Đây là tính năng phiên âm tệp. Bạn tải lên hoặc ghi âm và nhận lại bản phiên âm hoàn chỉnh kèm mốc thời gian. Vì mô hình tiếp cận được toàn bộ bản ghi âm nên có thể tận dụng tối đa ngữ cảnh xung quanh — thường chính xác hơn nhiều so với các công cụ đoán từng từ theo thời gian thực khi bạn nói — đồng thời bạn còn có thêm nhãn người nói, khả năng chỉnh sửa từng đoạn và 8 định dạng xuất tệp.
Âm thanh của tôi có được bảo mật không?
Có. Tệp được tải qua HTTPS thẳng vào bộ nhớ đám mây mã hóa, chỉ hiển thị với tài khoản của bạn. Chúng tôi không bao giờ huấn luyện AI trên các tệp của bạn. Bản ghi vẫn riêng tư trừ khi bạn chủ động tạo liên kết chia sẻ chỉ đọc, có thể thu hồi bất cứ lúc nào. Bạn cũng có thể xóa vĩnh viễn bất kỳ tệp hoặc bản ghi nào khỏi không gian làm việc.
Những từ đệm như “ừm”, “ờ” có được giữ lại không?
Thường là không. Các mô hình lớp Whisper có xu hướng tạo ra bản ghi sạch: hầu hết các từ đệm, đoạn ngập ngừng và từ lặp lại đều được lược bỏ để văn bản dễ đọc hơn. Nếu bạn cần bản ghi nguyên văn nghiêm ngặt — ví dụ cho mục đích nghiên cứu — bạn có thể dễ dàng bổ sung lại trong trình chỉnh sửa trong khi nghe lại âm thanh.
Tôi có thể nói vào micrô thay vì tải tệp lên không?
Có — hãy sử dụng tính năng “Ghi âm” trong không gian làm việc của bạn. Tính năng sẽ thu âm trực tiếp trong trình duyệt, sau đó phiên âm bản ghi với các tùy chọn tương tự như khi tải tệp lên. Đây không phải phụ đề trực tiếp: văn bản sẽ xuất hiện sau khi bạn dừng ghi âm, đó cũng là lý do mô hình có thể tận dụng toàn bộ ngữ cảnh bản ghi.