تبدیل صدا به متن
مصاحبه، کلاس درس، جلسه یا پیام صوتی را بارگذاری کنید و متن نوشتاری آن را دریافت کنید. تشخیص گفتار آنچه گفته شده را با علائم نگارشی، و در صورت تمایل با زمان‌بندی و برچسب گوینده، به‌صورت سند یا زیرنویس ویدیو می‌نویسد.
تبدیل صدا به متن
یا فایل‌های MP3, WAV, M4A … را اینجا رها کنید ·
حداکثر 95 MB برای هر فایل· تا 20 فایل· حذف پس از 30 دقیقه
فایلها روی سرورهای ما پردازش میشوند و پس از 30 دقیقه حذف میشوند.
خطوط زیرنویس طولانیتر از این مقدار شکسته میشوند. 42 استاندارد رایج پخش تلویزیونی است.
اختیاری. ثانیه (مثلاً 75) یا دقیقه:ثانیه (1:15). برای رونویسی از ابتدا خالی بگذارید.
اختیاری. با همان قالب زمان شروع. برای رونویسی تا انتها خالی بگذارید.
نحوه استفاده از این ابزار
- 1
فایل صوتی یا ویدیو را بارگذاری کنید
فایل‌های MP3، M4A، WAV، AAC، FLAC، OGG، Opus، AMR یا دیگر فایل‌های صوتی، یا ویدیوهای MP4، MOV، MKV، WebM و AVI را اضافه کنید. حداکثر 20 فایل، هر کدام تا 95 MB.
- 2
زبان و فرمت خروجی را انتخاب کنید
زبان گفتار روی تشخیص خودکار است. خروجی را انتخاب کنید: متن ساده، Word، PDF، زیرنویس SRT یا VTT، یا JSON همراه با زمان‌بندی کلمات.
- 3
پیاده‌سازی کنید و دانلود کنید
روی تبدیل گفتار به متن بزنید؛ نام خروجی انتخاب‌شده هم روی دکمه نوشته میشود. متن را باز کنید، نام‌ها و عددها را بازبینی کنید و دانلود کنید.
تبدیل صدا به متن که پیاده‌سازی هم نامیده میشود، گفتار ضبطشده را به کلمات نوشتاری تبدیل میکند. فایل را بارگذاری کنید، زبان گفتار را روی تشخیص خودکار بگذارید یا زبان را انتخاب کنید، یک خروجی برگزینید و روی تبدیل گفتار به متن بزنید.
تبدیل صدا به متن: تشخیص گفتار چگونه کار میکند
تشخیص گفتار ضبط را در پنجره‌های کوتاه گوش میدهد، هر پنجره را به تصویری از فرکانس‌هایش تبدیل میکند و یک مدل آموزش‌دیده تعیین میکند کدام کلمات محتمل‌ترین منشأ آن صدا بوده‌اند. مدل‌های امروزی از حجم بسیار زیادی گفتار رونویسی‌شده یاد می‌گیرند و صداها و لهجه‌های گوناگون را بسیار بهتر از نرم‌افزارهای دیکته یک دهه پیش مدیریت می‌کنند. علائم نگارشی و حروف بزرگ از جریان جمله پیش‌بینی میشوند؛ اگر فقط کلمات خام می‌خواهید علائم نگارشی را خاموش کنید.
تنظیم زبان اهمیت دارد. تشخیص خودکار 30 ثانیهٔ اول را گوش میدهد و بعد یک زبان را برای کل فایل به کار می‌برد. اگر ضبط با موسیقی، جینگل یا سکوت شروع میشود یا بین زبان‌ها جابه‌جا میشود، خودتان زبان گفتار را انتخاب کنید. فهرست 33 زبان را پوشش میدهد، از انگلیسی، اسپانیایی و عربی تا هندی، تامیل، ژاپنی و اوکراینی.
کاربران از مسیرهای مختلف به این ابزار می‌رسند: خبرنگاری با مصاحبه‌ای روی گوشی، دانشجویی با درس ضبطشده، تیمی با خروجی جلسه، یا تولیدکنندهٔ محتوایی که زیرنویس لازم دارد. دو نوع فایل پرکاربرد صفحهٔ جدا دارند: تبدیل MP3 به متن برای فایل‌های ضبط‌کننده و پادکست و تبدیل M4A به متن برای یادداشت‌های صوتی iPhone. فایل‌های ویدیویی مستقیم کار می‌کنند و لازم نیست ابتدا صدا را جدا کنید.
فرمت‌های متن پیادهشده و زیرنویس
| خروجی | محتوا | بازکردن با |
|---|---|---|
| متن ساده (TXT) | پاراگراف‌های متن، با مهر زمانی و برچسب گوینده به‌صورت اختیاری | هر ویرایشگر متن، برنامهٔ یادداشت یا ایمیل |
| Word (DOCX) | متن قالب‌بندی‌شده، آمادهٔ ویرایش و اشتراک‌گذاری | Word، Google Docs، Pages، LibreOffice |
| نسخهٔ ثابت متن برای بایگانی | هر نمایشگر PDF یا مرورگر | |
| زیرنویس (SRT) | زیرنویس‌های شماره‌دار با زمان شروع و پایان | YouTube، ویرایشگرهای ویدیو، VLC |
| زیرنویس وب (VTT) | زیرنویس WebVTT، فرمت W3C که ویدیوی HTML5 به کار می‌برد | پخش‌کننده‌های وب، YouTube، پلتفرم‌های دوره آموزشی |
| JSON (زمان‌بندی کلمات) | هر کلمه با زمان شروع و پایانش | اسکریپت‌ها، نمایه‌های جست‌وجو، ابزارهای ویرایش |
زمان‌بندی، گوینده‌ها و سایر گزینه‌های متن پیادهشده
- مهر زمانی
- مهر زمانی زمان، مانند [01:15]، را جلوی هر پاراگراف متن‌های TXT، Word و PDF می‌گذارد تا لحظهٔ مورد نظر را در ضبط پیدا کنید.
- برچسب گوینده
- برچسب گوینده مشخص میکند چه کسی صحبت میکند، مثل گوینده 1، گوینده 2 و غیره، برای مصاحبه‌ها، جلسه‌ها و پادکست‌ها. بعداً برچسب‌ها را با نام‌ها جایگزین کنید.
- علائم نگارشی و کلمات زائد
- علائم نگارشی بهطور پیشفرض روشن است. حذف کلمات زائد مکث‌ها و تکیه‌کلام‌هایی مثل اِ، اوم و مانند آن‌ها را حذف میکند.
- تعداد نویسه در هر خط
- برای SRT و VTT، تعداد نویسه در هر خط زیرنویس‌های بلند را می‌شکند؛ پیشفرض 42 است، حدی که راهنمای زیرنویس Netflix برای بیشتر زبان‌های با خط لاتین به کار می‌برد؛ هر مقداری از 20 تا 80 مجاز است.
- بخش موردنظر برای تبدیل
- شروع از و پایان در کار را به یک بخش محدود می‌کنند، به ثانیه (75) یا دقیقه:ثانیه (1:15).
محدودیت‌های تبدیل صدا به متن آنلاین
- ضبط در هر دسته
- 20
- برای هر فایل صوتی یا ویدیویی
- 95 MB
- زبان گفتار به‌علاوهٔ تشخیص خودکار
- 33
- تا حذف فایلها و متن‌ها
- 30 دقیقه
دریافت متن پیاده‌شدهٔ دقیق‌تر
بسیاری از کلمات اشتباه یا جا افتاده‌اند
نویز پس‌زمینه، فاصله از میکروفون و صحبت هم‌زمان افراد بیشتر خطاها را باعث میشوند. هر جا ممکن است نزدیک‌تر به گوینده ضبط کنید و مطمئن شوید زبان گفتار درست است.
متن به زبان اشتباه است
تشخیص خودکار در 30 ثانیهٔ اول موسیقی یا زبانی دیگر شنیده است. خودتان زبان گفتار را انتخاب کنید و دوباره تبدیل کنید.
زیرنویس‌ها برای خواندن روی صفحه بیش از حد بلندند
تعداد نویسه در هر خط را برای بینندگان موبایل به 32–37 کاهش دهید تا هر زیرنویس به خط‌های کوتاه‌تر تقسیم شود.
نام‌ها و اصطلاحات تخصصی غلط نوشته شده‌اند
کلمات کمیاب برای هر مدلی دشوارند. آن‌ها را یک بار در خروجی Word یا متن جست‌وجو و جایگزین کنید؛ معمولاً در سراسر متن به یک شکل غلط نوشته میشوند.
پرسش‌های رایج دربارهٔ تبدیل صدا به متن
آیا میتوانم صدا را رایگان و بدون ثبتنام به متن تبدیل کنم؟
بله. فایل ضبطشده را بارگذاری کنید و روی تبدیل گفتار به متن بزنید؛ نه حساب کاربری لازم است، نه دورهٔ آزمایشی و نه کارت بانکی. فایلها 30 دقیقه پس از پردازش خودکار حذف میشوند، پس وقتی متن آماده شد آن را دانلود کنید.
چه چیزی یک ابزار تبدیل صدا به متن را از دیگری بهتر میکند؟
برای مقایسهٔ منصفانه، دقت را روی همان نوع ضبطی که دارید بسنجید و زبان‌های پشتیبانی‌شده، فرمت‌های خروجی و سرنوشت فایل پس از پردازش را بررسی کنید. اینجا 33 زبان به‌علاوهٔ تشخیص خودکار، شش خروجی از جمله زیرنویس، برچسب گوینده و مهر زمانی، و حذف خودکار پس از 30 دقیقه دارید.
صدا به چه زبانهایی به متن تبدیل میشود؟
33 زبان، که زیر زبان گفتار انتخاب میشوند: از جمله انگلیسی، اسپانیایی، فرانسوی، آلمانی، پرتغالی، ایتالیایی، روسی، عربی، ترکی، هندی، بنگالی، تامیل، تلوگو، مراتی، گجراتی، اردو، ژاپنی، کرهای، چینی، اندونزیایی، ویتنامی، تایلندی، لهستانی، اوکراینی، هلندی، سوئدی، یونانی و عبری. تشخیص خودکار از روی 30 ثانیهٔ اول، یک زبان برای کل فایل انتخاب میکند.
آیا میتوانم از صدای یک ویدیو برای آن زیرنویس بسازم؟
بله. خود ویدیو را بارگذاری کنید، زیر خروجی گزینهٔ SRT یا VTT را بزنید و یک فایل زیرنویس زمانبندیشده میگیرید که میتوانید در YouTube، ویرایشگر ویدیو یا پخشکنندهٔ HTML5 بارگذاری کنید. برای تغییر فرمت زیرنویس بعداً از مبدل زیرنویس استفاده کنید.
چگونه یک ضبط 3 ساعته را به متن تبدیل کنم؟
حجم فایلها تا 95 MB مجاز است، یعنی تقریباً 1 ساعت و 40 دقیقه MP3 با 128 kbps. کار را با شروع از و پایان در تقسیم کنید، یا ابتدا فایل را کوچکتر کنید: گفتار تبدیلشده به 64 kbps مونو با کاهش حجم فایل صوتی حدود 3.5 ساعت در این سقف جا میشود.
آیا متن پیادهشده را میتوان به انگلیسی ترجمه کرد؟
خیر، متن به همان زبانی نوشته میشود که گفته شده است. ابتدا تبدیل گفتار به متن را انجام دهید، سپس متن را در یک سرویس ترجمه بچسبانید؛ ترجمهٔ یک متن مرتب نتیجهٔ بهتری از ترجمهٔ مستقیم صدا میدهد و عبارت اصلی را هم برای بررسی نقلقولها نگه میدارید.
آیا تبدیل MP3 به متن با تبدیل ویدیو به متن فرق دارد؟
فقط در چیزی که بارگذاری میکنید. همان تشخیص گفتار روی صدای MP4 یا MOV و روی MP3 یا M4A اجرا میشود. تبدیل MP3 به متن و تبدیل M4A به متن پیشتنظیمهایی از همین ابزار برای این نوع فایلها هستند.
آیا «اِم» و «اِه» در متن پیادهشده میآیند؟
بهطور پیشفرض بله، چون گاهی رونوشت عیناً لازم است، مثلاً در مصاحبههای پژوهشی. برای متنی تمیزتر که قرار است خوانده، نقل یا منتشر شود، حذف کلمات زائد را روشن کنید.
همه ابزارهای تبدیل صدا به متن
همان هدفی را که از شما خواسته شده انتخاب کنید. هر صفحه زیر همین ابزار است، فقط با تنظیمات پیشفرض متفاوت.