Chép lời

Tạo phụ đề SRT tự động từ video và file ghi âm

Thả một file âm thanh hoặc video, nhận về bản chép lời có mốc thời gian, phụ đề SRT, VTT và văn bản thuần. Hỗ trợ tiếng Việt và hàng chục ngôn ngữ khác.

Đội ngũ Voixa3 phút đọc
Chép lời
Chép lời
Tóm tắt nhanh
  • Nhận WAV, MP3, M4A, MP4, OGG, WebM, FLAC, AAC, tối đa 5 GB và 8 giờ mỗi tệp.
  • Tự nhận ngôn ngữ; có thể dịch thẳng sang tiếng Anh.
  • Gắn nhãn người nói cho phỏng vấn, cuộc họp nhiều người.
  • 8 token mỗi giây âm thanh (480 token một phút), tính theo độ dài thật.

Chép lời (speech-to-text) là chuyển lời nói trong file âm thanh hay video thành chữ. Có bản chép lời kèm mốc thời gian, bạn làm được phụ đề cho video, biên bản cuộc họp, hay bài viết từ một tập podcast. Voixa dùng mô hình nhận dạng Whisper, nhận hàng chục ngôn ngữ, trong đó có tiếng Việt.

Các bước

Thả tệp vào trang Chép lời

Mở Chép lời ở thanh bên rồi thả tệp vào. Với video, chỉ phần âm thanh được đọc nên bạn không cần tách tiếng trước. Tệp lớn có thanh tiến độ tải lên.

Chọn tuỳ chọn

  • Ngôn ngữ: để Tự nhận diện, hoặc chọn sẵn nếu bạn biết.
  • Kết quả: cùng ngôn ngữ với lời nói, hoặc dịch sang tiếng Anh.
  • Mốc thời gian theo từng từ: lưu thời điểm của từng chữ (lấy qua API, hữu ích khi tự làm phụ đề hiện từng chữ); chậm hơn khoảng 10%.
  • Gắn nhãn người nói: biết ai nói câu nào; các tệp cùng dự án dùng chung danh sách người nói.

Chờ máy chạy

Lần đầu sau một lúc không ai dùng, máy nhận dạng cần một đến ba phút để khởi động. Sau đó tệp dài được chia thành nhiều phần chạy song song: một giờ âm thanh thường xong trong khoảng mười phút.

Đọc lại và xuất

Bản chép lời hiện từng đoạn kèm mốc thời gian; bấm một đoạn để nghe đúng chỗ đó, hoặc tìm chữ trong bản chép. Nút Xuất cho bạn TXT, SRT hoặc VTT.

Chép lời/ Phỏng vấn tập 3
00:00:04 · Người nói 1 · Chào mừng các bạn quay lại chương trình.
00:00:09 · Người nói 2 · Cảm ơn anh đã mời tôi.
Mỗi đoạn có mốc thời gian và người nói; bấm vào để nghe từ chỗ đó.

SRT, VTT hay TXT?

SRT là định dạng phụ đề phổ biến nhất: YouTube, Facebook và hầu hết phần mềm dựng video đều nhận. VTT (WebVTT) là định dạng cho trình phát trên web, thẻ <track> của HTML5 dùng VTT. Không chắc thì chọn SRT. TXT là văn bản thuần, hợp để làm biên bản hay bài viết.

Bản chép lời của tên riêng và thuật ngữ hiếm có thể sai chính tả. Khi gọi qua API, bạn gửi kèm được gợi ý chính tả, ví dụ tên công ty hay tên sản phẩm, để kết quả đúng ngay từ đầu.

Chi phí

Chép lời tính 8 token mỗi giây âm thanh: 480 token một phút, 28.800 token một giờ. Voixa giữ trước số token ước từ dung lượng tệp, rồi tính theo độ dài thật khi xong và hoàn phần thừa. Không đủ token thì việc không chạy và tệp bị xoá, bạn không mất gì.

Bản chép lời còn dùng làm gì?

Câu hỏi thường gặp

Chép lời tiếng Việt có chính xác không?

Trên giọng nói rõ, thử nghiệm của chúng tôi khớp khoảng 94–98% số từ với văn bản gốc. Ghi âm có nhạc nền to, nhiều người nói chồng lên nhau hay cuộc gọi điện thoại sẽ kém hơn.

Hỗ trợ những ngôn ngữ nào?

36 ngôn ngữ, gồm tiếng Việt, Anh, Trung, Nhật, Hàn, Pháp, Đức và nhiều ngôn ngữ khác. Để Tự nhận diện là đủ trong đa số trường hợp.

File tôi tải lên có bị giữ lại không?

Bản chép lời và âm thanh nằm trong tài khoản của bạn cho tới khi bạn xoá. Xoá bản chép lời là xoá luôn âm thanh đã tải lên.

Có chép lời qua API được không?

Có. SDK có hàm transcribeFile: gửi tệp, chờ, rồi nhận văn bản, các đoạn có mốc thời gian và link SRT, VTT. Xem hướng dẫn gọi API từ Node.js và Python.

Đội ngũ Voixa

Nhóm kỹ sư và biên tập viên làm ra Voixa. Mọi mẫu âm thanh trong bài đều được tạo bằng Voixa.

Bình luận

Chưa có bình luận nào. Hãy là người đầu tiên.

Email không hiển thị công khai.

Bài liên quan

Đọc tiếp