Cách hoạt động
Từ âm thanh ra chữ
Âm thanh được giải mã ngay trong trình duyệt, trộn xuống một kênh và lấy mẫu lại ở 16 kHz, đúng tần số mà Whisper nghe. Whisper là mô hình nhận dạng giọng nói do OpenAI phát hành theo giấy phép MIT; nó đọc từng đoạn 30 giây, hai đoạn kề nhau chồng lên năm giây, rồi viết ra từng từ kèm thời điểm bắt đầu và kết thúc.
Mô hình chạy trong một luồng nền qua ONNX nên trang vẫn dùng được. Cách này chậm hơn dịch vụ đám mây, và trên laptop, file dài có thể mất lâu hơn chính đoạn ghi âm.
Từ chữ ra câu phụ đề
Các từ có thời gian được gom thành câu: câu mới bắt đầu sau một quãng nghỉ 0,8 giây, sau khi hết một câu văn, khi đủ 42 ký tự hoặc đủ sáu giây, tuỳ điều nào đến trước. Mỗi câu có thể sửa lời và chỉnh giờ ngay trong danh sách; bấm vào số thứ tự để đưa trình phát tới câu đó.
câu mới khi khoảng nghỉ > 0,8 s, hoặc dài > 42 ký tự, hoặc kéo dài > 6 s, hoặc từ đó kết thúc một câu
Tải mô hình
Lần chạy đầu tiên sẽ tải mô hình từ Hugging Face: khoảng 80 MB với Base và khoảng 250 MB với Small. Trình duyệt giữ nó trong bộ nhớ đệm nên các lần sau bắt đầu ngay. Chỉ file mô hình đi qua mạng; âm thanh của bạn thì không.
