Студийные сессии, записи подкастов, мастер-файлы озвучки, стемы аудиокниг. Перетащите файл .wav в бесплатное приложение для Windows и получите расшифровку локально. Поддерживает 96k, 48k, 24-бит, многоканальность. Без загрузки в сеть, без поминутной оплаты.
Перетащите, подождите, скопируйте. Любая частота дискретизации, любая разрядность, любая длительность.
Скачайте бесплатный установщик для Windows 10 или 11 с главной страницы StarWhisper. Установка занимает около двух минут и включает разовое скачивание модели Whisper, чтобы приложение могло работать полностью офлайн после установки. Без регистрации, без кредитной карты.
Откройте StarWhisper. Перетащите файл .wav из Проводника в окно. StarWhisper считывает WAV при любой частоте дискретизации (от 8k до 96k), любой разрядности (16, 24 или 32 бита float), в моно или стерео. Не нужно предварительно сводить в определенный формат; приложение обработает всё, что экспортировала ваша DAW.
StarWhisper обрабатывает аудио локально на вашем процессоре или GPU. Скорость: примерно в 10 раз быстрее реального времени на современном процессоре ноутбука и в 50 раз быстрее на GPU NVIDIA с CUDA. Часовой WAV расшифровывается примерно за 6–12 минут на процессоре или за 1–2 минуты на GPU среднего уровня. Прогресс отображается в реальном времени.
Расшифровка появится в окне StarWhisper после завершения обработки. Скопируйте весь текст в буфер обмена, сохраните как файл .txt или экспортируйте в форматах SRT или VTT с временными метками для рабочих процессов с субтитрами. Вставьте в заметки к шоу, на страницу выпуска, в сценарий аудиокниги или туда, куда нужна расшифровка.
Конкретные преимущества для рабочих процессов с профессиональным аудио.
Облачные сервисы часто перекодируют большие загрузки WAV в формат с потерями для экономии трафика. StarWhisper считывает исходный 24-битный файл без потерь прямо с диска.
Многие облачные сервисы транскрипции отклоняют WAV-файлы размером более нескольких сотен мегабайт на бесплатных тарифах или берут дополнительную плату сверх лимита. StarWhisper обрабатывает файлы вплоть до ограничения формата WAV в 4 ГБ.
96k, 88.2k, 48k, 44.1k, 32k, 24k, 16k, 8k — всё поддерживается. Внутреннее преобразование в 16k выполняется в высоком качестве, а точность транскрипции остается идентичной независимо от исходной частоты.
Локальный режим по умолчанию запускает Whisper на вашем собственном процессоре или GPU. WAV декодируется локально, расшифровывается локально, результат записывается на ваш диск. Полезно для студийных сессий под NDA. Подробнее о конфиденциальности.
Создавайте файлы, готовые для субтитров, прямо из WAV. Полезно для добавления доступных расшифровок к видеоверсиям подкастов или создания дорожек субтитров. Руководство по субтитрам.
Владельцы GPU NVIDIA устанавливают пакет CUDA, и скорость транскрипции возрастает примерно в 5 раз. Часовой WAV становится задачей на две минуты. Подробнее о GPU.
WAV (Waveform Audio File Format) — это несжатый контейнер без потерь, который аудиопрофессионалы используют с начала 1990-х годов. Каждая DAW экспортирует в WAV. Каждый студийный архив хранит мастер-записи в WAV. Каждая спецификация на сдачу озвучки требует WAV. Каждая цепочка производства подкаста заканчивается мастер-файлом WAV перед тем, как он будет закодирован в MP3 или AAC для распространения.
Причина проста: WAV сохраняет исходное аудио побитово. Здесь нет кодеков, артефактов сжатия или потери качества. Когда вы записываете выпуск подкаста, сессию озвучки или чтение аудиокниги в свою DAW и делаете мастер 48 кГц 24-бит WAV, этот файл становится каноническим эталоном для всех будущих решений. Вы делаете MP3 для распространения из WAV, но никогда наоборот.
Проблема с расшифровкой WAV заключается в том, что те же свойства, которые делают их идеальными для профессионального аудио, делают их неудобными для онлайн-инструментов. Файлы большие (часовой 48k стерео 24-битный WAV весит около 1.0 ГБ). Время загрузки велико. Многие облачные сервисы транскрипции либо ограничивают размер файла на бесплатных тарифах, либо берут дополнительную плату за большие файлы, либо тихо перекодируют загруженный файл в формат с потерями. StarWhisper обрабатывает WAV как первоклассный формат на вашем собственном компьютере, бесплатно, офлайн, без этапа загрузки.
В профессиональном аудио одержимы частотой дискретизации, разрядностью и компоновкой каналов по уважительной причине: эти выбора влияют на мастеринг, сведение и конечные ощущения слушателя. Однако для транскрипции картина намного проще.
Whisper обучалась на аудио 16 кГц. StarWhisper внутренне понижает частоту вашего WAV до 16 кГц с использованием высококачественного ресемплера перед запуском модели. WAV 96 кГц дает ту же расшифровку, что и версия 16 кГц того же аудио. Человеческая речь занимает диапазон частот примерно от 100 Гц до 8 кГц; всё, что выше 8 кГц — это детали согласных звуков и окружающий воздух, которые Whisper не использует для распознавания слов. Более высокие частоты дискретизации для транскрипции бесполезны.
16-бит, 24-бит и 32-бит float расшифровываются идентично. Разрядность управляет динамическим диапазоном, что важно для музыкального продакшена, но не для распознавания слов. Whisper внутренне работает в 32-битном float независимо от исходной разрядности.
Whisper — это моно-модель. StarWhisper сводит стерео и многоканальные WAV в моно перед обработкой. Для большинства подкастов и контента со озвучкой это нормально. Для записей интервью, где каждый спикер находится на отдельном канале, самый чистый подход — разделить WAV на моно-файлы по каналам с помощью любого аудиоредактора, а затем расшифровать каждый отдельно. Это дает вам отдельные расшифровки для каждого спикера, которые вы можете пометить и объединить на этапе постобработки.
Типичные сценарии профессионального аудио с реалистичным временем:
Сделайте мастер 60-минутного выпуска в формате 48k стерео 24-бит WAV (около 1 ГБ на диске). Перетащите в StarWhisper. Время обработки на процессоре: 6–12 минут. Время обработки на GPU: 1–2 минуты. Результат: примерно 8000 слов расшифровки в виде простого текста, подходящей для заметок к шоу. Легкая правка, публикация. Для более подробной информации о рабочем процессе для подкастов см. голос в текст для подкастеров или как расшифровать подкасты.
Озвученная глава, экспортированная как 48k моно 24-бит WAV, время звучания 45 минут (около 500 МБ). Перетащите в StarWhisper. Результат: примерно 6500 слов текста главы. Полезно для перекрестной проверки чтения с оригинальным сценарием, чтобы выявить оговорки или пропущенные строки.
Интервью с тремя ведущими, каждый на отдельном канале WAV после сессии. Экспортируйте каждый канал как моно WAV. Перетащите каждый в StarWhisper по отдельности. Результат: три расшифровки для каждого спикера, которые вы можете объединить с тайм-кодом и метками спикеров на этапе постобработки. Общее время обработки масштабируется линейно: три 60-минутных моно WAV занимают около 18–36 минут на процессоре или 3–6 минут на GPU.
Актер озвучки записывает 10 дублей 30-секундного рекламного ролика. Каждый дубль экспортируется как отдельный WAV. Перетащите папку в StarWhisper. Приложение ставит все дубли в очередь и создает файл расшифровки с метками для каждого. Полезно для этапа проверки агентством для сравнения текста дубль за дублем.
Многие люди в итоге имеют и то, и другое: мастер WAV и копию для распространения в MP3. Для транскрипции ответ почти всегда — WAV.
WAV ближе всего к источнику, поэтому он имеет самый чистый сигнал, с которым может работать Whisper. MP3 прошел через кодек с потерями, что слегка размывает высокочастотные границы согласных и добавляет артефакты сжатия в транзиентных участках. Whisper хорошо справляется с обоими форматами, но на пограничном аудио (сильные акценты, быстрая речь, техническая лексика) WAV дает измеримо лучшую расшифровку.
Исключение составляет случай, когда WAV слишком большой и неудобный, а MP3 достаточно хорош. Для чистого студийного выпуска подкаста, где исходный микрофон был надежным, а комната обработана, расшифровка MP3 функционально идентична расшифровке WAV. Используйте тот формат, который быстрее взять. Если вам нужна расшифровка для архивации или обеспечения доступности, используйте WAV. Для связанного рабочего процесса, начинающегося с MP3, см. как конвертировать MP3 в текст. Если ваш источник — это голосовая заметка iPhone или экспорт QuickTime, см. как конвертировать M4A в текст.
Студийные WAV-файлы часто содержат контент, которого не должно быть на сервере третьей стороны:
Облачные сервисы транскрипции загружают WAV в свою инфраструктуру независимо от того, что в нем находится. Их политики конфиденциальности могут быть строгими, но файл все равно выходит из-под вашего контроля. Для перечисленных выше категорий это часто неприемлемо по контрактным, этическим, нормативным или юридическим причинам.
Локальный режим StarWhisper (Local Mode) хранит всё на вашем устройстве. WAV декодируется приложением, модель Whisper работает на вашем процессоре или GPU, расшифровка записывается на ваш жесткий диск. Ничего не покидает компьютер. Для более подробной информации см. архитектура конфиденциальности и офлайн-работы и как расшифровать аудио офлайн. Для конкретных регулируемых отраслей см. FAQ по соответствию HIPAA или голос в текст для юристов.
Бесплатный тариф StarWhisper предоставляет 500 слов в день и 3500 слов в неделю расшифрованного вывода. Типичный 60-минутный WAV дает примерно 8000 слов. Это означает, что один длинный выпуск превышает дневной лимит бесплатного тарифа. Вы все равно можете обработать файл (нет ограничений на размер файла или длительность), но только первые ~500 слов будут засчитаны в сегодняшнюю квоту.
Для периодической студийной работы (один выпуск каждые несколько недель, редкая сессия озвучки) бесплатного тарифа достаточно. Для работы с большим объемом производства (еженедельные выпуски подкастов, ежедневные сессии записи аудиокниг, регулярная расшифровка интервью) тариф Pro снимает ограничение. Он стоит 10 долларов в месяц или 80 долларов в год. Полные подробности и цены Pro. Бесплатный тариф бессрочный, поэтому вы можете проверить рабочий процесс на длинном WAV перед оплатой.
Бесплатный и Pro тарифы используют одну и ту же модель Whisper и создают идентичные расшифровки. Pro просто снимает ограничение на количество слов и добавляет рабочие функции, такие как пользовательский словарь (полезно для отраслевой терминологии) и приоритетное облачное резервирование (если вы захотите). Для чистой транскрипции WAV единственное практическое отличие — это дневной лимит вывода.
Тот же рабочий процесс для самого распространенного в мире формата сжатого аудио.
Для голосовых заметок iPhone, аудио QuickTime и загрузок с YouTube.
Используйте экспорт SRT/VTT для генерации субтитров для видеоверсий подкастов.
Полный рабочий процесс транскрипции студийного подкаста от начала до конца.