Generuj napisy (STT)

Transkrybuj audio lub wideo do napisów z taktowaniem. Wychwytuje mowę i emituje SRT / VTT / ASS / SSA — z opcjonalnym tłumaczeniem w tym samym przebiegu.

Czego potrzebujesz

• FFmpeg w PATH do dekodowania audio/wideo — zobacz konfigurację FFmpeg.
• Backend transkrypcji, jeden z:
  • faster-whisper — lokalny, offline, darmowy (domyślny; bez konfiguracji)
  • Google Cloud Speech-to-Text — chmurowy, płatny, dokładniejszy przy hałaśliwym audio. Zobacz konfigurację Google Cloud.
  • Soniox — chmurowy, płatny, czasu rzeczywistego i diaryzacja mówcy. Zobacz konfigurację Soniox.

Krok po kroku

1. Kliknij Generuj napisy w pasku bocznym.
2. Upuść jeden lub więcej plików audio / wideo (.mp3, .wav, .m4a, .flac, .ogg, .aac, .wma, .mp4, .webm, .mkv, .avi, .mov, .wmv).
3. Wybierz język źródłowy (język mówiony w audio) — pozostaw na Auto-detect, aby Whisper to wymyślił.
4. Wybierz język docelowy — wybierz No translation dla zwykłej transkrypcji lub jeden z 45 obsługiwanych języków, aby uzyskać przetłumaczoną transkrypcję w tym samym przebiegu.
5. Wybierz format wyjściowy (SRT / VTT / ASS / SSA).
6. Kliknij Generuj (lub Ctrl+Enter).
7. Obserwuj kolejkę. Kliknij Otwórz w wierszu po zakończeniu.

Wybór formatu

Format	Najlepszy do
SRT	Uniwersalny — prawie każdy odtwarzacz go obsługuje
VTT	Elementy HTML5 <video> <track>
ASS / SSA	Karaoke, stylizowane napisy, przepływy fansub

Cztery formaty round-tripują przez ten sam parser, więc możesz przełączać format wyjściowy przy ponownym tłumaczeniu bez utraty taktowania.

Rozmiar modelu Whisper

Przełącz w Settings → Subtitle:

Model	Rozmiar	Szybkość	Dokładność
tiny	~75 MB	bardzo szybki	niska
base (domyślny)	~150 MB	szybki	przyzwoita
small	~500 MB	średni	dobry
medium	~1.5 GB	wolny	wysoka
large	~3 GB	bardzo wolny	najlepszy

Modele pobierają się przy pierwszym użyciu i są buforowane lokalnie. Na wolnym połączeniu pierwsze uruchomienie wydaje się długie; kolejne są szybkie.

Porównanie metod STT

Backend	Koszt	Online?	Diaryzacja mówcy	Języki
Whisper (lokalny)	Darmowy	Nie	Nie	99
Google Cloud STT	Płatny	Tak	Tak (model latest_long)	125+
Soniox	Płatny	Tak	Tak (etykiety mówcy per-token)	60+

Przełącz w Settings → Subtitle → STT method.

Wskazówki

• Przycisk Stop — przerwij partię w toku. Pliki w kolejce za aktywnym pozostają w kolejce; możesz wznowić później.
• Re-generuj — kliknij prawym przyciskiem wpis Done, aby uruchomić ponownie z innym formatem / językiem / metodą STT.
• Długie audio — Whisper dobrze obsługuje godziny audio; zaplanuj ~1 minutę przetwarzania na minutę audio dla modelu CPU base.

Skróty

Skrót	Akcja
Ctrl+Enter	Generuj
Ctrl+O	Przeglądaj
Ctrl+F	Skupienie na wyszukiwaniu historii