Whisper-WebUI

מה זה

אתם מעלים קובץ קול או וידאו, מדביקים קישור ליוטיוב, או מקליטים ישירות מהמיקרופון. בצד השני מקבלים תמלול מוכן להורדה בקובצי SRT, WebVTT, LRC או טקסט פשוט ללא חותמות זמן, כולל אפשרות לתרגום מובנה לאנגלית.

מתחת למכסה המנוע רץ מודל Whisper של OpenAI, כשהברירת מחדל משתמשת במימוש המהיר faster-whisper. בנוסף, הקוד משלב את מודלי NLLB של פייסבוק או ממשק DeepL לתרגום טקסט, סינון קולות רקע עם Silero VAD, וזיהוי דוברים באמצעות pyannote.

מתאים ל

• יצירת כתוביות ליוטיוב

  מדביקים קישור לסרטון, מפיקים קובץ SRT מסונכרן ומורידים אותו ישירות למחשב.

• תמלול הקלטות פגישות

  מעלים קובץ שמע, מפעילים זיהוי דוברים ומקבלים מסמך טקסט עם פירוט מי דיבר ומתי.

• תרגום קובצי כתוביות

  טוענים כתוביות קיימות ומתרגמים אותן לשפות אחרות באמצעות מודלי NLLB או DeepL.

איפה זה נופל

ההדגמה כאן רצה על מעבד חלש, מה שמייצר צוואר בקבוק רציני בזמני העיבוד לעומת הביצועים שרואים בדרך כלל עם Whisper על כרטיסי מסך. מודלים כמו large יזחלו פה או יקרסו מחוסר זיכרון.

בנוסף, זיהוי דוברים לא יעבוד מהקופסה בלי הזנת טוקן מתאים ואישור תנאי השימוש של pyannote, ותרגום דרך DeepL מחייב מפתח גישה אישי בתשלום או בחשבון נפרד.

איך משתמשים

בוחרים מקור קלט, קובעים שפה וגודל מודל, ולוחצים על הכפתור הראשי ליצירת הכתוביות. אין צורך בחשבון כדי לתמלל, אבל זיהוי דוברים דורש טוקן של Hugging Face.

בגרסת הדפדפן הזו מוגדר מעבד בסיסי בלבד, ללא מאיץ גרפי. תמלול על חומרה כזאת איטי משמעותית מהרצה על כרטיס מסך, במיוחד במודלים הגדולים, כך שקבצים ארוכים ידרשו המתנה ממושכת.

הרישיון

הקוד מופץ תחת רישיון apache-2.0, שמאפשר שימוש חופשי ושינוי קוד. הקבצים שאתם מעלים מעובדים בהתקנה שבה רץ הממשק, אך שימוש ברכיבים חיצוניים כמו DeepL כפוף לתנאי השירות שלהם.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗