oTranscribe: Alat transkripsi wawancara audio gratis dan open source
(otranscribe.com)- oTranscribe adalah aplikasi web gratis yang mengurangi kerepotan berpindah-pindah antara pemutar media dan editor dokumen saat mentranskripsi wawancara rekaman
- Pemutaran dan pengetikan ditangani dalam satu layar, dan jeda, mundur, serta maju cepat bisa dikendalikan hanya dengan keyboard
- Anda dapat memasukkan timestamp interaktif ke dalam transkrip untuk langsung berpindah ke titik waktu tertentu, dan pekerjaan otomatis disimpan ke penyimpanan browser setiap detik
- File audio dan transkrip diproses secara privat, tanpa keluar dari komputer, dan dapat diekspor ke Markdown, teks biasa, atau Google Docs
- Mendukung audio mp3/ogg/webm/wav dan video mp4/ogg/webm, tetapi alurnya ditujukan untuk penggunaan di komputer desktop
Alur transkripsi yang selesai dalam satu layar
- oTranscribe adalah aplikasi web gratis untuk mentranskripsi wawancara rekaman
- Hanya dapat digunakan di komputer desktop
- Agar tidak perlu berpindah antara QuickTime dan Word, pengetikan transkrip dan pemutaran media ditangani di layar yang sama
- Pemutaran dan pemformatan dapat dikendalikan dengan pintasan keyboard
- ESC untuk putar/jeda
- Gunakan keyboard untuk jeda, mundur, maju cepat, dan mengatur kecepatan
- Ctrl+J untuk menyisipkan timestamp saat ini
- Ctrl+I untuk miring, Ctrl+B untuk menerapkan format tebal
- Jika menekan timestamp interaktif di dalam transkrip, Anda dapat berpindah ke titik waktu tersebut
Pemrosesan file, penyimpanan, dan ekspor
- File audio dan transkrip diproses secara privat tanpa keluar dari komputer
- Pekerjaan otomatis disimpan ke penyimpanan browser setiap detik
- Riwayat transkrip disimpan sebagai salinan setiap 5 menit, dengan maksimal 100 cadangan dipertahankan
- Ctrl+S dapat digunakan untuk menyimpan secara manual kapan saja
-
Format yang didukung
- Audio: mp3, ogg, webm, wav
- Video: mp4, ogg, webm
- File video dapat diputar di pemutar terintegrasi
- Tersedia fitur untuk memasukkan URL video YouTube
-
Ekspor
- Markdown
.md - Teks biasa
.txt - Format oTranscribe
- Google Docs
- oTranscribe adalah proyek open source berlisensi MIT
- Bantuan dapat dilihat di Help
- Markdown
3 komentar
Hmm? Saya sempat bertanya-tanya bagaimana ini bisa dilakukan di browser... ternyata ini alat untuk mendengarkan dan mentranskripsikan secara manual tanpa AI. Belakangan ini pengenalan bahasa Korea oleh Whisper juga sudah bagus, jadi rasanya tidak harus memakai yang seperti ini...
Saat jumlah pembicara banyak, pelafalannya tidak jelas, atau kualitas rekamannya buruk, bantuan AI mungkin sulit diandalkan. Dan cukup sering ada situasi yang menuntut kualitas yang lebih dari sekadar bekerja 'cukup baik'.
Opini Hacker News
Minggu ini saya perlu melakukan transkripsi dengan pemisahan pembicara untuk wawancara dengan beberapa pembicara, jadi saya mencoba https://github.com/MahmoudAshraf97/whisper-diarization dan hasilnya bekerja sangat baik
Alat ini menghasilkan dua berkas: satu berkas yang memberi nomor pembicara pada setiap ujaran yang tidak terputus, dan satu lagi berisi timestamp yang sepertinya bisa dipakai untuk subtitle
Ini lebih murah, jauh lebih mudah, dan lebih cepat daripada menyiapkan dan memakai whisper-diarization di M1. Audiogest [2] adalah layanan web yang dibangun di atas Spectropic, tetapi saya belum mencobanya
Saya tidak berafiliasi; hanya pelanggan yang puas. Setelah melaporkan bug, saya pernah bertukar email dengan orang yang tampaknya merupakan developer solo pembuat alat-alat ini, dan percakapannya cukup baik
[1] https://spectropic.ai/
[2] https://audiogest.app/
Jika dipakai bersama GPT untuk terjemahan, hasilnya cukup bagus
Jika punya (V)RAM yang cukup, ini juga bisa dilakukan secara lokal, tetapi biasanya saya tidak punya banyak ruang, jadi saya lebih suka OpenAI API. Berbagai model keluarga Llama belum menyamai kualitas GPT-4
Jika hanya perlu Whisper dan tidak perlu terjemahan, menjalankannya secara lokal juga cukup realistis; Whisper berkualitas tinggi pun muat dalam 4GB (V)RAM
Whisper.CPP sangat cepat dibanding Whisper, jadi saya berharap ada fitur pemisahan pembicara yang lebih baik dibangun di atasnya
Contohnya transkripsi, terjemahan mesin, OCR, dan pengenalan gambar
Mungkin agak kurang jelas, tetapi OTranscribe bukan alat speech-to-text otomatis, melainkan UI untuk membantu transkripsi manual
Jadi tidak ada AI di sini
Apakah ada aplikasi open source/berbayar/shareware/freeware yang melakukan transkripsi real-time per kata saat merekam, berjalan sepenuhnya lokal, dan memakai model lokal open source yang relatif terbaru?
Saat ini saya memakai otter.ai untuk transkripsi rapat real-time. Saat sedang multitasking lalu mendapat pertanyaan, saya bisa sekilas membaca transkrip beberapa detik terakhir dan langsung mengejar konteksnya, jadi itu bagus; tetapi belum sempurna, terkadang latensi transkripsi layanan real-time cukup besar, dan tetap butuh koneksi internet
Sebaliknya, sebagian besar aplikasi berbasis Whisper, dan kode demo whisper.cpp terakhir kali saya cek, mengharuskan seluruh rekaman dimasukkan sekaligus. Ada juga yang bergantung pada framework dikte Apple dan sejenisnya, tetapi fiturnya saat ini agak tertinggal
Saya penasaran apakah ada yang benar-benar memakainya
Ini alat yang saya pakai setiap hari untuk mentranskripsikan rapat, wawancara, dan sebagainya. Karena semua data tetap berada di mesin saya, saya tidak perlu khawatir soal privasi saat mentranskripsikan rapat kerja
Secepat Otter.ai, tetapi jelas masih ada ruang perbaikan dalam hal pengalaman pengguna dan kecepatan. Namun, alat ini hanya berjalan di MacBook dengan Apple silicon
Jika tertarik, kita bisa berdiskusi lewat email (lihat profil HN)
Ini free and open-source software dan berjalan sepenuhnya lokal. Bukan real-time per kata, tetapi tidak perlu menunggu seluruh audio diunggah untuk mulai bekerja. Saya memakainya di Pixel 5a, jadi perangkat kerasnya juga bukan yang luar biasa
Kinerjanya cukup baik sampai saya pakai untuk mengirim pesan lewat Telegram ke mesin Linux ketika malas mengetik. Ini hack yang tidak rapi, tetapi menyelesaikan pekerjaan
Saya sempat menghabiskan beberapa jam mencari alternatif native Linux atau mencoba menjalankannya di Waydroid, tetapi tidak menemukan yang bekerja sebaik ini, jadi saya memutuskan untuk tidak membiarkan “kelancaran” menjadi musuh dari “cukup bisa dipakai”
[0] https://github.com/soupslurpr/Transcribro
Ini aplikasi desktop yang memakai ElectronJS dan oTranscribe versi saat itu, dan ada juga versi web serta PWA [1]
Saat itu model bahasanya memakai model dari BSC (Barcelona Supercomputing Center), dan transkripsi dilakukan di WASM berbasis Vosk [2]
[0] https://github.com/projecte-aina/oTranscribe-plus
[1] https://otranscribe.bsc.es/
[2] https://github.com/alphacep/vosk-api
Akan bagus jika ada pemisahan pembicara juga, tetapi saya masih menunggu itu ditambahkan ke upstream Whisper: https://github.com/argmaxinc/WhisperKit/issues/31
Agak mengejutkan bahwa tidak ada integrasi AI
Jika menginginkan hasil berkualitas publikasi, hasil AI pun tetap perlu dikoreksi dan dicek kualitasnya. Perlu menandai siapa berbicara kapan, atau setidaknya melakukan identifikasi pembicara yang tidak bisa dilakukan Whisper, atau memperbaiki nama keluarga yang tidak biasa
Jadi, orang yang memakai AI pun tetap membutuhkan alat yang bagus untuk penyempurnaan/finishing/koreksi, dan ini sepertinya mirip dengan alat transkripsi tanpa bantuan
Sekarang dioperasikan oleh Muckrock dan sudah lama tidak ada perubahan
Karena itulah integrasi semacam ini tidak ada. Saat itu teknologinya sendiri belum ada
Menurut FAQ, jawaban untuk “Apakah oTranscribe otomatis mengubah audio menjadi teks?” adalah “Tidak”
oTranscribe membuat pekerjaan manual transkripsi audio jauh lebih tidak menyakitkan, tetapi transkripsinya sendiri tetap harus Anda lakukan sendiri
Saat ini saya memakai aplikasi iOS gratis Aiko, yang melakukan transkripsi offline dengan model Whisper dari OpenAI
Sejauh ini bekerja cukup baik, dan bisa diekspor ke format seperti SRT, TXT, CSV, JSON, serta teks dengan timestamp
https://sindresorhus.com/aiko
Jika membutuhkan transkrip untuk file audio/video, silakan juga mencoba layanan saya TurboScribe https://turboscribe.ai/ kapan saja
100% gratis hingga 3 file per hari, dengan batas 30 menit per file; paket berbayarnya tanpa batas dan dapat mentranskripsi hingga 10 jam per file
Mendukung pengenalan pembicara, format ekspor umum (TXT, DOCX, PDF, SRT, CSV), serta alat AI untuk mengerjakan transkrip
Biasanya saya memakainya untuk rekaman video berdurasi 2–3 jam dengan beberapa pembicara, dan alat edit yang memungkinkan saya merapikannya sebelum mengekspor sangat berguna
Karena penasaran sejauh mana Gemini-1.5-Pro-Experiment-0801, yang mungkin merupakan LLM multimodal terbaik saat ini, bisa melakukan transkripsi, hari ini saya menyuruhnya mentranskripsikan 5 menit wawancara Ezra Klein dan Nancy Pelosi yang baru diunggah
Hasilnya ada di sini: https://www.gally.net/temp/20240809geminitranscription/index...
Selain masalah kecil pada tanda baca dan kapitalisasi, transkripsi Gemini tampak hampir sempurna. Hanya ada satu atau dua kata yang sepertinya salah dengar, dan rasanya kalau saya mentranskripsikannya sendiri, kesalahan saya akan lebih banyak
Yang sangat menarik adalah bagian “And then he comes up with "weird," which becomes viral and the rest, and here he is.”
Bagaimana Gemini bisa memberi tanda kutip pada “weird”, sehingga secara tepat menunjukkan bahwa pembicara sedang merujuk pada kata yang digunakan Walz itu sendiri? Menurut Politico, pertama kali Walz menggunakan kata itu di media dalam konteks tersebut adalah 23 Juli
https://www.politico.com/news/2024/07/26/trump-vance-weird-0...
Ini hanya dugaan, tetapi LLM atau sistem pengenalan suara lain kemungkinan besar harus memanfaatkan konteks kalimat untuk mengenali kata-kata individual dan tanda baca, dan ini tampaknya contoh ketika hal itu berjalan dengan baik
Pendengaran manusia juga mirip. Dengan konteks, kita bisa mengenali kata meski diucapkan sangat bergumam atau cepat
Pada akhirnya, kita sebenarnya mendengar dalam satuan frasa, bukan kata
Kalau ada file audio atau video, saya ingin memasukkannya ke editor video AI kami untuk melihat bagaimana tanda baca diberikan pada transkripnya
Ada juga alat transkripsi yang dapat mentranskripsikan file video/audio di browser dengan Whisper dan WASM, lalu menghasilkan file .txt, .srt, .vtt
Mungkin nantinya dukungan Whisper Turbo juga bisa ditambahkan
https://video2srt.ccextractor.org/
Sebagai catatan, saya sedang mengerjakan proyek ini
Saya sering memakai ini. Bagus dan sederhana, hanya memiliki alat yang dibutuhkan, yaitu pengaturan kecepatan pemutaran serta jeda/putar yang mudah, dan tidak lebih dari itu
Saya jauh lebih menyukainya daripada alat transkripsi otomatis yang menghasilkan 40 halaman penuh bunyi seperti ‘emm’, ‘aa’, lalu harus disaring dan diedit lagi