Näin se toimii
- Pudota video. Ääni erotetaan tietokoneellasi.
- Luo tekstitys. Ensimmäisellä kerralla puhemalli ladataan (noin 80 Mt Nopea-vaihtoehdolle, 250 Mt Tarkalle) ja selain tallentaa sen välimuistiin — seuraavalla kerralla se käynnistyy heti. Tunnistus toimii sitten prosessorillasi; äänesi ei koskaan poistu laitteelta.
- Muokkaa. Napsauta aikaa hypätäksesi siihen, korjaa teksti luettelossa, poista rivejä tai siirrä kaikkia tekstityksiä, jos ne ovat liian aikaisin tai myöhässä.
- Tallenna. Lataa .srt- tai .vtt-tiedosto tai tallenna video, jossa tekstitys on upotettu kuvaan.
Upotettu vai erillinen tiedosto?
- Upotettu (avoin tekstitys) — osa kuvaa, näkyy kaikkialla: Instagramissa, TikTokissa, LinkedInissä, WhatsAppissa, missä tahansa televisiossa. Useimpia sosiaalisen median videoita katsotaan ilman ääntä, joten tämä on tavallinen valinta somessa. Video koodataan uudelleen.
- .srt videon vieressä (suljettu tekstitys) — katsojat voivat kytkeä sen päälle tai pois. Nimeä se kuten video (
loma.mp4+loma.srt), niin VLC, Plex, Kodi ja useimmat älytelevisiot ottavat sen automaattisesti käyttöön. Myös YouTube ja Vimeo hyväksyvät SRT- ja VTT-tiedostot.
Kuinka tarkka se on?
Selkeällä puheella hiljaisessa huoneessa Whisper saa useimmat sanat oikein; nimet, tuotemerkit ja tekniset termit ovat kohtia, joita joudut korjaamaan. Taustamusiikki, useat samanaikaisesti puhuvat ja voimakkaat aksentit heikentävät tarkkuutta. ”Tarkka” käyttää suurempaa mallia ja tekee huomattavasti vähemmän virheitä, noin kolmanneksella nopeudesta.
Kuinka kauan se kestää?
Tyypillisellä viime vuosien kannettavalla Nopea-malli käsittelee puhetta noin 3–4 kertaa reaaliaikaa nopeammin — 10 minuutin video noin 3 minuutissa. Tarkka toimii suunnilleen reaaliajassa. Vanhemmat tai heikkotehoiset tietokoneet ovat hitaampia; voit käyttää muita välilehtiä sen työskennellessä.
Kielet ja käännös
Whisper tunnistaa noin 100 kieltä ja havaitsee kielen itse. Se osaa myös kääntää puheen englanninkielisiksi tekstityksiksi: valitse ”englanti (käännös)” — hyödyllistä, kun haluat jakaa toisella kielellä tallennetun videon englantia puhuvalle yleisölle.
Yksityisyys sisäänrakennettuna
Useimmat tekstitysgeneraattorit lataavat videosi palvelimilleen ja veloittavat minuuttihintaa. Täällä malli toimii paikallisesti selaimessasi, joten ei ole latausta, aikarajaa eikä tilausta — hyödyllistä haastatteluissa, sisäisissä kokouksissa ja kaikessa luottamuksellisessa.
Usein kysyttyä
Onko se ilmainen?
Kyllä, ilman minuuttirajoja, vesileimaa tai rekisteröitymistä.
Ladataanko videoni palvelimelle?
Ei. Vain puhemalli ladataan kerran Hugging Facesta; videosi ja äänesi pysyvät tietokoneellasi.
Mikä ero on SRT:llä ja VTT:llä?
Molemmat ovat pelkkää tekstiä olevia tekstitystiedostoja. SRT:tä tukee lähes jokainen soitin ja televisio; VTT on HTML5-soittimien käyttämä verkon standardi. Lataa se, jota alustasi pyytää.
Voinko lisätä oman SRT-tiedostoni ja upottaa sen?
Kyllä — käytä ”Tuo SRT/VTT…”, tarkista ajoitus ja tallenna video, johon tekstitys on upotettu.
Miksi ensimmäinen käyttökerta on hidas?
Puhemalli on ladattava kerran (80–250 Mt). Sen jälkeen selain tallentaa sen välimuistiin.
Päivitetty viimeksi: 30/10/2026