Hogyan működik
- Húzd ide a videót. A hangot a számítógépeden nyerjük ki.
- Készíts feliratot. Első alkalommal letöltődik a beszédmodell (kb. 80 MB a Gyorshoz, 250 MB a Pontoshoz), amelyet a böngésződ gyorsítótáraz — legközelebb azonnal indul. A felismerés ezután a processzorodon fut; a hangod sosem hagyja el az eszközt.
- Szerkeszd. Kattints egy időpontra, hogy odaugorj, javítsd a szöveget a listában, törölj sorokat, vagy told el az összes feliratot, ha korán vagy későn jönnek.
- Mentsd. Töltsd le az .srt vagy .vtt fájlt, vagy mentsd el a videót a képbe beégetett felirattal.
Beégetve vagy külön fájlban?
- Beégetve (nyitott felirat) — a kép része, mindenhol látszik: Instagram, TikTok, LinkedIn, WhatsApp, bármelyik tévé. A legtöbb közösségi videót hang nélkül nézik, ezért közösségi médiához ez a szokásos választás. A videót újrakódoljuk.
- .srt a videó mellett (zárt felirat) — a nézők be- és kikapcsolhatják. Nevezd el a videó nevével (
holiday.mp4+holiday.srt), és a VLC, a Plex, a Kodi és a legtöbb okostévé automatikusan felveszi. A YouTube és a Vimeo is elfogad SRT és VTT feltöltést.
Mennyire pontos?
Tiszta beszédnél, csendes szobában a Whisper a legtöbb szót eltalálja; a neveknél, márkáknál és szakkifejezéseknél kell majd javítanod. A háttérzene, az egyszerre beszélő több ember és az erős akcentus rontja a pontosságot. A „Pontos” nagyobb modellt használ, és érezhetően kevesebbet téved, nagyjából harmadakkora sebességgel.
Mennyi ideig tart?
Egy átlagos, az elmúlt néhány évből való laptopon a Gyors modell a beszédet kb. 3–4-szer gyorsabban dolgozza fel a valós időnél — egy 10 perces videót nagyjából 3 perc alatt. A Pontos nagyjából valós időben fut. A régebbi vagy gyenge gépeken lassabb; amíg dolgozik, használhatsz más lapokat is.
Nyelvek és fordítás
A Whisper nagyjából 100 nyelvet ismer fel, és a nyelvet magától észleli. A beszédet angol feliratokra is le tudja fordítani: válaszd az „angol (fordítással)” opciót — hasznos, ha egy másik nyelven felvett videót angol nyelvű közönséggel osztanál meg.
Eleve privát
A legtöbb feliratgenerátor feltölti a videódat a szervereire, és percenként számláz. Itt a modell helyben fut a böngésződben, így nincs feltöltés, nincs időkorlát és nincs előfizetés — hasznos interjúkhoz, belső megbeszélésekhez és mindenhez, ami bizalmas.
Gyakori kérdések
Ingyenes?
Igen, percenkénti korlát, vízjel és regisztráció nélkül.
Feltöltődik a videóm?
Nem. Csak a beszédmodell töltődik le egyszer a Hugging Face-ről; a videód és a hangod a számítógépeden marad.
Mi a különbség az SRT és a VTT között?
Mindkettő sima szöveges feliratfájl. Az SRT-t szinte minden lejátszó és tévé támogatja; a VTT az HTML5-lejátszók által használt webes szabvány. Azt töltsd le, amit a platformod kér.
Hozzáadhatom a saját SRT-fájlomat, és beéghetem?
Igen — használd az „SRT/VTT importálása” gombot, ellenőrizd az időzítést, és mentsd a videót beégetett felirattal.
Miért lassú az első futtatás?
A beszédmodellt egyszer le kell tölteni (80–250 MB). Utána a böngésződ gyorsítótárazza.
Utoljára frissítve: 30/10/2026