Jak to działa
- Upuść wideo. Dźwięk jest wyodrębniany na twoim komputerze.
- Utwórz napisy. Za pierwszym razem pobierany jest model mowy (ok. 80 MB w trybie Szybko, 250 MB w trybie Dokładnie) i zapisywany w pamięci podręcznej przeglądarki — następnym razem startuje od razu. Rozpoznawanie działa potem na twoim procesorze; dźwięk nigdy nie opuszcza urządzenia.
- Edytuj. Kliknij czas, aby tam przeskoczyć, popraw tekst na liście, usuń wiersze albo przesuń wszystkie napisy, jeśli są za wcześnie lub za późno.
- Zapisz. Pobierz plik .srt lub .vtt albo zapisz film z napisami wypalonymi w obrazie.
Wypalone czy osobny plik?
- Wypalone (napisy otwarte) — część obrazu, widoczne wszędzie: Instagram, TikTok, LinkedIn, WhatsApp, dowolny telewizor. Większość filmów w mediach społecznościowych ogląda się bez dźwięku, więc to zwykły wybór do social mediów. Wideo jest kodowane ponownie.
- .srt obok wideo (napisy zamknięte) — widzowie mogą je włączać i wyłączać. Nazwij go tak jak film (
holiday.mp4+holiday.srt), a VLC, Plex, Kodi i większość telewizorów smart wczyta go automatycznie. YouTube i Vimeo przyjmują też pliki SRT i VTT.
Jak dokładne jest rozpoznawanie?
Przy wyraźnej mowie w cichym pomieszczeniu Whisper rozpoznaje większość słów poprawnie; poprawki zrobisz głównie w imionach, nazwach marek i terminach technicznych. Muzyka w tle, kilka osób mówiących naraz i silny akcent obniżają dokładność. Tryb „Dokładnie” używa większego modelu i popełnia zauważalnie mniej błędów, ale działa w mniej więcej jednej trzeciej tempa.
Ile to trwa?
Na typowym laptopie z ostatnich kilku lat model Szybko przetwarza mowę około 3–4 razy szybciej niż w czasie rzeczywistym — 10-minutowy film w mniej więcej 3 minuty. Tryb Dokładnie działa mniej więcej w czasie rzeczywistym. Starsze lub mało wydajne komputery są wolniejsze; podczas pracy możesz korzystać z innych kart.
Języki i tłumaczenie
Whisper rozpoznaje około 100 języków i sam wykrywa język. Potrafi też tłumaczyć mowę na angielskie napisy: wybierz „angielskim (tłumaczenie)” — przydatne, gdy chcesz pokazać film nagrany w innym języku anglojęzycznej publiczności.
Prywatność z założenia
Większość generatorów napisów wysyła twój film na swoje serwery i pobiera opłatę za minutę. Tutaj model działa lokalnie w twojej przeglądarce, więc nie ma wysyłania, limitu czasu ani abonamentu — to przydatne przy wywiadach, wewnętrznych spotkaniach i wszystkim, co poufne.
Pytania
Czy to jest darmowe?
Tak, bez limitu minut, bez znaku wodnego i bez rejestracji.
Czy mój film jest wysyłany?
Nie. Z Hugging Face jednorazowo pobierany jest tylko model mowy; twoje wideo i dźwięk zostają na twoim komputerze.
Czym różni się SRT od VTT?
Oba to pliki napisów w zwykłym tekście. SRT obsługuje prawie każdy odtwarzacz i telewizor; VTT to standard webowy używany przez odtwarzacze HTML5. Pobierz ten, o który prosi twoja platforma.
Czy mogę dodać własny plik SRT i go wypalić?
Tak — użyj „Importuj SRT/VTT”, sprawdź synchronizację i zapisz film z wypalonymi napisami.
Dlaczego pierwsze uruchomienie jest wolne?
Model mowy trzeba pobrać jednorazowo (80–250 MB). Potem jest zapisany w pamięci podręcznej przeglądarki.
Ostatnia aktualizacja: 30/10/2026