Så fungerar det
- Släpp videon. Ljudet extraheras på din dator.
- Skapa undertexter. Första gången laddas taligenkänningsmodellen ned (cirka 80 MB för Snabb, 250 MB för Noggrann) och sparas i webbläsarens cache — nästa gång startar den direkt. Igenkänningen körs sedan på din processor; ditt ljud lämnar aldrig enheten.
- Redigera. Klicka på en tid för att hoppa dit, rätta texten i listan, ta bort rader eller förskjut alla undertexter om de ligger för tidigt eller för sent.
- Spara. Ladda ned en .srt- eller .vtt-fil, eller spara videon med undertexterna inbrända i bilden.
Inbrända eller en separat fil?
- Inbrända (öppna undertexter) — en del av bilden, synliga överallt: Instagram, TikTok, LinkedIn, WhatsApp, vilken tv som helst. De flesta sociala videor ses utan ljud, så det är det vanliga valet för sociala medier. Videon kodas om.
- .srt bredvid videon (stängda undertexter) — tittarna kan slå på och av dem. Ge den samma namn som videon (
semester.mp4+semester.srt) så hittar VLC, Plex, Kodi och de flesta smart-tv automatiskt filen. YouTube och Vimeo tar också emot uppladdningar av SRT och VTT.
Hur korrekt är det?
För tydligt tal i ett tyst rum får Whisper med de flesta ord rätt; namn, varumärken och facktermer är det du kommer att behöva rätta. Bakgrundsmusik, flera personer som pratar samtidigt och stark brytning sänker träffsäkerheten. ”Noggrann” använder en större modell och gör märkbart färre fel, med ungefär en tredjedel av farten.
Hur lång tid tar det?
På en typisk laptop från de senaste åren bearbetar modellen Snabb tal ungefär 3–4 gånger snabbare än i realtid — en video på 10 minuter på cirka 3 minuter. Noggrann går ungefär i realtid. Äldre eller svagare datorer är långsammare; du kan fortsätta använda andra flikar medan det pågår.
Språk och översättning
Whisper känner igen ungefär 100 språk och identifierar språket själv. Den kan också översätta tal till engelska undertexter: välj ”engelska (översätt)” — användbart för att dela en video som spelats in på ett annat språk med en engelsktalande publik.
Privat från grunden
De flesta undertextgeneratorer laddar upp din video till sina servrar och tar betalt per minut. Här körs modellen lokalt i webbläsaren, så det finns ingen uppladdning, ingen tidsgräns och ingen prenumeration — användbart för intervjuer, interna möten och allt som är konfidentiellt.
Vanliga frågor
Är det gratis?
Ja, utan minutgränser, utan vattenstämpel och utan registrering.
Laddas min video upp?
Nej. Bara taligenkänningsmodellen laddas ned en gång från Hugging Face; din video och ditt ljud stannar på din dator.
Vad är skillnaden mellan SRT och VTT?
Båda är undertextfiler i ren text. SRT stöds av nästan alla spelare och tv-apparater; VTT är webbstandarden som används av HTML5-spelare. Ladda ned det som din plattform ber om.
Kan jag lägga till min egen SRT-fil och bränna in den?
Ja — använd ”Importera SRT/VTT…”, kontrollera tidsinställningen och spara videon med inbrända undertexter.
Varför går första körningen långsamt?
Taligenkänningsmodellen måste laddas ned en gång (80–250 MB). Därefter sparas den i webbläsarens cache.
Senast uppdaterad: 30/10/2026