ทำงานอย่างไร
- วางวิดีโอ เสียงจะถูกแยกออกมาบนคอมพิวเตอร์ของคุณ
- สร้างซับไตเติล ครั้งแรกจะดาวน์โหลดโมเดลรู้จำเสียง (ราว 80 MB สำหรับแบบเร็ว 250 MB สำหรับแบบแม่นยำ) และเบราว์เซอร์จะเก็บแคชไว้ — ครั้งต่อไปเริ่มได้ทันที จากนั้นการรู้จำเสียงทำงานบนโปรเซสเซอร์ของคุณ เสียงของคุณไม่เคยออกจากอุปกรณ์
- แก้ไข คลิกที่เวลาเพื่อข้ามไปตรงนั้น แก้ข้อความในรายการ ลบบรรทัด หรือเลื่อนซับไตเติลทั้งหมดหากมาเร็วหรือช้าเกินไป
- บันทึก ดาวน์โหลดไฟล์ .srt หรือ .vtt หรือบันทึกวิดีโอที่ฝังซับไตเติลลงในภาพ
ฝังลงในภาพ หรือแยกเป็นไฟล์?
- ฝังลงในภาพ (open captions) — เป็นส่วนหนึ่งของภาพ มองเห็นได้ทุกที่: Instagram, TikTok, LinkedIn, WhatsApp, ทีวีทุกเครื่อง วิดีโอโซเชียลส่วนใหญ่ถูกดูโดยปิดเสียง จึงเป็นตัวเลือกที่นิยมสำหรับโซเชียลมีเดีย วิดีโอจะถูกเข้ารหัสใหม่
- ไฟล์ .srt แยกไว้ข้างวิดีโอ (closed captions) — ผู้ชมเปิดหรือปิดได้ ตั้งชื่อให้เหมือนวิดีโอ (
holiday.mp4+holiday.srt) แล้ว VLC, Plex, Kodi และสมาร์ททีวีส่วนใหญ่จะนำไปใช้เองโดยอัตโนมัติ YouTube และ Vimeo ก็รับการอัปโหลด SRT และ VTT ด้วย
แม่นยำแค่ไหน
สำหรับเสียงพูดที่ชัดเจนในห้องเงียบ Whisper จับคำได้ถูกต้องเป็นส่วนใหญ่ ชื่อคน ชื่อแบรนด์ และศัพท์เทคนิคคือจุดที่คุณจะต้องแก้ เพลงพื้นหลัง การพูดพร้อมกันหลายคน และสำเนียงที่หนักจะทำให้ความแม่นยำลดลง แบบ “แม่นยำ” ใช้โมเดลที่ใหญ่กว่าและผิดพลาดน้อยลงอย่างเห็นได้ชัด แต่ความเร็วเหลือราวหนึ่งในสาม
ใช้เวลานานแค่ไหน
บนแล็ปท็อปทั่วไปในช่วงไม่กี่ปีที่ผ่านมา โมเดลแบบเร็วประมวลผลเสียงพูดได้เร็วกว่าเวลาจริงราว 3–4 เท่า — วิดีโอ 10 นาทีใช้เวลาราว 3 นาที แบบแม่นยำทำงานที่ความเร็วใกล้เคียงเวลาจริง คอมพิวเตอร์รุ่นเก่าหรือประหยัดพลังงานจะช้ากว่า ระหว่างรอคุณใช้แท็บอื่นต่อได้
ภาษาและการแปล
Whisper รู้จำราว 100 ภาษาและตรวจจับภาษาได้เอง นอกจากนี้ยังแปลเสียงพูดเป็นซับไตเติลภาษาอังกฤษได้: เลือก “อังกฤษ (แปล)” — มีประโยชน์เมื่อจะแชร์วิดีโอที่บันทึกเป็นภาษาอื่นให้ผู้ชมที่พูดภาษาอังกฤษ
เป็นส่วนตัวตั้งแต่การออกแบบ
เครื่องมือสร้างซับไตเติลส่วนใหญ่อัปโหลดวิดีโอของคุณไปยังเซิร์ฟเวอร์ของตนและคิดเงินเป็นรายนาที ที่นี่โมเดลทำงานในเบราว์เซอร์ของคุณเอง จึงไม่มีการอัปโหลด ไม่จำกัดเวลา และไม่มีค่าสมาชิก เหมาะกับการสัมภาษณ์ การประชุมภายใน และทุกอย่างที่เป็นความลับ
คำถามที่พบบ่อย
ใช้ฟรีไหม?
ฟรี ไม่จำกัดจำนวนนาที ไม่มีลายน้ำ และไม่ต้องสมัครสมาชิก
วิดีโอของฉันถูกอัปโหลดไหม?
ไม่ มีเพียงโมเดลรู้จำเสียงที่ดาวน์โหลดครั้งเดียวจาก Hugging Face ส่วนวิดีโอและเสียงของคุณอยู่บนคอมพิวเตอร์ของคุณ
SRT กับ VTT ต่างกันอย่างไร?
ทั้งสองเป็นไฟล์ซับไตเติลแบบข้อความธรรมดา SRT รองรับโดยเครื่องเล่นและทีวีเกือบทุกรุ่น ส่วน VTT เป็นมาตรฐานของเว็บที่เครื่องเล่น HTML5 ใช้ ดาวน์โหลดแบบที่แพลตฟอร์มของคุณต้องการ
ใช้ไฟล์ SRT ของตัวเองแล้วฝังลงในภาพได้ไหม?
ได้ — ใช้ “นำเข้า SRT/VTT” ตรวจจังหวะเวลา แล้วบันทึกวิดีโอที่ฝังซับไตเติลลงในภาพ
ทำไมการใช้งานครั้งแรกถึงช้า?
ต้องดาวน์โหลดโมเดลรู้จำเสียงหนึ่งครั้ง (80–250 MB) หลังจากนั้นเบราว์เซอร์จะเก็บแคชไว้
อัปเดตล่าสุด: 30/10/2026