Cách hoạt động
- Thả video vào. Âm thanh được tách ngay trên máy tính của bạn.
- Tạo phụ đề. Lần đầu, mô hình nhận dạng giọng nói được tải xuống (khoảng 80 MB cho chế độ Nhanh, 250 MB cho chế độ Chính xác) và được trình duyệt lưu đệm — lần sau chạy ngay. Sau đó việc nhận dạng chạy trên bộ xử lý của bạn; âm thanh không bao giờ rời khỏi thiết bị.
- Chỉnh sửa. Bấm vào một mốc thời gian để nhảy tới đó, sửa nội dung trong danh sách, xóa dòng, hoặc dời toàn bộ phụ đề nếu chúng sớm hoặc muộn.
- Lưu. Tải tệp .srt hoặc .vtt, hoặc lưu video với phụ đề gắn cứng vào hình.
Gắn cứng hay tệp riêng?
- Gắn cứng (open captions) — là một phần của hình, hiển thị ở mọi nơi: Instagram, TikTok, LinkedIn, WhatsApp, mọi TV. Phần lớn video mạng xã hội được xem khi tắt tiếng, nên đây là lựa chọn thường gặp cho mạng xã hội. Video được mã hóa lại.
- Tệp .srt cạnh video (closed captions) — người xem có thể bật hoặc tắt. Đặt tên giống video (
holiday.mp4+holiday.srt) và VLC, Plex, Kodi cùng hầu hết smart TV sẽ tự nhận. YouTube và Vimeo cũng nhận tệp SRT và VTT tải lên.
Độ chính xác đến đâu?
Với giọng nói rõ trong phòng yên tĩnh, Whisper nhận đúng phần lớn từ; tên riêng, thương hiệu và thuật ngữ chuyên môn là chỗ bạn sẽ phải sửa. Nhạc nền, nhiều người nói cùng lúc và giọng địa phương nặng làm giảm độ chính xác. “Chính xác” dùng mô hình lớn hơn và ít sai hơn hẳn, với tốc độ chỉ bằng khoảng một phần ba.
Mất bao lâu?
Trên laptop thông thường của vài năm gần đây, mô hình Nhanh xử lý giọng nói nhanh gấp khoảng 3–4 lần thời gian thực — video 10 phút mất chừng 3 phút. Chế độ Chính xác chạy xấp xỉ thời gian thực. Máy cũ hoặc công suất thấp sẽ chậm hơn; bạn vẫn có thể dùng các tab khác trong lúc chờ.
Ngôn ngữ và dịch
Whisper nhận dạng khoảng 100 ngôn ngữ và tự phát hiện ngôn ngữ. Nó cũng có thể dịch giọng nói sang phụ đề tiếng Anh: chọn “tiếng Anh (dịch)” — hữu ích khi chia sẻ video quay bằng ngôn ngữ khác cho khán giả nói tiếng Anh.
Riêng tư ngay từ thiết kế
Hầu hết công cụ tạo phụ đề tải video của bạn lên máy chủ của họ và tính phí theo phút. Ở đây mô hình chạy ngay trong trình duyệt, nên không tải lên, không giới hạn thời gian và không thuê bao — hữu ích cho các cuộc phỏng vấn, họp nội bộ và mọi thứ bí mật.
Câu hỏi thường gặp
Có miễn phí không?
Có, không giới hạn số phút, không watermark và không cần đăng ký.
Video của tôi có bị tải lên không?
Không. Chỉ có mô hình nhận dạng giọng nói được tải về một lần từ Hugging Face; video và âm thanh của bạn ở lại trên máy tính.
SRT và VTT khác nhau thế nào?
Cả hai đều là tệp phụ đề văn bản thuần. SRT được hầu hết trình phát và TV hỗ trợ; VTT là chuẩn web dùng cho trình phát HTML5. Hãy tải loại mà nền tảng của bạn yêu cầu.
Tôi có thêm tệp SRT của riêng mình rồi gắn cứng vào video được không?
Được — dùng “Nhập SRT/VTT”, kiểm tra thời gian, rồi lưu video có phụ đề gắn cứng.
Vì sao lần chạy đầu tiên chậm?
Mô hình nhận dạng giọng nói phải được tải xuống một lần (80–250 MB). Sau đó trình duyệt sẽ lưu đệm nó.
Cập nhật lần cuối: 30/10/2026