VideoCaptioner

O nástroji

VideoCaptioner je open-source aplikace, která pomocí rozpoznávání řeči Whisper a jazykových modelů (LLM) automaticky vytváří titulky k videím. Podle dodaných údajů zvládne zpracovat čtrnáctiminutové video přibližně za čtyři minuty, přičemž náklady na zpracování jednoho videa jsou uváděny na méně než 0,01 čínského jüanu. Nástroj podporuje rozpoznávání řeči ve 99 jazycích a překlad do 37 jazyků. Kromě přepisu řeči do textu využívá LLM k inteligentnímu dělení vět, opravě překlepů a sjednocení odborné terminologie, díky čemuž mají titulky připomínat ruční úpravu. Výstupní titulky lze exportovat ve formátech SRT, ASS nebo VTT a přizpůsobit různým stylům (například pro popularizační videa, zprávy nebo anime). Aplikace je vydána pod licencí MIT, kód je veřejně dostupný a projekt je popsán jako trvale bezplatný. Podle uvedených informací nevyžaduje výkonnou grafickou kartu – funguje na CPU, přičemž s GPU pracuje rychleji, a data zůstávají zpracovávána lokálně na počítači uživatele.

Kategorie