„Vi tager fire, nej, seks mapper.“ Et genkendelsessystem kan transskribere sætningen korrekt. For at få en letlæselig undertekst vil du måske forkorte gentagelsen. Her må seks ikke blive til fire igen. Den tekniske vej fra lyd til tekstfil er derfor kun begyndelsen på det redaktionelle arbejde.
whisper.cpp dokumenterer lokal talegenkendelse, herunder CPU-understøttelse. Den passende model og de nødvendige runtime-filer skal være forberedt. Varianter kun til engelsk og flersprogede varianter samt transskription og oversættelse er separate beslutninger; et program, der startes lokalt, udfører ikke automatisk den opgave, du ønsker.
Fastlæg kildesproget og målet
Beslut først, om det sagte skal bevares på sit eget sprog eller gengives på engelsk. En tysk optagelse med en tysk transskription er en anden opgave end en engelsk oversættelse. En flydende engelsk tekst ville stadig være det forkerte resultat til det første formål.
I vejledningen til serveren bruges –translate til oversættelse fra kildesproget til engelsk; –language angiver det talte sprog. Til dit faktiske kald bør du tage indstillingerne fra den tilsvarende hjælp i stedet for at blande indstillinger fra forskellige eksempler.
Forbered en kort optagelse, du selv laver
Optag selv et par ikke-følsomme sætninger: en ændring af et antal, et opdigtet egennavn og en begrænsning som „først efter at have tjekket tilbage“. Skriv den kendte ordlyd ned på forhånd. En bevidst kort pause hjælper også med at holde ordgenkendelse og tidsmæssig segmentering adskilt.
Brug et forberedt lokalt miljø og et passende lydformat. Lav først et tekstgrundlag, der holder sig tæt til de talte ord. Lyt igen til passagerne med tallet og navnet, og markér alt, der er uklart. En forventet stavemåde fra din navneliste må ikke i al stilhed erstatte en passage, der faktisk er utydelig.
Hold dette grundlag adskilt fra den senere forkortede undertekstversion. På den måde kan du spore, hvilken ændring der stammer fra genkendelsen, og hvilken der stammer fra dit redaktionelle arbejde. Denne artikel giver metoden, ikke en transskription, der er udført her.
Tid bliver en del af filformatet
Et undertekstspor knytter tekst til starten og slutningen af et tidsinterval. WebVTT-formatet i W3C-specifikationen beskriver sådanne tidsjusterede tekstsegmenter. Et simpelt formateksempel, vi selv har lavet, ser sådan ud; tiderne er undervisningsværdier og skal tilpasses til en rigtig optagelse:
WEBVTT
00:00:00.000 --> 00:00:04.000
We need six folders for the course.
00:00:04.500 --> 00:00:07.000
Open sealed material only after checking back.Gem en tekst, der faktisk er redigeret til at passe, som en UTF-8-fil, og kontrollér den sammen med den tilsvarende optagelse i en egnet afspiller eller et egnet undertekstværktøj. Tekst, timing og læsbarhed er tre separate observationer. En korrekt linje kan dukke op for tidligt eller være synlig i for kort tid.
Placér linjeskift ved meningsfulde enheder. Et „ikke“, der står alene, kan blive misforstået ved hurtig læsning. En godkendelsesbetingelse bør også forblive genkendelig i sin sammenhæng i stedet for at forsvinde på grund af et uheldigt snit.
Giv den originale lyd, transskriptionen og underteksterne samme filnavnsstamme, men forskellige filtypenavne. En kort note om sprog og redigeringsstatus forhindrer, at en gammel oversat version ved et uheld havner ved siden af den nye originaloptagelse.
Hvad en lokal arbejdsgang viser
Med denne prøve kan du undersøge, om dit forberedte setup leverer den tekst, du ønsker, og hvor meget redigering underteksterne kræver. Den siger intet generelt om genkendelseskvaliteten på tværs af alle sprog, accenter eller baggrundsstøj.
En oversættelseskørsel er derefter en separat test. Den kræver en sammenligning af betydning, ikke kun af stavemåde. Hvis der er flere sprog i den samme optagelse, bør du udtrykkeligt medtage de pågældende passager i lyttekontrollen.
Fordelen ved lokal behandling ligger i en arbejdsgang, du selv kan navngive. Brugbare undertekster opstår, når du forbinder denne arbejdsgang med den faktiske optagelse: Vælg den rigtige opgave, kontrollér ordlyden, redigér bevidst, og gennemgå teksten i forhold til dens tidsstempler.
Kilder og status
Kilder pr. 25. oktober 2026. whisper.cpp README · Indstillinger i whisper.cpp-servereksemplet.
W3C: WebVTT som supplerende kilde om formatet.
