پرش به محتوای اصلی
ابزارهای هوش مصنوعی

Buzz چیست؟ تبدیل صدا به متن و زیرنویس آفلاین با Whisper

Buzz فایل صوتی و ویدئویی را با مدل محلی به متن یا زیرنویس تبدیل می‌کند. امکانات، پشتیبانی فارسی و محدودیت‌های آن را بشناسید.

۸ دقیقه مطالعه
اشتراک‌گذاری:
تصویرسازی مفهومی Buzz برای تبدیل صدای محلی به متن و زیرنویس
تصویرسازی مفهومی Buzz برای تبدیل صدای محلی به متن و زیرنویس
فهرست مطالب

Buzz یک برنامه متن‌باز برای تبدیل گفتار به متن و ساخت زیرنویس است که می‌تواند فایل‌های صوتی و ویدئویی را با مدل‌های محلی روی کامپیوتر پردازش کند. اگر یک مدل چندزبانه Whisper را انتخاب کنید، فارسی هم در فهرست زبان‌های آن قرار دارد؛ با این حال دقت به کیفیت صدا، مدل و سخت‌افزار بستگی دارد و متن خروجی باید بازبینی شود.

برخلاف یک سرویس صرفاً تحت وب، Buzz برای ویندوز، مک و لینوکس ارائه می‌شود. خروجی‌هایی مانند متن ساده، SRT و VTT آن را برای پیاده‌سازی مصاحبه، یادداشت کلاس یا آماده‌کردن زیرنویس اولیه مفید می‌کند. این معرفی بر پایه مستندات رسمی تهیه شده و نتیجه یک آزمایش مستقل از سرعت یا دقت برنامه نیست.

Buzz چه کاری انجام می‌دهد؟

در Buzz فایل صوتی یا ویدئویی را وارد می‌کنید، زبان و مدل تشخیص گفتار را انتخاب می‌کنید و پس از پردازش، متن را می‌خوانید و ویرایش یا صادر می‌کنید. بخش مشاهده متن به ابزارهایی مانند جست‌وجو و کنترل پخش دسترسی می‌دهد تا بخش مشکوک را با صدای اصلی تطبیق دهید.

Buzz از چند شیوه اجرای مدل، از جمله Whisper، Whisper.cpp و Faster Whisper پشتیبانی می‌کند. نام Buzz به برنامه اشاره دارد و Whisper یکی از مدل‌های قابل استفاده در آن است. برخی گزینه‌های دیگر هم در برنامه وجود دارند، ولی پشتیبانی از زبان‌ها و قابلیت‌ها برای همه مدل‌ها یکسان نیست.

برنامه همچنین امکان دریافت صدا از میکروفون را دارد. مستندات سازنده هشدار می‌دهند که این پردازش به منابع قابل توجه نیاز دارد و ممکن است هم‌زمان با صحبت پیش نرود. ضبط صدای خروجی برنامه‌های دیگر معمولاً به مسیریابی صدای سیستم یا ابزار صوتی مجازی جداگانه نیاز دارد.

در زمان بررسی در ۱۴ نوامبر ۲۰۲۶، صفحه انتشار پروژه نسخه ۱.۴.۵ را آخرین انتشار پایدار فهرست کرده و فایل‌های آن در ۲۳ اوت ۲۰۲۶ قرار گرفته‌اند. پروژه با مجوز MIT منتشر شده و دریافت و اجرای محلی آن رایگان است؛ مدل‌ها و خدمات جانبی ممکن است شرایط جداگانه داشته باشند. صفحه رسمی هشدار می‌دهد نسخه ویندوز امضای دیجیتال ندارد و ممکن است هنگام نصب هشدار نمایش داده شود. پیش از نصب، منبع و سازگاری نسخه با دستگاه را بررسی کنید.

پردازش محلی چه زمانی آفلاین است؟

وقتی مدل محلی مورد نیاز روی دستگاه موجود باشد و همان را برای پردازش انتخاب کنید، فایل می‌تواند بدون اتصال اینترنت روی کامپیوتر پردازش شود. برای دریافت اولیه برنامه و مدل معمولاً به اینترنت نیاز دارید؛ سازنده انتقال مدل از یک رایانه دیگر را هم توضیح داده است.

همه گزینه‌های Buzz محلی نیستند. اگر سرویس API ابری را انتخاب کنید، داده برای پردازش به سرویس مربوط فرستاده می‌شود و ممکن است هزینه داشته باشد. برای فایل حساس، پیش از شروع نام مدل و نوع پردازش را بررسی کنید و هنگام استفاده از افزونه‌ها یا سرویس‌های خارجی، شرایط حریم خصوصی آن‌ها را جداگانه بخوانید.

برای مقایسه با یک مسیر مبتنی بر سرویس آنلاین می‌توانید آموزش تبدیل فایل صوتی به متن با ChatGPT را بخوانید. در Buzz هدف این است که با مدل محلی، تبدیل اولیه را روی دستگاه انجام دهید.

فارسی، ترجمه و محدودیت‌های مهم

فهرست زبان‌های Whisper شامل Persian است. برای فایل فارسی، یک مدل چندزبانه انتخاب کنید و در تنظیم Language گزینه Persian را بگذارید. مدل‌هایی که نامشان به En ختم می‌شود ویژه انگلیسی‌اند و برای فارسی مناسب نیستند. انتخاب صریح زبان، طبق راهنمای Buzz، در بسیاری از موارد از تشخیص خودکار بهتر است؛ ولی دقت فارسی را باید با صدای خودتان بسنجید.

حالت Transcribe گفتار را به متن همان زبان تبدیل می‌کند. گزینه پیش‌فرض Translate to English در مدل‌های سازگار، گفتار را به انگلیسی برمی‌گرداند؛ طبق مستندات Buzz مدل Large-v3 Turbo با این روش استاندارد ترجمه سازگار نیست. ترجمه به زبان‌های دیگر از طریق قابلیت ترجمه هوش مصنوعی به پیکربندی API و کلید سرویس نیاز دارد و نباید آفلاین فرض شود.

حتی در مدل بزرگ، نام افراد، اعداد، زمان‌ها و جمله‌های کوتاه را با صدای اصلی کنترل کنید. سازنده توضیح می‌دهد مدل‌ها گاهی عباراتی تولید می‌کنند که در فایل گفته نشده‌اند؛ سکوت طولانی، نویز و هم‌پوشانی صداها هم می‌توانند بازبینی را دشوارتر کنند.

نصب و شروع یک کار ساده

۱. از راهنمای نصب رسمی Buzz نسخه مناسب سیستم‌عامل خود را پیدا کنید. صفحه رسمی برای ویندوز و مک به محل دریافت فایل نصب و برای لینوکس به روش‌های نصب معرفی‌شده پیوند می‌دهد. فایل را از مسیر معرفی‌شده سازنده دریافت کنید و شرایط نسخه دستگاه خود را ببینید.

۲. برنامه را باز کنید. از منوی File گزینه Import Media File یا دکمه افزودن را بزنید و یک فایل صوتی یا ویدئویی کوتاه انتخاب کنید.

۳. Task را روی Transcribe و Language را روی Persian بگذارید. یک مدل چندزبانه محلی، مانند یکی از اندازه‌های Whisper را انتخاب کنید. در نخستین استفاده ممکن است لازم باشد مدل دانلود شود.

۴. برای متن ساده TXT و برای زیرنویس SRT یا VTT را در Export As انتخاب کنید و کار پردازش را شروع کنید. محل ذخیره و گزینه‌های قابل مشاهده ممکن است با نسخه برنامه تفاوت داشته باشند.

۵. پس از پایان، فایل را در نمایشگر متن باز کنید، چند جمله را با صدای اصلی تطبیق دهید و فایل خروجی را با برنامه مقصد باز کنید. در فایل زیرنویس، علاوه بر کلمات، زمان شروع و پایان چند خط را هم با تصویر بررسی کنید.

نتیجه مورد انتظار: متنی از گفتار فایل و در صورت انتخاب قالب زیرنویس، قطعات زمان‌دار دریافت می‌کنید. این خروجی پیش‌نویس است و برای انتشار ویدئو معمولاً به اصلاح واژه‌ها و زمان‌بندی نیاز دارد.

کدام مدل برای شروع مناسب‌تر است؟

مدل کوچک‌تر معمولاً به منابع کمتری نیاز دارد و سریع‌تر است، اما ممکن است خطاهای بیشتری داشته باشد. مدل بزرگ‌تر ممکن است برای برخی صداها دقیق‌تر باشد و در عوض حافظه و زمان بیشتری بخواهد. به جای انتخاب بر اساس نام مدل، یک دقیقه از فایل واقعی خود را با دو مدل سازگار امتحان کنید و نام‌ها، اعداد، نشانه‌گذاری و سرعت را مقایسه کنید.

اگر دستگاه ضعیف است، از مدل کوچک چندزبانه شروع کنید. برای زیرنویس فارسی با اصطلاحات تخصصی، در صورت کافی‌بودن منابع، اندازه بزرگ‌تر را نیز امتحان کنید. راهنمای Buzz برای دستگاه بدون پردازنده گرافیکی Nvidia، Whisper.cpp را به عنوان گزینه‌ای کارآمد مطرح می‌کند؛ عملکرد واقعی به دستگاه و تنظیمات وابسته است.

مزایا و محدودیت‌ها

  • مزیت: امکان پردازش محلی پس از آماده‌شدن مدل، بدون الزام به ارسال فایل به سرویس ابری.

  • مزیت: پشتیبانی از واردکردن فایل و خروجی‌های رایج متن و زیرنویس.

  • مزیت: برنامه متن‌باز است و مخزن سازنده مجوز MIT را برای پروژه درج کرده است.

  • محدودیت: اجرای مدل‌های بزرگ به منابع بیشتر و گاهی زمان قابل توجه نیاز دارد.

  • محدودیت: کیفیت فارسی، تفکیک دقیق گویندگان و زمان‌بندی زیرنویس برای هر فایل تضمین‌شده نیست.

  • محدودیت: قابلیت‌های مبتنی بر API، بر خلاف مدل محلی، به سرویس بیرونی وابسته‌اند و هزینه آن سرویس می‌تواند جداگانه محاسبه شود.

اگر نتیجه مناسب نبود چه کنید؟

اگر پردازش کند است، ابتدا مدل محلی کوچک‌تری را امتحان و برنامه‌های سنگین دیگر را ببندید. اگر مدل دانلود نمی‌شود یا برنامه هنگام بارگذاری آن بسته می‌شود، اتصال و فضای خالی را بررسی کنید؛ راهنمای سازنده پیشنهاد می‌کند مدل ناقص را از تنظیمات مدل‌ها حذف و دوباره دریافت کنید.

اگر متن فارسی اشتباه است، مطمئن شوید Persian و مدل چندزبانه را انتخاب کرده‌اید، سپس بخشی کوتاه با صدای واضح‌تر را آزمایش کنید. اگر زیرنویس در ویرایشگر ویدئو درست دیده نمی‌شود، قالب SRT یا VTT، کدگذاری متن و زمان‌بندی چند بخش را در همان برنامه بررسی کنید.

آیا Buzz انتخاب مناسبی است؟

برای کسی که می‌خواهد صدای ضبط‌شده را با کنترل بیشتر بر محل پردازش به متن یا زیرنویس اولیه تبدیل کند، Buzz گزینه‌ای قابل بررسی است. مزیت اصلی آن امکان اجرای مدل روی دستگاه است و هزینه آن به قدرت کامپیوتر، زمان پردازش و کار لازم برای اصلاح خروجی تبدیل می‌شود.

با یک فایل کوتاه و غیرحساس شروع کنید، مدل چندزبانه را انتخاب کنید و خروجی را با صدای اصلی بسنجید. بعد از اطمینان از کیفیت مناسب، سراغ فایل‌های طولانی‌تر یا کار حرفه‌ای بروید.

منابع

برچسب‌ها:هوش مصنوعیاوپن‌ای‌آییادگیری ماشینهوش مصنوعی مولد
اشتراک‌گذاری:

مطالب مرتبط

عضویت در خبرنامه

آخرین اخبار هوش مصنوعی و فناوری را در ایمیل خود دریافت کنید.

پس از عضویت یک ایمیل تأیید برایتان ارسال می‌شود. هر زمان می‌توانید اشتراک خود را لغو کنید و ایمیل شما برای هدفی جز ارسال خبرنامه استفاده نمی‌شود. جزئیات در صفحه حریم خصوصی آمده است.