Αυτόματοι υπότιτλοι: δημιουργία από τον ήχο του βίντεο
Πώς το DijiFlow Dictate μετατρέπει τον ήχο ενός βίντεο σε συγχρονισμένες γραμμές υποτίτλων στον υπολογιστή σας, και π...
Έχετε %itemCount% στο καλάθι σας.Σύνολο %total%
Πώς το DijiFlow Dictate μετατρέπει τη φωνή σας σε κείμενο στον δικό σας υπολογιστή, με τοπικά μοντέλα ομιλίας και Apple Silicon. Εξηγημένο με απλά λόγια.
Οι περισσότερες εφαρμογές υπαγόρευσης μοιάζουν με μαγεία, μέχρι να κάνετε την αυτονόητη ερώτηση: πού πηγαίνει στ’ αλήθεια η φωνή μου; Με το DijiFlow Dictate, η τίμια απάντηση είναι: πουθενά. Μιλάτε, το κείμενο εμφανίζεται στον δρομέα σας, και ούτε μία λέξη δεν φτάνει σε διακομιστή. Χωρίς λογαριασμό και χωρίς να ανεβαίνει ο ήχος ή το κείμενό σας. Αυτό δεν είναι μια υπόσχεση ιδιωτικότητας που προστέθηκε στο τέλος. Προκύπτει από τον τρόπο που είναι φτιαγμένη η εφαρμογή.
Τρία γνωστά και δοκιμασμένα κομμάτια το κάνουν να δουλεύει: το μοντέλο ομιλίας, που «ακούει»· το περιβάλλον εκτέλεσης, που το εκτελεί αποδοτικά σε ένα Mac· και το Apple Silicon, το τσιπ που κάνει τα πάντα να μοιάζουν ακαριαία. Δεν χρειάζεστε προηγούμενες γνώσεις. Δείτε το καθένα με απλά λόγια.
Στην καρδιά του DijiFlow Dictate βρίσκονται μοντέλα αναγνώρισης ομιλίας που λειτουργούν στον δικό σας υπολογιστή. Με απλά λόγια, ένα μοντέλο ομιλίας είναι ένα πολύ μεγάλο σύστημα αναγνώρισης μοτίβων, εκπαιδευμένο σε τεράστιες ποσότητες ήχου μαζί με τις μεταγραφές του. Από αυτά τα δεδομένα μαθαίνει πώς οι ήχοι που παράγουμε αντιστοιχούν στις λέξεις που εννοούμε, με κάθε είδους προφορά, με θόρυβο στο βάθος και με τις φυσικές παύσεις της πραγματικής ομιλίας.
Όταν υπαγορεύετε, το μοντέλο προβλέπει την πιο πιθανή σειρά λέξεων από τον ήχο του μικροφώνου σας, και το κάνει πραγματικά καλά. Σε καθαρή ομιλία πετυχαίνει ακρίβεια περίπου 98%, και το DijiFlow Dictate μεταγράφει 29 γλώσσες με πλήρη υποστήριξη, ενώ αναγνωρίζει 90+ με αυτόματη ανίχνευση. Επειδή λαμβάνει υπόψη τα συμφραζόμενα αντί να αναγνωρίζει μία λέξη κάθε φορά, τα βγάζει πέρα με τον ακατάστατο τρόπο που μιλάμε στην πραγματικότητα.
Αυτό είναι που εκπλήσσει πολλούς: η εφαρμογή και η «νοημοσύνη» της είναι δύο διαφορετικά αρχεία. Στο Mac, το ίδιο το DijiFlow Dictate είναι μικρό, περίπου 34 MB. Το βάρος το σηκώνουν τα μοντέλα ομιλίας, με μέγεθος από περίπου 300 MB έως 6 GB ανάλογα με αυτό που θα διαλέξετε. Στο Pro και στη δοκιμή, το «Μεγάλο» είναι το πιο ακριβές, το «Εξπρές» πλησιάζει την ακρίβειά του και είναι ταχύτερο, και το «Γρήγορο», που καλύπτει 16 γλώσσες, ανάμεσά τους και τα αγγλικά, είναι το ταχύτερο από όλα. Η δωρεάν έκδοση χρησιμοποιεί τα μοντέλα «Τυπικό» και «Βελτιωμένο». Εσείς διαλέγετε την ισορροπία ανάμεσα σε ταχύτητα και ακρίβεια που σας ταιριάζει.
Κατεβάζετε ένα μοντέλο μία φορά, και από εκεί και πέρα η μεταγραφή δεν χρειάζεται καθόλου διαδίκτυο. Χάρη σε αυτό ακριβώς το βήμα η φωνή σας μπορεί να μένει στον υπολογιστή σας.
Ένα μοντέλο ομιλίας είναι χρήσιμο μόνο αν λειτουργεί γρήγορα χωρίς να αδειάζει την μπαταρία σας. Αυτή είναι η δουλειά του περιβάλλοντος εκτέλεσης, του λογισμικού που εκτελεί μοντέλα μηχανικής μάθησης πάνω στην ίδια τη συσκευή. Σκεφτείτε το σαν διερμηνέα και τροχονόμο μαζί: παίρνει ένα μοντέλο ομιλίας και βρίσκει πώς να το εκτελέσει αξιοποιώντας τα πιο κατάλληλα μέρη του εξοπλισμού σας.
Στο Mac, τα μοντέλα ομιλίας του DijiFlow Dictate είναι μεταγλωττισμένα για το πλαίσιο μηχανικής μάθησης της ίδιας της Apple, που αποτελεί μέρος του macOS. Έτσι το μοντέλο είναι βελτιστοποιημένο ειδικά για τον εξοπλισμό της Apple και δεν εκτελείται ως γενικός, πιο αργός κώδικας. Η υπαγόρευση λοιπόν προλαβαίνει τον ρυθμό της φυσικής ομιλίας και επιβαρύνει ελάχιστα το σύστημα. Και όλα γίνονται τοπικά: αυτό το πλαίσιο δεν είναι υπηρεσία cloud. Είναι κομμάτι του λειτουργικού συστήματος και επιτρέπει στις εφαρμογές να εκτελούν μοντέλα μηχανικής μάθησης ιδιωτικά, στην ίδια τη συσκευή.
Το τελευταίο κομμάτι είναι ο εξοπλισμός. Στα σύγχρονα Mac αυτό σημαίνει Apple Silicon, δηλαδή τα τσιπ της σειράς M σε υπολογιστές με macOS 14 ή νεότερο. Τα τσιπ αυτά έχουν ένα ειδικό Neural Engine, ένα τμήμα του τσιπ σχεδιασμένο ειδικά για να εκτελεί μοντέλα μηχανικής μάθησης γρήγορα και με πολύ μικρή κατανάλωση ενέργειας, ενώ η GPU είναι διαθέσιμη μέσω Metal όταν χρειάζεται επιπλέον ισχύς.
Δεν χρειάζεται να ρυθμίσετε τίποτα από αυτά. Το πλαίσιο μοιράζει αυτόματα τη δουλειά στον κατάλληλο εξοπλισμό· εσείς απλώς μιλάτε, και το τσιπ αναλαμβάνει τα υπόλοιπα σε πραγματικό χρόνο. Αυτό είναι το αθόρυβο πλεονέκτημα του σχεδιασμού στη συσκευή: το ίδιο τσιπ που κάνει το Mac σας να ανταποκρίνεται γρήγορα είναι αυτό που κάνει την ιδιωτική υπαγόρευση πρακτική.
Βάλτε τα τρία κομμάτια στη σειρά: η διαδρομή είναι σύντομη και εξ ολοκλήρου τοπική.
Ο ήχος από το μικρόφωνό σας καταγράφεται στη συσκευή και δεν μεταδίδεται πουθενά.
Το μοντέλο μετατρέπει τον ήχο σε λέξεις επί τόπου, στο Apple Silicon, σε πραγματικό χρόνο.
Οι λέξεις σας εμφανίζονται στην εφαρμογή όπου ήδη βρίσκεστε. Δεν στέλνονται πουθενά, άρα δεν υπάρχει τίποτα να διαρρεύσει.
Βασικό συμπέρασμα
Το μοντέλο βρίσκεται στον υπολογιστή σας, οπότε η μεταγραφή είναι απλώς ένας τοπικός υπολογισμός: δεν μεσολαβεί κανένας διακομιστής που θα μπορούσε να αποθηκεύσει, να υποκλέψει ή να κρατήσει αθόρυβα τη φωνή σας.
Τα περισσότερα εργαλεία φωνής είναι υπηρεσίες cloud με εικονίδιο εφαρμογής: χρειάζονται σύνδεση και λογαριασμό κάθε φορά, γιατί το μοντέλο που σας καταλαβαίνει βρίσκεται στον εξοπλισμό κάποιου άλλου. Το DijiFlow Dictate κάνει το αντίθετο: το εγκαθιστάτε μία φορά, και η δουλειά γίνεται στο δικό σας τσιπ.
| Πώς λειτουργεί | DijiFlow (στη συσκευή) | Υπαγόρευση cloud |
|---|---|---|
| Λειτουργεί μετά από μία μόνο λήψη | ✓ | ✗ |
| Μεταγράφει χωρίς διαδίκτυο | ✓ | ✗ |
| Δεν χρειάζεται λογαριασμός | ✓ | ✗ |
| Ο ήχος μένει στη συσκευή σας | ✓ | ✗ |
Η ίδια προσέγγιση ισχύει και στα Windows 10 και 11, όπου το DijiFlow Dictate λειτουργεί με κάρτες γραφικών AMD, Intel και NVIDIA. Οι κάρτες NVIDIA χρειάζονται CUDA και ενημερωμένο πρόγραμμα οδήγησης, αλλά η αρχή είναι ακριβώς η ίδια: η ομιλία σας μεταγράφεται τοπικά, και η φωνή και το κείμενό σας δεν στέλνονται πουθενά.
Δεν συμβαίνει τίποτα εξωτικό εδώ. Το DijiFlow Dictate βασίζεται σε ανοιχτή, δοκιμασμένη τεχνολογία: μοντέλα ομιλίας για την αναγνώριση, το πλαίσιο μηχανικής μάθησης της Apple για την εκτέλεση και το Apple Silicon για τον εξοπλισμό. Η απόφαση που μετράει είναι ότι όλα αυτά μένουν στη συσκευή σας, ώστε να έχετε την ευκολία της σύγχρονης υπαγόρευσης χωρίς να δίνετε ποτέ τη φωνή σας σε κανέναν, στη δωρεάν έκδοση, στη δοκιμή και στο Pro.
Αν προτιμάτε να το δοκιμάσετε παρά να διαβάζετε γι’ αυτό, μπορείτε να χρησιμοποιήσετε δωρεάν για 30 ημέρες την ιδιωτική υπαγόρευση στη συσκευή με το πρόγραμμα Pro.