Tạo phụ đề tự động từ chính âm thanh của video
Cách DijiFlow Dictate biến phần âm thanh của video thành các dòng phụ đề khớp thời gian ngay trên máy tính của bạn, v...
Bạn có %itemCount% trong giỏ hàng.Tổng cộng %total%
Đọc chính tả trên thiết bị giữ giọng nói và văn bản của bạn trên máy tính, không tài khoản, không xử lý trên đám mây. Bài viết giải thích chuyển giọng nói thành văn bản riêng tư thực sự là thế nào.
Mở một ứng dụng đọc chính tả thông thường, giọng nói của bạn sẽ đi một chuyến xa. Micrô thu giọng bạn, âm thanh được tải lên máy chủ, một mô hình ở đâu đó phiên âm nó, rồi chữ quay về sau một thoáng. Cảm giác như tức thì. Nhưng trong vài giây ấy, lời bạn nói đã nằm trên phần cứng không phải của bạn, theo những quy định không do bạn đặt ra.
DijiFlow Dictate không bao giờ gửi chúng đi. Giọng nói được thu, phiên âm và chuyển thành văn bản hoàn toàn trên chiếc máy tính trước mặt bạn. Âm thanh và văn bản không được tải lên, không có bản sao nào lưu trên máy chủ. Khi chúng tôi nói giọng nói của bạn ở lại trên thiết bị, đó không phải lời trấn an. Đó là cách ứng dụng được xây dựng.
Điểm mấu chốt
Riêng tư từ trong thiết kế nghĩa là chính cấu trúc của ứng dụng khiến dữ liệu không thể lọt ra ngoài, chứ không phải một chính sách hứa rằng chuyện đó sẽ không xảy ra.
Nhiều công cụ đọc chính tả đem việc mã hóa trên đường truyền ra làm điểm quảng cáo đầu tiên. Điều đó đáng có, nhưng hãy xem nó bảo vệ cái gì: âm thanh của bạn trên đường tới máy chủ. Khi tới nơi, nhà cung cấp sẽ giải mã để mô hình xử lý được.
Từ lúc đó, bạn phải tin vào cả một chuỗi thứ mình không nhìn thấy: thiết lập lưu trữ, danh sách người được truy cập, thiện chí của nhà cung cấp, một chính sách quyền riêng tư có thể bị viết lại ngay quý sau. Mã hóa bảo vệ con đường, nhưng không bảo vệ được nơi dữ liệu đến.
Xử lý trên thiết bị thì không còn nơi đến nào cả. Không có máy chủ nào tham gia, nên không có nơi thứ hai để giọng nói của bạn bị giải mã, ghi nhật ký hay lưu giữ. Bản ghi âm, bản phiên âm và văn bản hoàn chỉnh đều nằm trong phần cứng bạn đang sở hữu.
DijiFlow Dictate chạy các mô hình giọng nói trực tiếp trên máy tính của bạn: trên Mac là Neural Engine và GPU của Apple, trên Windows là GPU AMD, Intel hoặc NVIDIA. Không có dịch vụ từ xa nào làm thay, cũng không có cơ chế dự phòng nào lặng lẽ gửi âm thanh đi nơi khác khi mô hình không chắc. Mô hình trên máy của bạn là toàn bộ hệ thống.
Vì mọi việc diễn ra ngay trên máy, bạn có được vài điều mà phần lớn công cụ đám mây không làm được:
Điều cuối cùng này bạn tự kiểm tra được. Rút cáp mạng, tắt Wi-Fi rồi tiếp tục đọc chính tả. Nếu mọi thứ vẫn chạy, và đúng là vẫn chạy, thì việc phiên âm chưa bao giờ cần kết nối ra ngoài. Một điều tự kiểm chứng được luôn đáng tin hơn một lời hứa phải tin suông.
Đặt cạnh nhau mới thấy rõ khác biệt. Đây là nơi dữ liệu của bạn nằm theo từng cách làm.
| Dữ liệu của bạn đi đâu | DijiFlow (trên thiết bị) | Công cụ đám mây thông thường |
|---|---|---|
| Âm thanh ở lại trên máy của bạn | ✓ | ✗ |
| Bản phiên âm ở lại trên thiết bị của bạn | ✓ | ✗ |
| Không cần tài khoản hay email | ✓ | ✗ |
| Giọng nói không được xử lý trên đám mây | ✓ | ✗ |
| Phiên âm được cả khi tắt mạng | ✓ | ✗ |
| Nhà cung cấp không có gì để bị trát đòi | ✓ | ✗ |
Ba con số nói lên cùng một điều.
Với nhiều người, đọc chính tả liên quan đến những nội dung không có lý do gì để nằm trong nhật ký của người khác. Một bác sĩ ghi chép hồ sơ bệnh nhân theo quy định bảo mật nghiêm ngặt. Một luật sư đọc chính tả thư từ được bảo mật theo đặc quyền nghề nghiệp. Một nhà báo phiên âm lời của nguồn tin đã được hứa giữ kín danh tính. Một kỹ sư thuật lại kiến trúc hệ thống nội bộ vào tài liệu.
Trong mọi trường hợp đó, dữ liệu an toàn nhất là dữ liệu chưa từng được truyền đi. Đọc chính tả trên thiết bị giữ bản phiên âm của bạn ngoài tầm với của một vụ xâm nhập, một lệnh trát đòi hay một lần âm thầm đổi chính sách ở bên thứ ba, vì bên thứ ba đó chưa bao giờ nhận được chúng.
Trước đây người ta cho rằng xử lý cục bộ thì phải hy sinh độ chính xác hoặc tốc độ, rằng mô hình trên thiết bị là lựa chọn kém hơn. Điều đó không còn đúng nữa. Apple Silicon chạy các mô hình giọng nói hiện đại vừa nhanh vừa tốt, và khi bật Tự động phát hiện, DijiFlow nhận diện 90+ ngôn ngữ ngay trên thiết bị. 29 ngôn ngữ trong số đó được hỗ trợ đầy đủ và có tinh chỉnh từ vựng, để tên riêng, thuật ngữ và từ viết tắt được ghi đúng.
Bạn chọn kích cỡ mô hình hợp với máy tính của mình và mức độ chính xác mình cần. Kết quả là chất lượng phiên âm từng cần đến cả một trung tâm dữ liệu, mà âm thanh hay văn bản của bạn vẫn không rời khỏi bàn làm việc.
Ở đây, ưu tiên quyền riêng tư không phải một tính năng cần bật. Ứng dụng được xây dựng quanh việc xử lý ngay trên máy, nên nó luôn hoạt động một cách riêng tư: không có thiết lập nào phải tìm, không có chế độ nào phải nhớ. Phiên bản miễn phí của DijiFlow Dictate dùng được mãi mãi cho nhu cầu hằng ngày, bản dùng thử 30 ngày mở trọn bộ tính năng Pro, và khi sẵn sàng, bạn chuyển sang Pro.
Nếu lời bạn nói chỉ nên là của bạn, hãy xem đọc chính tả trên thiết bị hợp với công việc của bạn ra sao.