مرحلهٔ ابری
ضبطی را بفرستید، جلسه، مصاحبه، کلاس یا پیام صوتی، و متنی تمیز تحویل بگیرید که بر اساس گوینده تقسیم شده و میتوانید آن را بهصورت Word، PDF، متن ساده، زیرنویس یا صفحهگسترده بگیرید.
برای گفت‌وگوهای واقعی ساخته شده، از جمله آن‌هایی که وسط جمله زبان عوض میکنند، و به‌جای برگرداندن یک بلوک یکپارچه، متن را بر اساس گوینده تقسیم میکند؛ گوینده‌ها از روی خود گفت‌وگو استنباط میشوند، نه اینکه از روی صدایشان شناسایی شوند.
برخلاف ابزارهای دیگر این سایت، پیاده‌سازی از سرور استفاده میکند: این سایت تشخیص گفتار را روی دستگاه شما اجرا نمی‌کند. صفحه پیش از فرستادن هر چیزی از شما اجازه می‌گیرد. ضبط در تکههای چهاردقیقهای، بدون نام فایلش، از طریق سرور ما و درگاه هوش مصنوعی Lovable به مدل تشخیص گفتار OpenAI می‌رود و متن برای مرتب شدن به Gemini از Google. سرور ما هیچ‌کدام را ذخیره نمی‌کند؛ آن سرویسها از شرایط خودشان پیروی میکنند.
مناسب نیست برای: دقت کامل در ضبط‌های بی‌کیفیت: سروصدای زیاد پس‌زمینه و حرف زدن هم‌زمان چند نفر همچنان باعث اشتباه میشود.
تا وقتی در پنجره‌ای که «پیاده‌سازی» باز میکند موافقت نکنید چیزی فرستاده نمی‌شود، مگر اینکه انتخاب کرده باشید دیگر از شما پرسیده نشود. بعد مرورگر شما ضبط، یا صدای ویدیو، را رمزگشایی میکند، آن را به یک کانال با ۱۶ کیلوهرتز تبدیل میکند و به تکههای چهاردقیقهای می‌بُرد که هر کدام بهصورت فایل WAV با نام part-1.wav، part-2.wav و به همین ترتیب فرستاده میشود: خود صدا، بدون نام فایل شما.
هر تکه به تابع سرور ما روی Lovable Cloud می‌رود که آن را از درگاه هوش مصنوعی Lovable به مدل گفتار gpt-4o-transcribe از OpenAI می‌فرستد، همراه با واژگان سفارشی شما، زبان اگر انتخابش کرده باشید، و ۱٬۲۰۰ نویسهٔ آخری که تا آن لحظه پیاده شده است. متن همهٔ تکه‌ها، با نام گوینده‌ها و واژگانی که وارد کرده‌اید، از همین مسیر به مدل Gemini از Google می‌رود تا بر اساس گوینده تقسیم شود و عنوان، خلاصه و فصل‌بندی بگیرد، و متن نهایی یک بار دیگر برای استخراج نکات کلیدی و اقدامات.
تابع‌های ما صدا یا متن را در جایی ذخیره نمی‌کنند. با هر درخواست نشانی IP شما را برای سقف ساعتی ثبت میکنند و وقتی بیش از دو ساعت از آن گذشت پاکش میکنند. اینکه Lovable، OpenAI و Google چه چیزی نگه می‌دارند را شرایط خودشان تعیین میکند. «ذخیره در کتابخانه» متن را در همین مرورگر نگه میدارد، یا اگر وارد حسابتان شده باشید، در حساب شما؛ «پیوند اشتراک‌گذاری» فایل خروجی را برای ۲۴ ساعت در فضای ذخیره‌سازی ما می‌گذارد، همان‌طور که صفحه کنار دکمه می‌گوید.
سرور ما از هر نشانی IP در ساعت سی تکه می‌پذیرد، یعنی دو ساعت صدا. اگر تکه‌ای پذیرفته نشود یا شکست بخورد، تکههای تمام‌شده نگه داشته میشوند و «تلاش دوباره برای ضبط‌های ناموفق» از همان تکه‌ای که شکست خورده ادامه می‌دهد، نه از اول.
گوینده‌ها از روی صدایشان شناخته نمی‌شوند. Gemini آنها را از روی متن استنباط میکند، از پرسش‌ها، پاسخ‌ها، سلام و احوال‌پرسی‌ها و نام‌هایی که بلند گفته میشوند، و برای برچسب‌ها از نام گوینده‌های موردانتظاری که می‌نویسید استفاده میکند. اگر این مرحله شکست بخورد، باز هم متن را می‌گیرید، در بلوک‌های چهاردقیقهای با برچسب «گوینده مشخص نشد».
برای گفتوگویی که زبان‌ها را درهم می‌آمیزد زبان را روی تشخیص خودکار بگذارید، و برای ضبط تک‌زبانه، زبان گفتار را انتخاب کنید تا به مدل گفتار کمک شود.
زمانها فقط در لبه‌های هر تکهٔ چهاردقیقهای معلوم‌اند؛ نوبت‌های داخل هر تکه با فاصلهٔ مساوی چیده میشوند و با ~ علامت می‌خورند. فایل‌های SRT، VTT و CSV همین تخمین‌ها را دارند، پس به کار فهرستی تقریبی از ضبط می‌آیند، نه زیرنویسی که پابه‌پای گفتار برود.
این صفحه به زبان‌های دیگر: English · العربية · Deutsch · Français · Español · Русский · Português · 中文 · हिन्दी · Türkçe · עברית · اردو · Bahasa Indonesia · বাংলা