Automatisk undertextgenerator — gratis SRT och VTT med Whisper AI

Automatiska undertexter som stannar på din enhet

Undertexter gör videor tillgängliga för döva och hörselskadade tittare, hjälper dem som tittar utan ljud och förbättrar hur sökmotorer förstår ditt innehåll. Att skriva dem för hand tar lång tid, så det här verktyget lyssnar på talet i din video och skapar tidsatta undertexter automatiskt. Det använder taligenkänningsmodellen Whisper med tidsstämplar och körs lokalt i webbläsaren via Transformers.js, med WebGPU-acceleration när din enhet stöder det och WebAssembly annars.

Din video laddas aldrig upp. Det enda som laddas ner är själva modellen från Hugging Face-hubben, som webbläsaren cachar efter första körningen. Det gör verktyget lämpligt för opublicerat material, kunduppdrag, interna utbildningsvideor och allt annat du helst inte lämnar över till en extern textningstjänst.

Från tal till tidsatta SRT- och VTT-undertexter

Ljudspåret avkodas till 16 kHz mono och delas upp i fönster på upp till 30 sekunder vid tysta partier. Whisper returnerar korta fraser med start- och sluttider för varje fönster, som sedan flyttas till sin position i hela videon. Fraser som är längre än den valda teckengränsen delas vid ordgränser och tiden fördelas proportionellt, och långa rader bryts i två balanserade rader för bekväm läsning. En gräns på 84 tecken, ungefär två rader à 42, motsvarar vanliga riktlinjer för tv och streaming.

Listan med undertexter är helt redigerbar. Ändra tiderna i formatet HH:MM:SS.mmm, rätta felhörda ord, ta bort felaktiga undertexter eller lägg till nya vid förhandsgranskningens aktuella position. Förhandsgranskningsspelaren visar dina senaste ändringar som liveundertexter så att du kan kontrollera synken innan du exporterar. SRT är det mest stödda formatet för redigeringsprogram och uppladdningsplattformar; VTT är det inbyggda formatet för videospelare på webben.

Så får du korrekta undertexter

Välj det talade språket när du vet vilket det är i stället för att förlita dig på automatisk identifiering, och välj hellre Base-modellen för intervjuer, accenter eller brusigt ljud. Musiktunga partier och överlappande röster är den vanligaste felkällan, och Whispers tidsstämplar kan glida med en bråkdel av en sekund, så en snabb genomgång lönar sig alltid. För att visa undertexter permanent, till exempel på sociala medier där undertextfiler inte stöds, läser du in den färdiga SRT-filen i verktyget för att bränna in undertexter.