SubtitleMedic

Tạo phụ đề tự động

Video chưa có phụ đề? Thả vào đây, Whisper (AI nhận dạng giọng nói) sẽ viết phụ đề cho bạn: từng câu có thời gian, lưu dạng SRT hoặc VTT, xem lại rồi tải về. Mọi thứ chạy trên máy bạn, file không rời khỏi máy.

Xử lý ngay trên trình duyệtKhông cần đăng ký.mp4, .mov, .mkv, .webm, .mp3, .m4a, .wav

Cách tạo phụ đề tự động

  1. Mở video hoặc file âm thanh

    Thả file vào ô phía trên, hoặc bấm để chọn file. Nhận video (MP4, MOV, MKV, WebM) và file âm thanh (MP3, M4A, WAV, OGG, FLAC), dài tối đa ba giờ.

  2. Chọn model và ngôn ngữ

    Nhanh, Cân bằng hoặc Chính xác: model càng lớn càng nghe đúng nhiều chữ hơn nhưng chạy lâu hơn và tải nặng hơn ở lần đầu. Để ngôn ngữ ở Tự nhận, hoặc chọn sẵn để nhận dạng tốt hơn với clip ngắn và giọng địa phương.

  3. Tạo, đọc lại và tải về

    Bấm Tạo phụ đề. Các câu hiện ra dần theo từng đoạn được nghe. Đọc lại, chọn SRT hoặc VTT, rồi tải file về, file được đặt tên theo video của bạn.

Phụ đề tự động hoạt động thế nào

Trang dùng Whisper, model nhận dạng giọng nói do OpenAI phát hành, được huấn luyện trên hàng trăm nghìn giờ nói của 99 ngôn ngữ. Whisper nghe âm thanh theo từng khung 30 giây. Với mỗi khung, nó viết ra những chữ nghe được kèm mốc thời gian: mỗi đoạn nói bắt đầu và kết thúc ở đâu.

Trước khi Whisper nghe, phần âm thanh được lấy ra khỏi file và đổi sang dạng model cần: một kênh, 16.000 mẫu mỗi giây. Âm thanh của một bộ phim được đọc theo từng khối khoảng mười phút, mỗi khối được cắt ở chỗ ngắt lời để không chữ nào bị cắt đôi, nên ngay cả bản ghi ba giờ cũng không phải nằm hết trong bộ nhớ.

Các đoạn nói của Whisper tự chúng chưa thành phụ đề tốt: có đoạn dài 20 giây, có đoạn chứa cả một đoạn văn. Vì vậy mỗi đoạn được cắt thành những câu vừa với phụ đề, ưu tiên cắt ở cuối câu, rồi ở dấu phẩy, rồi giữa các từ. Mỗi câu nhận phần thời gian tương ứng với độ dài của nó, được ngắt thành tối đa hai dòng 42 ký tự và hiện tối đa bảy giây, đúng giới hạn mà phần lớn dịch vụ xem phim dùng. Những câu không có chữ nào, và thói quen lặp đi lặp lại một câu trong lúc im lặng của Whisper, đều bị bỏ đi.

Mọi thứ chạy trên máy của bạn

Các trang tạo phụ đề online thường tải video của bạn lên máy chủ, nhận dạng ở đó rồi gửi chữ về. Trang này thì không. Model được tải về trình duyệt và chạy ngay trong đó: qua WebGPU trên card đồ hoạ nếu trình duyệt có, và qua WebAssembly trên CPU nếu không. Điều này quan trọng với phỏng vấn, cuộc họp, bài giảng hay video gia đình mà bạn không muốn giao cho máy chủ của người lạ. Nó cũng có nghĩa là không phải chờ tải lên, không cần tài khoản và không giới hạn số phút.

File model lấy từ Hugging Face, còn phần chạy model lấy từ jsDelivr, cả hai đều ở phiên bản cố định; phần chạy model được kiểm tra với một dấu vân tay đã biết trước khi chạy. Không có gì của bạn được gửi tới hai nơi đó.

Chọn model nào

  • Nhanh (Whisper tiny) tải nhẹ nhất và chạy nhanh nhất, kể cả khi không có WebGPU. Đủ dùng cho tiếng Anh nói rõ và bản chép nháp, nhưng hay sai với giọng địa phương, tiếng ồn và các ngôn ngữ ít phổ biến.
  • Cân bằng (Whisper base) là mặc định khi trình duyệt có WebGPU. Nghe tên riêng, dấu câu và các ngôn ngữ khác tốt hơn rõ, đổi lại mất khoảng gấp đôi thời gian.
  • Chính xác (Whisper small) chỉ có khi máy hỗ trợ WebGPU, vì chạy riêng bằng CPU sẽ lâu hơn cả độ dài video. Nên chọn cho tiếng Việt, tiếng Indonesia và những ngôn ngữ Whisper ít được nghe, hoặc cho bản ghi có tiếng ồn.

Nhãn Đã tải đánh dấu các model đã có sẵn trong trình duyệt: dùng lại chúng không tốn thêm lượt tải nào.

Để có kết quả tốt nhất

Âm thanh sạch là quan trọng nhất. Whisper làm tốt nhất khi một người nói rõ ràng gần micro. Nhạc chen dưới giọng nói, phòng ồn và nhiều người nói cùng lúc đều làm giảm độ chính xác. Nếu được, hãy dùng bản ghi âm gốc thay vì video đã chèn nhạc nền.

Chọn ngôn ngữ cho clip ngắn. Chế độ tự nhận nghe 30 giây đầu. Một clip mở đầu bằng nhạc, hoặc bằng vài câu nói ngôn ngữ khác, có thể bị nhận sai, và khi đó cả file sẽ ra sai ngôn ngữ. Với video tiếng Việt, chọn sẵn Tiếng Việt là cách chắc chắn nhất.

Chuẩn bị sửa lại. Ngay cả kết quả tốt cũng cần đọc lại: tên riêng bị viết theo cách đọc, một chữ bị sót khi nói nhanh, một câu thuộc về người nói tiếp theo. Sửa một bản nháp vẫn nhanh hơn nhiều so với tự gõ lại toàn bộ.

Làm gì tiếp với phụ đề

  • Xem cùng video trong VLC, Plex hay trên TV bằng cách đặt file SRT trùng tên với video, như hướng dẫn trong bài cách thêm phụ đề vào video.
  • Đưa phụ đề vào trong file video thành một track bật tắt được bằng Thêm phụ đề vào MP4.
  • Vẽ cứng phụ đề lên hình cho Instagram, TikTok hay bài thuyết trình bằng Gắn cứng phụ đề vào video.
  • Tải file SRT hoặc VTT lên YouTube hay Vimeo làm phụ đề của riêng bạn, thay cho phụ đề tự động của họ.

Phụ đề tự động không giống phụ đề cho người khiếm thính (SDH): nó chép lại lời nói nhưng không ghi các âm thanh như tiếng nhạc hay tiếng cửa đóng sầm. Sự khác nhau được giải thích trong bài phụ đề SDH là gì.

Câu hỏi thường gặp

Làm sao tạo phụ đề tự động cho video?

Thả video vào ô phía trên, chọn độ chính xác của model và ngôn ngữ được nói trong video, rồi bấm Tạo phụ đề. Whisper nghe phần âm thanh và viết ra từng câu kèm thời gian. Bạn đọc lại ngay trên trang rồi tải về dạng SRT hoặc VTT.

Video của tôi có bị tải lên máy chủ không?

Không. Âm thanh được đọc và nhận dạng ngay trong trình duyệt, trên máy của bạn. Thứ duy nhất được tải về là chính model nhận dạng giọng nói, một lần, từ Hugging Face. File, âm thanh và chữ nhận dạng được không rời khỏi máy.

Phụ đề tạo ra chính xác đến đâu?

Với giọng nói rõ và ít tiếng ồn, Whisper nghe đúng phần lớn số chữ, và model càng lớn càng ít sai. Những chỗ hay sai là tên riêng, thuật ngữ, giọng nói nhỏ và lúc nhiều người nói cùng lúc hoặc có nhạc nền, vì vậy hãy luôn đọc lại các câu trước khi đăng.

Nhận dạng được những ngôn ngữ nào?

Whisper được huấn luyện trên 99 ngôn ngữ, trong đó có tiếng Việt, tiếng Anh, tiếng Tây Ban Nha, tiếng Indonesia, tiếng Trung, tiếng Nhật, tiếng Hindi và tiếng Ả Rập. Ngôn ngữ nào nó được nghe nhiều thì nhận dạng tốt hơn. Với tiếng Việt, nên chọn model Chính xác và chọn sẵn ngôn ngữ thay vì để tự nhận.

Sao trên máy tôi chạy chậm?

Model chạy nhanh nhất trên card đồ hoạ qua WebGPU, thứ mà Chrome và Edge có trên hầu hết máy tính. Không có WebGPU thì trang dùng CPU, video dài có thể mất vài phút. Chọn model Nhanh để có kết quả sớm hơn, đóng bớt tab và để tab này mở đến khi xong.

Phải tải về bao nhiêu dung lượng?

Nhanh khoảng 45 đến 125 MB, Cân bằng 80 đến 210 MB, còn Chính xác (chỉ có khi máy hỗ trợ WebGPU) 410 đến 590 MB, tuỳ card đồ hoạ. Trang ghi rõ dung lượng cạnh từng model. Model chỉ tải ở lần dùng đầu tiên và được giữ lại trong trình duyệt, nên video sau bắt đầu ngay. Nút bên dưới Tạo phụ đề giúp xoá các model đã tải khi bạn cần lấy lại dung lượng.

Có dịch phụ đề sang ngôn ngữ khác được không?

Không. Trang này chép lại lời được nói, bằng đúng ngôn ngữ đang nói. Muốn có phụ đề ngôn ngữ khác, hãy tạo phụ đề ở đây trước rồi dịch file SRT, ví dụ trên bảng tính với Chuyển đổi SRT sang Excel.

Dùng trên điện thoại được không?

Được với clip ngắn. Điện thoại ít bộ nhớ và CPU chậm hơn, nên video dài có thể dừng giữa chừng. Trên điện thoại, hãy chọn Nhanh và dùng clip ngắn; video dài hơn vài phút thì nên làm trên máy tính.