中国語音声からアニメーションテキストへ: エクスポート前に認識を検査

ソースと方法

元の中国語スクリプトは eSpeak NG によって読み上げられ、その後、この Web サイトで使用されているのと同じローカルの Whisper small 認識エンジンおよびビデオ レンダラーで処理されました。これは合成音声であり、人の録音や歌のベンチマークではありません。

これらの事例では、オリジナルのスクリプト、合成音声、生成されたトーン、および生成された通知画像が使用されます。ユーザーによるアップロードは含まれていません。インターフェイス言語が変わっても、ソース メディアと認識されたテキストは元の言語を維持します。

オリジナルの入力をダウンロード ↓ · ダウンロード設定 ↓ · ソーステキストをダウンロードする ↓

ソース、認識、レビューを比較する

ソーステキスト

今天我们用一段中文录音制作文字动画。
先检查识别结果。
再调整字幕的出现时间。
最后下载视频，分享你的故事。

編集されていない認識結果

今天我们用一般中文录音制作文
字动画,
先天查识别结果,
再调整字幕的出现时间,
最后下彩视频,
分享你的故事。

検討結果

今天我们用一段中文录音制作文字动画。
先检查识别结果。
再调整字幕的出现时间。
最后下载视频，分享你的故事。

レビューされたキャプションは元のスクリプトを復元し、音声全体で均等なタイミングのフレーズを使用します。それらのタイミングはおおよそのものであり、強制的に調整されるものではありません。未編集のモデル出力とレビュー済みのエクスポートの両方が利用可能です。音で比べてみてください。

未編集のキャプション付きビデオをダウンロードする ↓ · レビュー済みのビデオをダウンロードする ↓

共有する前に確認すべきこと

この実行では、ソースの一段は一般、检查は天查、下ダウンロードは下彩として認識されました。フレーズの境界を調整する前に、録音した中国語の単語を確認してください。これらはこの合成サンプルからの結果であり、中国語音声の誤り率ではありません。

測定と制限

時間は、サービス レベルの約束ではなく、単一のビルド実行について説明します。オーディオのケースはビルド コンピューターで測定されます。イメージ OCR は、Linux デプロイメント イメージで測定されます。アップロード時間と共有処理キューは除きます。

認識時間

6.41 s

レンダリング時間

2.16 s

処理エンジン

faster-whisper small / CPU int8

これは製品のデモンストレーションであり、精度のベンチマークやお客様の声ではありません。