Go Toolstack

Chuyển giọng nói thành văn bản

Chuyển đổi âm thanh và video thành văn bản, phụ đề SRT và VTT với OpenAI Whisper ngay trên trình duyệt. Bảo mật 100%, xử lý trực tiếp trên thiết bị.

Chuyển giọng nói thành văn bản

Chuyển đổi âm thanh và video thành văn bản, phụ đề SRT và VTT với OpenAI Whisper ngay trên trình duyệt. Bảo mật 100%, xử lý trực tiếp trên thiết bị.

Cách thức hoạt động

1
Select Your File
Choose the file you want to process; your data is processed locally without uploads.
2
Configure Options
Adjust conversion, compression, or processing settings to suit your needs.
3
Process & Download
Run the task client-side in your browser and download the processed result.

Các tiện ích bổ sung cho quy trình làm việc của bạn

Trung tâm Âm thanh & Video • Quy trình làm việc & Hướng dẫn so sánh

Khám phá toàn bộ công cụ âm thanh & video, giới hạn trình duyệt và hướng dẫn lựa chọn.

Khám phá trung tâm →
Đồng bộ & Chuyển đổi phụ đề

Chuyển đổi phụ đề giữa định dạng SRT và WebVTT, dịch chuyển mốc thời gian (Time Shift)
Chuyển văn bản thành giọng nói (TTS)

Chuyển đổi văn bản thành âm thanh giọng đọc tiếng Việt bằng Web Speech API trên thiết bị
Lọc tiếng ồn & Làm sạch âm thanh

Khử tiếng ồn nền, tiếng xì micro (Hiss), tiếng quạt gió và làm trong giọng nói bản thu
Ghi âm giọng nói trực tuyến

Ghi âm âm thanh chất lượng cao từ micro và xuất tệp WAV hoặc WebM nhanh chóng
Cắt video trực tuyến

Cắt ngắn đoạn video MP4, WebM theo dòng thời gian chuẩn xác mà không giảm chất lượng

Hướng dẫn blog liên quan

Hướng dẫn kỹ thuật, khắc phục sự cố và quy trình tối ưu thực tế

Trung tâm kiến thức

Chuyển giọng nói thành văn bản & Tạo phụ đề trong trình duyệt: Kiến trúc OpenAI Whisper, Tăng tốc WebGPU và Cơ chế bảo mật dữ liệu

Nhận dạng giọng nói tự động (Automatic Speech Recognition - ASR) truyền thống thường đòi hỏi gửi luồng âm thanh riêng tư của người dùng lên các cụm máy chủ đám mây lớn, tiềm ẩn nguy cơ rò rỉ dữ liệu nhạy cảm và phụ thuộc vào kết nối mạng liên tục. Công cụ chuyển giọng nói thành văn bản của GoToolstack ứng dụng trực tiếp mô hình nơ-ron Transformer tiên tiến của OpenAI Whisper thông qua WebAssembly (WASM) và tăng tốc đồ họa phần cứng WebGPU, cho phép xử lý toàn bộ quá trình giải mã âm thanh ngay trên thiết bị của bạn.

Hệ thống tự động chuyển đổi âm thanh đầu vào thành luồng mono 16.000 Hz, trích xuất biểu đồ phổ Mel 80 kênh (Mel-spectrogram) theo từng khung thời gian 25ms, sau đó đưa qua bộ mã hóa và giải mã chuỗi tuần tự để tạo văn bản chính xác kèm dấu thời gian chuẩn millisecond. Dữ liệu âm thanh và văn bản của bạn không bao giờ rời khỏi thiết bị, đảm bảo tuân thủ các tiêu chuẩn quyền riêng tư nghiêm ngặt nhất.

Công thức & Nguyên lý kỹ thuật

Quy trình nhận dạng giọng nói = Chuyển đổi Web Audio 16kHz Mono → Bộ lọc khoảng lặng RMS → Phân đoạn 30 giây → Mô hình Whisper (WebGPU/WASM) → Xuất phụ đề tuần tự (SRT/VTT)

Âm thanh tải lên được giải mã thành mảng dữ liệu dấu phẩy động 32-bit (Float32Array) tại tần số 16kHz mono. Bộ lọc năng lượng bình phương trung bình (RMS) tự động loại bỏ các đoạn im lặng kéo dài để tối ưu hóa bộ nhớ RAM. Mô hình chia âm thanh thành các đoạn cửa sổ trượt 30 giây chuẩn Whisper, sau đó áp dụng giải thuật tìm kiếm chùm (beam search) với nhiệt độ lặp lại để chuyển đổi các token âm thanh thành văn bản có dấu thời gian tuyến tính không chồng lấn.

Thực hành tốt nhất & Hướng dẫn thiết yếu

  • Tối ưu hóa chất lượng bản ghi đầu vào: Sử dụng micro định hướng hoặc giảm tiếng ồn xung quanh trước khi ghi âm; tỷ lệ tín hiệu trên nhiễu (SNR) cao giúp mô hình giải mã chính xác các âm tiết tiếng Việt có dấu.
  • Tận dụng tăng tốc WebGPU: Trên các trình duyệt hiện đại (Chrome 113+, Edge), hãy đảm bảo tính năng WebGPU được kích hoạt trong cài đặt phần cứng để tốc độ phiên âm đạt nhanh hơn thời gian thực từ 3x đến 7x.
  • Quản lý dung lượng bộ nhớ đệm: Mô hình Whisper-Tiny (~39 MB) chỉ cần tải xuống một lần và được lưu trong bộ nhớ đệm CacheStorage/IndexedDB của trình duyệt để sử dụng ngoại tuyến hoàn toàn cho các lần tiếp theo.
  • Rà soát danh từ riêng và từ viết tắt: Các thuật ngữ chuyên ngành hoặc tên địa phương có thể cần được chỉnh sửa thủ công nhanh trong bảng biên tập trước khi xuất tệp SRT hoặc VTT sang Xưởng phụ đề.

Câu hỏi thường gặp (FAQ)

Tệp ghi âm của tôi có được tải lên máy chủ của GoToolstack để phiên âm không?
Hoàn toàn không. Mô hình trí tuệ nhân tạo Whisper được thực thi 100% bên trong trình duyệt của bạn nhờ công nghệ WebAssembly và WebGPU. Âm thanh được xử lý hoàn toàn trong bộ nhớ RAM tạm thời của máy tính hoặc điện thoại bạn đang dùng.
Tại sao lần đầu sử dụng công cụ lại mất một khoảng thời gian tải?
Trong lần đầu tiên, trình duyệt cần tải tệp trọng số mô hình Whisper-Tiny (~39 MB nén). Sau khi tải xong, mô hình sẽ được lưu vào bộ nhớ đệm cục bộ của trình duyệt để các lần sử dụng tiếp theo khởi động ngay lập tức mà không tốn dung lượng mạng.
Độ chính xác của mô hình phiên âm trong trình duyệt có cao bằng các API đám mây trả phí không?
Mô hình Whisper-Tiny được tối ưu hóa đặc biệt về kích thước và tốc độ để có thể chạy mượt mà trên trình duyệt mà không làm đơ giao diện. Đối với giọng nói rõ ràng, độ chính xác rất cao; với âm thanh có nhiều tiếng ồn hoặc phương ngữ địa phương phức tạp, bạn có thể chỉnh sửa nhanh trong bảng phân đoạn đi kèm.
Tôi có thể chuyển trực tiếp các câu phiên âm này sang công cụ Phụ đề để căn chỉnh không?
Có. Công cụ tích hợp sẵn nút 'Mở trong Xưởng phụ đề (G06)', cho phép chuyển toàn bộ mảng phụ đề đã gắn mã thời gian sang trình chỉnh sửa dạng sóng để tinh chỉnh từng mili-giây mà không cần tải tệp về máy rồi tải lại.