วิธีแปลงวิดีโอ MP4 เป็นข้อความแบบส่วนตัว

ผู้เขียน: Hushscript | เผยแพร่: 1 พฤษภาคม 2569 | ตรวจสอบล่าสุด: 22 กรกฎาคม 2569

เวิร์กโฟลว์วิดีโอที่อัปโหลดเป็นอันดับแรกอาจส่ง MP4 ทั้งหมด แม้ว่าการรู้จำเสียงต้องการเพียงแทร็กเสียงก็ตาม ขึ้นอยู่กับความละเอียด ตัวแปลงสัญญาณ และบิตเรต การบันทึกแบบยาวอาจมีขนาดได้หลายกิกะไบต์ Hushscript หลีกเลี่ยงการถ่ายโอนดังกล่าว: เบราว์เซอร์จะเตรียมเสียงก่อน และวิดีโอต้นฉบับจะยังคงอยู่ในอุปกรณ์ของคุณ

Hushscript ใช้เส้นทางอื่น เบราเซอร์ของคุณจะแยกเสียงออกจากวิดีโอก่อนที่การอัพโหลดจะเริ่มต้น ดังนั้น MP4 ต้นฉบับจะยังคงอยู่ในอุปกรณ์ของคุณ ถอดเสียงเฉพาะเสียงเท่านั้น และจะถูกลบทันทีที่ข้อความถอดเสียงของคุณพร้อม คู่มือนี้จะอธิบายกระบวนการทั้งหมด: ขั้นตอน ตัวอย่างข้างต้นในการสัมมนาผ่านเว็บที่บันทึกไว้ วิธีดึงคำบรรยาย SRT รูปแบบวิดีโออื่นๆ ที่ทำงานในลักษณะเดียวกัน และสิ่งที่ควรทำเมื่อมีสิ่งผิดปกติเกิดขึ้น

เหตุใดวิดีโอของคุณจึงไม่ควรอัปโหลด

แทร็กวิดีโอไม่เกี่ยวข้องกับการถอดเสียง โปรแกรมเสียงพูดต้องการเพียงเสียงเท่านั้น การอัพโหลดรูปภาพถือเป็นการสิ้นเปลืองเปล่าๆ: เวลาเครือข่าย พื้นที่เก็บข้อมูลเซิร์ฟเวอร์ และความเป็นส่วนตัวที่คุณไม่ต้องการ

วิธีการทำงานของการแยกข้อมูลในเบราว์เซอร์ แบบเข้าใจง่าย

MP4 คือคอนเทนเนอร์ ภายในมีสตรีมแยกกัน ได้แก่ วิดีโอ (ภาพ) เสียง (เสียง) และข้อมูลเมตาบางส่วน ซึ่งเป็นโครงสร้างที่อธิบายไว้ในคู่มือการประมวลผลวิดีโอของ MDN การถอดเสียงต้องการเพียงสตรีมเสียงเท่านั้น

Hushscript เรียกใช้ชุดเครื่องมือสื่อแบบเนทีฟของเบราว์เซอร์ขนาดเล็กบนหน้าเว็บ เมื่อคุณวาง MP4 ชุดเครื่องมือนั้นจะเปิดคอนเทนเนอร์ในเครื่อง คัดลอกสตรีมเสียงออก และส่งมอบเสียงนั้นไปยังการอัปโหลด โดยที่เพจไม่เคยส่งวิดีโอไปที่ใดเลย งานจะเกิดขึ้นในที่เดียวกับที่เล่นวิดีโอ: บนเครื่องของคุณเอง

ดังนั้นผลลัพธ์ในทางปฏิบัติคือ:

• ไฟล์ MP4 จะไม่ออกไปจากอุปกรณ์ของคุณ รูปภาพจะคงอยู่กับคุณ
• ขนาดที่อัปโหลดคือขนาดของเสียง ไม่ใช่ขนาดวิดีโอ ซึ่งโดยปกติจะเล็กกว่า 10–20 เท่า
• เซิร์ฟเวอร์และโปรแกรมเสียงพูดที่อยู่ด้านหลังจะไม่สามารถเข้าถึงเนื้อหาวิดีโอของคุณได้

สิ่งนี้มีความสำคัญสำหรับการประชุม การสัมภาษณ์ที่บันทึกไว้ การสืบพยานทางกฎหมาย และอะไรก็ตามที่วิดีโอมีความละเอียดอ่อน นอกจากนี้ ยังสำคัญเมื่อคุณใช้การเชื่อมต่อที่ช้าด้วยไฟล์หลายกิกะไบต์: การแยกเสียงก่อนจะเปลี่ยนการอัปโหลดครึ่งชั่วโมงเป็นสองสามนาที

สิ่งที่คุณต้องการ

สามสิ่งและไม่มีอะไรจะติดตั้ง:

• MP4 พร้อมเสียงพูด การประชุมที่บันทึกไว้ การสัมมนาผ่านเว็บ การสัมภาษณ์ การบรรยาย หรือหัวพูด วิดีโอ: อะไรก็ตามที่ผู้คนกำลังพูด คลิปเงียบหรือวิดีโอที่มีแต่เพลงไม่มีอะไรจะถอดเสียง
• เบราว์เซอร์ปัจจุบัน Chrome, Edge, Firefox หรือ Safari มีการอัปเดตพอสมควร การแยกเสียงทำงานในเบราว์เซอร์ ดังนั้นเบราว์เซอร์รุ่นเก่าหรือแบบลดทอนลงอาจไม่รองรับ
• บัญชี Hushscript คุณจะได้รับ 30 นาทีฟรีหลังจากตรวจสอบบัตร $1 (การกันเงินได้รับการอนุมัติ จากนั้นจึงปล่อยทันที ไม่มีการเรียกเก็บเงิน) หรือกับการซื้อครั้งแรกของคุณหากคุณใช้วิธีการชำระเงินอื่นที่ใช้ได้ในประเทศของคุณ ไม่จำเป็นต้องมีบัตร มันเป็นเพียงเส้นทางที่เร็วที่สุดในการนาทีฟรี หลังจากนั้นจะจ่ายตามการใช้งานจริงโดยไม่ต้องสมัครสมาชิก ค่าใช้จ่ายอยู่ที่หน้าราคา

คุณไม่จำเป็นต้องมีโปรแกรมแยกเสียง ตัวแปลง หรือซอฟต์แวร์วิดีโอใดๆ แยกต่างหาก การวาง MP4 ถือเป็นอินพุตทั้งหมด

แปลง MP4 ในสามขั้นตอน

1. วาง MP4 ของคุณลงบนหน้าที่ /MP4-to-text เบราว์เซอร์ของคุณจะแยกแทร็กเสียงและอัปโหลดเฉพาะเสียง ดังนั้นวิดีโอจึงยังคงอยู่ในอุปกรณ์ของคุณ 30 วินาทีแรกกลับมาเป็นการแสดงตัวอย่างที่มีป้ายกำกับผู้บรรยาย ไม่จำเป็นต้องใช้บัญชี
2. ลงทะเบียนเพื่อถอดเสียงส่วนที่เหลือ ป้อนอีเมลของคุณเพื่อสร้างบัญชี ใหม่ที่นี่? เราจะฟรี 30 นาทีแรกเมื่อคุณยืนยันวิธีการชำระเงิน ไม่ว่าจะเป็นการระงับบัตรมูลค่า 1 ดอลลาร์ (ได้รับอนุญาต จากนั้นจึงปล่อยทันที ไม่มีการเรียกเก็บเงิน) หรือแพ็คนาทีแรกของคุณหากคุณชำระเงินด้วยวิธีอื่น ไม่จำเป็นต้องมีบัตร การถอดเสียงจะเรียกเก็บเงินตามระยะเวลาของเสียง ไม่ใช่ขนาดไฟล์
3. ส่งออกการถอดเสียง เมื่อพร้อมแล้ว ให้ดาวน์โหลดในรูปแบบใดก็ได้จาก 21 รูปแบบ (TXT, SRT และ VTT สำหรับคำบรรยาย, DOCX และ PDF สำหรับเอกสาร, JSON และ CSV สำหรับข้อมูล และอื่นๆ) พร้อมด้วย .husharchive ที่ป้องกันด้วยรหัสผ่าน รวมป้ายกำกับผู้พูดฟรี

การลบเสียงจะเกิดขึ้นโดยอัตโนมัติเมื่อมีการส่งการถอดเสียง ไม่มีขั้นตอนการล้างข้อมูลที่ต้องจำ

คำว่า “เรียกเก็บเงินตามระยะเวลาเสียง” หมายความว่าอย่างไร

MP4 หนึ่งชั่วโมงที่ 1080p อาจเป็น 6 GB เสียงที่แยกออกมา (โดยทั่วไปคือ AAC ที่ 128–256 kbps) จะอยู่ที่ประมาณ 60–120 MB นั่นคือสิ่งที่อัปโหลด และค่าใช้จ่ายนาทีจะขึ้นอยู่กับเสียงหนึ่งชั่วโมง ไม่ใช่ไฟล์ 6 GB

ผลลัพธ์สูงสุด: คุณสามารถถอดเสียงสารคดี 4K ความยาว 2 ชั่วโมงจากเครื่องบันทึกภาคสนามและเสียค่าใช้จ่ายในนาทีเดียวกับ MP3 ขนาดเล็ก เนื่องจากทั้งสองมีปริมาณเสียงเท่ากัน ความละเอียด บิตเรต และขนาดไฟล์ไม่เกี่ยวข้องโดยสิ้นเชิงกับสิ่งที่คุณถูกเรียกเก็บเงิน

ตัวอย่างข้างต้น: การสัมมนาผ่านเว็บที่บันทึกไว้

สมมติว่าคุณจัดการสัมมนาผ่านเว็บความยาว 52 นาทีโดยมีผู้นำเสนอสองคนและบันทึกเป็น MP4 เดียว:q3-product-webinar.mp4 ประมาณ 3.4 GB ที่ 1080p คุณต้องการสำเนาอีเมลที่สะอาดตาสำหรับอีเมลสรุป พร้อมแนบคำบรรยายไปกับการเล่นซ้ำ

นี่คือลักษณะที่ปรากฏจริง:

1. คุณเปิด /MP4-to-text แล้ววาง q3-product-webinar.mp4 หน้านี้แยกเสียงในเครื่อง เพื่อให้วิดีโอขนาด 3.4 GB กลายเป็นเสียงประมาณ 70 MB เฉพาะการอัปโหลดขนาด 70 MB เท่านั้น
2. 30 วินาทีแรกกลับมาโดยมีป้ายกำกับ เพื่อให้คุณสามารถตรวจสอบคุณภาพเสียงก่อนที่จะถอดเสียงเต็ม 52 นาที
3. เมื่อข้อความถอดเสียงฉบับเต็มพร้อมแล้ว จะแบ่งออกเป็นคำพูดที่ติดแท็ก ผู้พูด A หรือ ผู้พูด B คุณคลิก ผู้พูด A พิมพ์ “Priya” คลิก ผู้พูด B พิมพ์ “Marcus” และติดป้ายกำกับใหม่ทุกที่พร้อมกัน
4. คุณส่งออก TXT สำหรับอีเมลสรุป และ SRT สำหรับแทร็กคำบรรยายของการเล่นซ้ำ MP4 ดั้งเดิมของการสัมมนาผ่านเว็บไม่เคยหายไปจากแล็ปท็อปของคุณ และเสียงก็ถูกลบออกจากเซิร์ฟเวอร์แล้ว

ส่วนที่สร้างความประหลาดใจให้กับผู้คนในครั้งแรกคือขั้นตอนที่ 1: การอัปโหลดหลายกิกะไบต์ซึ่งไม่เกิดขึ้นเลย รูปภาพจะอยู่กับคุณ เฉพาะคำที่เดินทางเท่านั้น

ป้ายกำกับผู้พูดสำหรับวิดีโอที่มีผู้เล่นหลายคน

ทุกข้อความถอดเสียงประกอบด้วยการแยกเสียงของผู้พูดอัตโนมัติโดยไม่มีค่าใช้จ่ายเพิ่มเติม สำหรับการสัมภาษณ์ การอภิปราย หรือการบันทึกการประชุม ผู้พูดแต่ละคนจะมีป้ายกำกับ ผู้พูด A,ผู้พูด B และอื่นๆ และคุณสามารถเปลี่ยนชื่อเป็นชื่อจริงในตัวแก้ไขได้โดยการคลิกที่ป้ายกำกับแล้วพิมพ์

การแยกส่วนจะทำงานได้ดีที่สุดโดยมีการแบ่งแยกที่ชัดเจน เสียงของกล้องในห้องที่เงียบสงบหรือการสนทนาทางวิดีโอที่บันทึกพร้อมแทร็กของผู้เข้าร่วมแต่ละคน ช่วยให้ระบบทำงานได้ดีที่สุด ห้องที่มีผู้คนหนาแน่นและมีคนพูดคุยกันเป็นเรื่องยากสำหรับเครื่องมือสร้างคำวิพากษ์วิจารณ์ ดูส่วนการแก้ปัญหาด้านล่างสำหรับสิ่งที่ช่วยได้

รับคำบรรยาย (SRT / VTT) จากวิดีโอ

หากเหตุผลที่คุณถอดความวิดีโอคือคำบรรยาย ให้ส่งออกการถอดเสียงเป็น SRT ทุกคำพูดมาพร้อมกับการประทับเวลาเริ่มต้นและสิ้นสุด ซึ่งจัดรูปแบบตามข้อกำหนดของ SRT:

1
00:00:04,210 --> 00:00:07,880
ผู้พูด A: ขอขอบคุณที่เข้าร่วมกับเราในวันนี้

2
00:00:08,100 --> 00:00:12,340
ผู้พูด B: ยินดีที่ได้อยู่ที่นี่

โหลด SRT ลงในเครื่องเล่นบนเดสก์ท็อป (VLC, QuickTime และโปรแกรมแก้ไขส่วนใหญ่ยอมรับ) หรืออัปโหลดเป็นแทร็กคำบรรยายบนแพลตฟอร์ม ที่รองรับสิ่งหนึ่ง การส่งออก Hushscript SRT จะเก็บป้ายกำกับผู้พูดไว้ ซึ่งมีประโยชน์สำหรับวิดีโอแบบหลายคน รูปแบบคำอธิบายภาพบางรูปแบบจะตัดชื่อออก SRT จะเก็บรักษาไว้

สำหรับผู้เล่นเว็บที่ใช้ WebVTT (.vtt) ความแตกต่างจาก SRT นั้นน้อยมาก นั่นคือ WEBVTT บรรทัดส่วนหัวและ . แทนที่จะเป็น , ในการประทับเวลา คุณสามารถแปลง SRT เป็น VTT ในเบราว์เซอร์ด้วยเครื่องมือฟรีที่ /tools/SRT-to-VTT; การแปลงจะทำงานภายในเพจ

คำแนะนำสองพี่น้องเจาะลึกเกินกว่าที่จะมีได้ที่นี่: วิธีสร้างคำบรรยาย SRT จากวิดีโอ ครอบคลุมการแก้ไขจังหวะคิวและความยาวบรรทัด และ วิธีเพิ่มคำบรรยายลงในวิดีโอ ครอบคลุมถึงการแนบ SRT หรือการเบิร์นคำบรรยาย การเบิร์นคำบรรยายลงในรูปภาพอย่างถาวร เป็นขั้นตอนการเข้ารหัสแยกต่างหาก เครื่องมือฟรีอย่าง HandBrake จะจัดการ mux เมื่อคุณมี SRT แล้ว

รูปแบบวิดีโออื่นๆ (MOV, WebM, MKV)

กระบวนการแยกเบราว์เซอร์เดียวกันนี้ใช้ได้ดีกว่า MP4:

• MOV: การส่งออกวิดีโอ iPhone และ Final Cut
• WebM: การบันทึกหน้าจอจาก Chrome และการจับภาพ OBS
• MKV: คอนเทนเนอร์ทั่วไปสำหรับเครื่องบันทึกหน้าจอและเนื้อหาที่ริปด้วยแทร็กเสียงมาตรฐาน

คอนเทนเนอร์เหล่านี้มีตัวแปลงสัญญาณเสียงตามปกติ (AAC, MP3, Opus, FLAC) และขั้นตอนการแยก แยกพวกมันออกในลักษณะเดียวกับที่ทำกับ MP4 ในทางปฏิบัติ ทุกสิ่งที่บันทึกไว้ในโทรศัพท์ กล้องถ่ายรูป หรือเครื่องบันทึกหน้าจอจะใช้งานได้ เพียงวางมันลงไป

คุณยังสามารถป้อนไฟล์เสียงอย่างเดียว เช่น MP3, WAV, M4A ได้โดยตรง เมื่อไม่มีสตรีมวิดีโอให้ตัด ขั้นตอนการแตกไฟล์จะถูกข้ามไป และไฟล์จะอัปโหลดตามที่เป็นอยู่ และหากคุณต้องการเพียงไฟล์เสียงแทนที่จะเป็นการถอดเสียง การแปลง MP4 เป็น MP3 เป็นงานแยกต่างหากที่ทำงานทั้งหมดในเบราว์เซอร์ของคุณด้วย หน้าวิดีโอเป็นข้อความครอบคลุมขั้นตอนการทำงานทั้งหมดสำหรับรูปแบบวิดีโอใดๆ รวมถึงรูปแบบที่มีตัวแปลงรหัสเสียงที่ผิดปกติ

การแก้ปัญหา

ไฟล์ MP4 ทั่วไปมักไม่จำเป็นต้องเตรียมการด้วยตนเอง หากล้มเหลวหรือแสดงข้อความที่ไม่ชัดเจน ให้ตรวจสอบสาเหตุเหล่านี้ก่อน

วิดีโอต้นฉบับมีขนาดใหญ่มาก แอปไม่มีการจำกัดขนาดไฟล์ – โดยจะเตรียมเสียงจากวิดีโอขนาดใหญ่มากในเบราว์เซอร์ของคุณโดยตรง ตราบใดที่การบันทึกอยู่ภายใน 10 ชั่วโมง (เบราว์เซอร์ของคุณยังต้องการความจุในเครื่องเพียงพอที่จะทำงาน) หากการแตกไฟล์ค้างในไฟล์ 4K ขนาดใหญ่ ให้ปิดแท็บอื่นแล้วลองอีกครั้ง หรือแตกไฟล์เสียงก่อน extract-audio tools ฟรีทำงานในเบราว์เซอร์และสร้างไฟล์ขนาดเล็กที่คุณสามารถอัปโหลดได้โดยตรง

ไม่มีแทร็กเสียงหรือไม่มีเสียงพูด การบันทึกหน้าจอแบบไม่มีเสียงหรือคลิปเพลงเท่านั้นไม่มีอะไรให้กลไกถอดความ ดังนั้นคุณจะได้รับผลลัพธ์ที่ว่างเปล่า ยืนยันว่าวิดีโอมีเสียงพูดจริง ๆ โดยการเล่นโดยเพิ่มระดับเสียง หากเป็นการบันทึกหน้าจอ ให้ตรวจสอบว่าเครื่องบันทึกได้รับการตั้งค่าให้จับภาพระบบหรือเสียงไมโครโฟน ค่าเริ่มต้นหลายรายการเป็นค่าเริ่มต้นสำหรับวิดีโอเท่านั้น

ตัวแปลงสัญญาณเสียงที่ไม่รองรับหรือคลุมเครือ ตัวแยกสัญญาณในเบราว์เซอร์จะจัดการกับตัวแปลงสัญญาณทั่วไป (AAC, MP3, Opus, FLAC) คอนเทนเนอร์ที่ใช้ตัวแปลงสัญญาณเสียงที่ผิดปกติหรือเป็นกรรมสิทธิ์อาจไม่ดีลักซ์อย่างหมดจด และเสียงจะไม่แยกออกมา การแก้ไขคือการรีมิวซ์หรือเข้ารหัสเสียงของวิดีโอใหม่เป็นตัวแปลงสัญญาณมาตรฐานก่อน ตัวแปลงส่วนใหญ่สามารถส่งออกไฟล์ MP4 มาตรฐานหรือไฟล์เสียงธรรมดาได้ หากคุณพบรูปแบบที่ไม่ผ่าน โปรดส่งอีเมลถึง support@hushscript.com แล้วเราจะพิจารณาเพิ่มให้

ผู้พูดหลายคน การแยกกันยุ่งเหยิง การถอดเสียงจำเป็นต้องมีเสียงที่แตกต่าง คำพูดที่ทับซ้อนกัน ไมโครโฟนระยะไกลเพียงตัวเดียวในห้องขนาดใหญ่ หรือเสียงรบกวนพื้นหลังที่หนักหน่วง ล้วนทำให้ขอบเขตระหว่างผู้พูดพร่ามัว คุณจะยังคงได้รับบทถอดเสียงที่ถูกต้อง ป้ายกำกับของผู้พูดมีความแม่นยำน้อยกว่า หากคุณควบคุมการบันทึก แทร็กต่อผู้เข้าร่วม (เนื่องจากเครื่องมือแฮงเอาท์วิดีโอส่วนใหญ่สามารถส่งออกได้) หรือไมโครโฟนที่อยู่ใกล้ผู้พูดแต่ละตัวมากขึ้นจะช่วยให้แยกเสียงได้ชัดเจนที่สุด ไม่ว่าจะด้วยวิธีใด คุณสามารถแก้ไขบรรทัดที่ติดป้ายกำกับผิดในโปรแกรมแก้ไขก่อนส่งออกได้

บทถอดเสียงมีการสะกดผิดสม่ำเสมอ คำนามเฉพาะหรือศัพท์แสงที่เกิดซ้ำซึ่งถอดความด้วยวิธีที่ผิดเหมือนกันเสมอคือการแก้ไขเพียงครั้งเดียว: การค้นหาและแทนที่เพียงครั้งเดียวในข้อความที่ส่งออกจะแก้ไขทุกกรณี ซึ่งเร็วกว่าการรันใหม่ทั้งหมด

ส่งออกรูปแบบได้อย่างรวดเร็ว

ทั้งหมด รูปแบบการส่งออกจะรวมอยู่ในทุกแผน รวมถึงการใช้งานฟรี 30 นาที และไม่มีลายน้ำใดๆ

สำหรับวิดีโอใดๆ ที่ความเป็นส่วนตัวมีความสำคัญ ไม่ว่าจะเป็นการประชุม การสัมภาษณ์ หรือการทับถม ประเด็นสำคัญคือ วิดีโอของคุณจะไม่มีการอัปโหลด คุณสามารถตรวจสอบได้ด้วยตัวเอง เปิดแท็บเครือข่ายของเบราว์เซอร์ก่อนที่คุณจะวางไฟล์และดูสิ่งที่ถูกส่งไป คุณจะเห็นเสียงขึ้น และภาพยังคงอยู่