AI-автосубтитры для любого видео онлайн

OpenAI Whisper, скомпилированный в WebAssembly через Transformers.js. Доступны четыре размера: Tiny (~40 МБ, самая быстрая), Base (~75 МБ, сбалансированная), Small (~240 МБ, точная) и Large v3 Turbo (~600 МБ, эфирное качество, скрыта за переключателем «Продвинутые модели»). Модели загружаются с Hugging Face один раз и кэшируются в браузере. Если есть WebGPU — используется автоматически.

Да. Silero VAD предварительно режет аудио на участки реальной речи до запуска Whisper — это и повышает точность на длинных файлах, и пропускает тишину во вступлениях, концовках и паузах. Субтитры появляются в редакторе по мере декодирования — не нужно ждать конца обработки, чтобы начать редактировать. Видео длиннее 30 минут лучше работают на десктопе с минимум 8 ГБ ОЗУ.

Можно экспортировать в SRT, VTT или ASS. VTT — стандартный формат закрытых субтитров (closed captions) для WCAG / ADA / EAA на веб-плеерах (HTML5 , YouTube, Vimeo). Субтитры включают тайминги, метки спикеров (если включён детектор) и аккуратную пунктуацию. Прожжённый MP4 размещает субтитры в safe-зонах и поддерживает обводку и тень для высокой контрастности.

Whisper принимает initial prompt — текст, на который он опирается перед генерацией. Мы передаём ваш глоссарий как этот промпт, и бренды («Anthropic»), названия продуктов («Claude», «GPT-4»), имена собственные и технический жаргон пишутся правильно. Это самый большой прирост точности для технических подкастов, конференций и брендового контента. По одному термину на строку, без специальных символов.

Whisper определяет границы слов через cross-attention декодирование. Точность около ±200 мс — подходит для караоке-подсветки и большинства задач субтитров. Если декодирование медленное — включите быстрый режим, и слова распределятся линейно внутри сегмента. Подсветка неуверенности отметит слова, в которых Whisper сомневался, чтобы вы быстро их проверили.

Да. Модели Opus-MT покрывают топ-10 пар (en, ru, es, fr, de, pt, it, ja, ko, zh). Если пара отсутствует — fallback на NLLB-200-distilled. Оригинал сохраняется второй строкой для двуязычного вывода — удобно для языкового обучения и глобальной аудитории.

Да. Инструмент скачивает Twemoji-PNG для каждого совпавшего ключевого слова и накладывает их через FFmpeg overlay, выравнивая над строкой субтитров и синхронизируя со сказанным словом. В SRT и VTT эмодзи также сохраняются.

SRT (универсальный), VTT (закрытые субтитры для веба и HTML5) и ASS (полная анимация со всеми стилями шаблона — открывается в Aegisub, DaVinci Resolve, mpv и любом плеере с libass). Прожжённый MP4 использует H.264, AAC, оригинальный аудиопоток копируется без перекодирования.

После первого запуска модель Whisper кэшируется, и инструмент работает целиком в браузере через WebAssembly — распознавание, стилизация, прожиг и экспорт выполняются локально. Модели перевода тоже кэшируются при первом использовании. Сама страница загружается с наших серверов, но обработка вашего видео не требует интернета.

Да, в современных Chrome и Safari. На устройствах с менее 4 ГБ ОЗУ модели Small и Large v3 Turbo скрыты, по умолчанию используется Tiny — для избежания падений. Длинные видео лучше обрабатывать на ноутбуке.