Wszystko dzieje się w przeglądarce
Gdy otwierasz plik, przeglądarka wczytuje go z dysku do pamięci strony. Narzędzie przetwarza go tam i oddaje Ci wynik do pobrania. Plik nigdy nie jest nigdzie wysyłany: witryna nie ma żadnego punktu odbioru plików.
Rozpoznawanie mowy na urządzeniu
Audio na tekst korzysta z Whisper base, otwartego modelu rozpoznawania mowy udostępnionego przez OpenAI na licencji MIT. Przy pierwszym użyciu przeglądarka pobiera model, około 80 MB, z audio.scissor.studio i zapisuje go w pamięci podręcznej. Model działa potem w procesie w tle dzięki WebAssembly, na Twoim procesorze. Przeglądarka dekoduje dźwięk, konwertuje go do formatu mono 16 kHz, którego oczekuje Whisper, a proces w tle zamienia go na tekst w 30-sekundowych fragmentach.
Tagi MP3
Tytuły utworów, wykonawcy, okładki i teksty piosenek są zapisane w tagu ID3 na początku pliku MP3. Edytor tagów MP3 odczytuje ten tag, pozwala go zmienić i zapisuje nowy plik z nowym tagiem przed nietkniętym dźwiękiem, który jest kopiowany bit po bicie.
Sprawdź to sam
Otwórz narzędzia deweloperskie przeglądarki, wybierz kartę Sieć i użyj dowolnego narzędzia. Zobaczysz, że strona i model ładują się z audio.scissor.studio, a przy otwieraniu pliku nic nie jest wysyłane. Możesz też wyłączyć połączenie po załadowaniu strony: każde narzędzie nadal działa.