← Referenční architektury / reference-architecture / diagrams / ai

Automatické titulkování nahraných videí

Modely pro automatické rozpoznávání řeči (ASR) zásadně zlepšily dostupnost videoobsahu, protože umožňují automaticky generovat titulky a překlady. Tyto modely využívají pokročilé algoritmy k převodu mluveného slova na text s vysokou přesností. Díky integraci technologie ASR do videoplatforem mohou tvůrci obsahu, vydavatelé a distributoři oslovit širší publikum, včetně lidí se sluchovým postižením nebo těch, kteří dávají přednost sledování obsahu v jiném jazyce.

Proces začíná zachycením zvuku z video zdroje, který se poté předá modelu ASR. Ten analyzuje zvukovou vlnu a převede ji na textovou podobu, čímž zachytí mluvený obsah ve formě titulků. Modely ASR lze navíc použít i k jazykovému překladu, a vytvořit tak vícejazyčné titulky. Jakmile jsou titulky vygenerovány, lze je zobrazit společně s videem jako synchronizovaný textový přepis mluveného obsahu.

1. Klientské nahrání: Odeslání POST požadavku s videem i zvukem na API endpoint.
2. Přepis zvuku: Generování časově značených přepisů voláním Workers AI model automatického rozpoznávání řeči (ARS) se zvukem jako vstupem. Použijte Workers k převodu výstupu do podporovaného formátu s titulky.
3. Ukládat titulky: Uložení souborů s titulky na R2.
4. Ukládat video: Uložení video souborů na R2.
5. Klientský požadavek: Odeslání GET požadavků na video a titulky na origin server. Použití globálního Cache ke zvýšení výkonu.
6. Požadavek na origin: Načtení souborů z R2 v mezipaměti MISS pomocí Public Buckets.

• Komunitní projekt: ukázka automatického titulkování ↗
• Workers AI: model automatického rozpoznávání řeči (ARS)
• R2: Objektové úložiště pro všechna vaše data