Feliratozás GPU nélkül a Windows Élő feliratokkal

A felirat két helyről jöhet: a saját feliratozó szerverünktől (Whisper) vagy a Windows Élő feliratok szolgáltatásától, a rendszer beépített beszédfelismerésétől. Ez az útmutató az utóbbiról szól. Az alapok az Első indítás útmutatóban vannak.

Mikor melyik forrás

A két forrás futás közben is váltható a feliratablak Bejövő hang szekciójának beállításpaneljén (a fogaskerékkel nyílik) vagy a beállítóablak Hangforrás lapján. Ha van a hálózaton videokártyás gép, az Egy GPU-s gép a hálózaton útmutató azt az utat írja le.

Az Élő feliratok lap

A beállítóablak Élő feliratok lapja megmutatja a szolgáltatás mai állapotát ezen a gépen, három fokozatban: telepítve van-e, be van-e állítva, és fut-e – a beállított feliratnyelvvel és a telepített felismerőnyelvekkel együtt. A Gépház gomb a Windows beállítását nyitja meg (Kisegítő lehetőségek → Feliratok), ahol a nyelvi csomag letölthető; az újravizsgálás gomb friss választ kér.

Ha bizonyítottan nincs telepítve, a forrás nem választható – sem ezen a lapon, sem a feliratablak paneljén; a Hangforrás lapon tiltott tételként látszik.

Bekapcsolás lépésről lépésre

1. Nyissa meg a Gépházat (Kisegítő lehetőségek → Feliratok), állítsa be a felismerés nyelvét, és töltse le a nyelvi csomagot.
2. A beállítóablak Fordítás lapján (Nyelvek) adja meg pontosan a beszéd nyelvét. Jelöltlistát (hu,en) és automatikus felismerést ez a forrás nem fogad el, mert a rendszer nem árulja el, mit ismert fel; a forrásváltás magától az első jelöltre vált. A két beállításnak egyeznie kell.
3. Váltsa a forrást Windows Élő feliratokra a Bejövő hang szekció paneljén vagy a Hangforrás lapon (parancssorból a --source windows kapcsoló teszi ugyanezt).

A program a rendszer feliratozóját elindítja (ha nem fut, előbb rákérdez), az ablakát elrejti – a felismerés így is fut –, és kilépéskor visszaállítja. A futó példányt nem bántja: ha már nyitva volt, ahhoz csatlakozik.

Hogyan lesz a szövegből mondat

A rendszer nem ad „végleges” jelzést, ezért a mondathatárt az írásjel adja. Egy mondat akkor válik véglegessé (és megy fordítani), ha már újabb szöveg áll utána, vagy a felirat 1,2 másodperce nem változott – a rendszer ugyanis utólag is javít a szövegen (nagybetű, betoldott pont). Az előzetes szöveg eközben azonnal látszik.

Mit veszít a saját szerverhez képest

• A modell nem a miénk: nincs modellválasztás, a felismerés minősége a Windows nyelvi csomagjáé.
• A szakaszolás nem a miénk: a szakaszolás vezérlői (mód, profil, időértékek) tiltva vannak, mert a felismerést nem mi ütemezzük.
• A nyelvet előre, pontosan meg kell adni: nincs jelöltlista és nincs automatikus nyelvfelismerés.

Fordítás és tolmács GPU nélkül

A fordításhoz továbbra is kell a fordító (translatorserver), a Windows felismerésétől függetlenül. A fordítómodellnek videómemória kell (mérve 16,7 GB), ezért jellemzően másik, videokártyás gépen fut; a feliratozó program a Szerverek lapon beállított címen éri el. Hogy a kiszolgálók elérhetők-e, a --check kapcsoló mondja meg:

livecaption --check

A tolmács hangja viszont videokártya nélkül is megszólalhat: a folyamaton belüli hang (Local mód, Piper-modellel) rögzített hangon beszél a feliratozó saját folyamatában. Nem kell hozzá se beszédszolgáltatás, se videokártya, csak egy egyszer letöltött modell (26–115 MB).

A hangokat a beállítóablak Fordítás lapján választja ki; a lista nyelvre és minőségre szűrhető. A beszédszolgáltatás klónozott hangjához (XTTS-v2) videokártya kell, és a modell nem kereskedelmi licencű – a klónozáshoz ráadásul a beszélgetőpartner hangja kell, ezért csak az ő tudtával használja. A tolmácshoz fejhallgató kell: hangszóróból a tolmács hangja visszakerülne a feliratozásba.

Ha valami nem működik, a Hibaelhárítás útmutató tünet szerint segít.