AI图鉴

AI图鉴首页 › AI 资讯 › Show HN: Overtone – 为任何屏幕形状转写、校正和剪切标题

Show HN: Overtone – 为任何屏幕形状转写、校正和剪切标题

来源:Hacker News · 发布时间:10-30 · 由 AI图鉴每小时自动聚合

嗨,韩,我是鲁德,朗特的联合创始人。 我们把公司电子邮件变成个性化的视频视频字幕花费我们人工工作两次:修补错误的文字,然后修补

从一个文件中切除每个屏幕形状的说明。

现场演示 ・ 快速启动 ・ CLI ・ 玩家 ・ 格式 spec ・ 基准测试

一个.overtone.json 文件在 16: 9 和一个 9: 16 播放器(社会风格包),在

Blender开机电影"钢之泪".

电影:(CC)Blender Foundation QQ mango.blender.org,CC BY 3.0.

Overtone 存储每个口语单词一次,带有其时间和扬声器,以及削减标题对每个图片形状分别显示:默认情况下16:9和9:16,或者您命名的任何方面。 一个CLI通过你的字幕,音频或视频制作文件。 一个Video.js插件显示,切口适合玩家。

重新剪辑您已有的字幕。 离线,无 API 密钥,无 ffmpeg (节点 22. 12 或更新 ):

卷曲-O https://download.blender.org/demo/movies/ToS/subtitles/TOS-en.srt

npx 超音速捕捉器重剪 TOS - en.srt

你得到TOS -en.overtone.json,. 横向和。 垂直的.vtt和.srt文件,和一份笔录。 单词

时间根据提示来估计。

从它的音频上记录一段视频。 这需要 ffmpeg 和 API 密钥( OpenAI 和 Azure AI Speech 默认);

透视提供者列出变量). -干燥运行的显示声音去的地方和估计费用,并发送

无:

npm 安装 - g 显式封装

overtone translacy talk.mp4 - 语言 en - context "关于城市自行车的小组" - 干运行

超Tone translacy talk.mp4 - language en - context "关于城市自行车的小组"

- 本地运行则改为下线,有whisper.cpp和Ollama.

在视频中显示标题( J):

从video.js进口视频;

导入“video.js/dist/video-js.css”;

导入“ videojs- overtone ”;

导入“ videojs- overtone/ 主题/ base. css”;

导入“ videojs- overtone/ 主题/ clean.cs”;

视频('my-video'). overtone({ src:'talk.overtone.json'});

大多数标题都剪切一次,一个屏幕,通过将每行填充到长度限制。 16:9的剪接太宽了,一个9:16的电话视频,线条以"the"或"of"结尾,两个演讲者共用一个字幕。

Overtone将每个屏幕形状的切片保存在一个文件中。 削减遵循阅读规则:行避免以弱词结尾,姓名和数字在一起,每个发言者都得到自己的标题,暂停成为线条或标题中断,因此听不到犹豫的观众可以阅读。

NASA的一次采访中同样的话语和时间,切换为9:16(22个字符×2行):

为什么新格式代替WebVTT或TTML:这些商店完成提示,所以玩家只能重新包装。

. overtone.json存储每个单词一次,加上指向这些单词的任何编号的削减。 导出 WebVTT 或 SRT 每张

需要标准文件时剪切。

何不WhisperX,稳定Ts或主持演讲的API:他们给出好的言语和时间,往往更便宜。 超音速新增

顶部的字幕布局。 overtone recut re-削减他们的SRT或WebVTT输出,所以可以保留你的引擎。

- 听证会。 几个引擎听到音频。 文本听觉(gpt-transis)给出词;时间

助听(Azure AI Speech)提供单词时间和发音。 使用 ELEVENLABS API KEY 设置,ElevenLabs Scribe 新增 a

第二次听审。

- 文本投票。 在听证会上意见不一的地方,文本模型会重新收听片段,LLM选择者会选择单词。

- 编辑。 LLM用你的上下文,词汇表和它自己的世界知识(它将"Telecom Cell"修正为"Telkomsel"而不被告知)来校正错误的单词,名称和名词,给扬子贴标签,并标记关键词。 编辑它是不是确定去审查列表让你逐耳检查。

-削减线一个版本的规则为每个剖面图设置了削减的行。 相同的词和规则,相同的标题。

LLM从不设置时间戳:每个词都会从引擎中抽取时间。 代码只检查LLM变化的结构。 输油管的运行方式每一步都有。

在风格画廊中看到每个风格包。

小而大众。 方法、表格和说明:长椅/RESULTS.md和长椅/头盔/RESULTS.md。

- 换行(3个英语片段,20.8分钟,16:9,规则设置1):Overtone的换行结束0.3%在"the","of"或"and"等词上,之后没有暂停。 将线填充到限制时,ElevenLabs的SRT出口在28.8%的间歇时为16.1%。 超过显示全部47位演讲者0.5–1.5的暂停作为休息;另外两个显示28%和72%.

- 文本(6个短片,用4种语言制作,20分钟,3跑,2026-10-23):在每台引擎返回文本的5个短片上,文字错误率为5.3%,而单gpt-tranciste就6.2%,单Azure Speech就7.7%.

- 沉默失败:gpt - 特兰茨在每跑一次的静静会议中都不归还任何东西。 Overtone用其他引擎听到的语言重试,得分32.8%,而仅Azure Speech就得分42.9%.

- 费用:这些运行中每个音频分钟0.023美元-0.025美元,其中0.029美元为ElevenLabs Scribe(清单价格)。

- 英语和荷兰语有全线切割和数字规则。 德语,法语,西班牙语,意大利语和葡萄牙语都有语言检测;其他语言则有中性规则。 见语言。

- 在没有空格的脚本(中文,日文,泰文)中,一个"字"是一个完整的短语:每个短语一次,只有短语之间的线断。

- 没有翻译,没有[音乐]等音标,没有GUI编辑器。 媒体最多2小时。

- CLI指南和CLI参考:每个命令,选项和输出文件。

- 玩家指南:选项,风格包和主题。

- 格式规格。

- Agent技能用于Claude Code和Codex:将技能/overtone复制到.claude/技能/.

- 贡献:语言包、风格包和提供者。 AI编码agents以AGENTS.md开头。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(github.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 599 款 AI 工具分类导航 · 每日 AI 热门项目与动态