Nếu bạn dành nhiều thời gian cho các cuộc họp trực tuyến hay buổi thuyết trình ảo, có lẽ bạn đã quen thuộc với Otter. Ứng dụng này từng là lựa chọn hàng đầu của tôi để chuyển đổi các cuộc phỏng vấn, họp và ghi chú giọng nói thành văn bản. Là một trong những công cụ năng suất được hỗ trợ AI tiên phong, Otter nổi bật với tốc độ nhanh, độ chính xác cao và dễ sử dụng. Tuy nhiên, giống như nhiều dịch vụ tốt khác, các rào cản tính phí (paywall) dần xuất hiện. Phiên bản miễn phí trở nên quá hạn chế, và tôi không muốn trả tiền chỉ để mở khóa các chức năng cơ bản. Hơn nữa, tôi bắt đầu cảm thấy không thoải mái khi tải lên các tệp âm thanh nhạy cảm lên đám mây.
Vì vậy, tôi đã tìm kiếm các giải pháp thay thế mang lại sự tự do và kiểm soát lớn hơn. Đó là lúc tôi khám phá ra aTrain – một ứng dụng chuyển đổi giọng nói sang văn bản tự lưu trữ (self-hosted) được xây dựng dựa trên mô hình Whisper của OpenAI. Nó là mã nguồn mở, chạy cục bộ và cho phép tôi kiểm soát hoàn toàn các tệp tin cũng như cách chúng được xử lý. Tôi đã sử dụng aTrain trong vài tuần qua, và thực sự, tôi ước mình đã chuyển đổi sớm hơn.
Giao diện quản lý các container dịch vụ tự lưu trữ
Cài đặt dễ dàng, không tốn thời gian
Bỏ qua Terminal, bắt đầu chuyển văn bản ngay
Giao diện chính đơn giản của ứng dụng chuyển giọng nói aTrain
Tôi không lạ lẫm gì với việc tự lưu trữ (self-hosting) các dịch vụ, nhưng nếu có một tệp thực thi sẵn có, tôi sẽ luôn chọn cách đó thay vì phải loay hoay với Docker hay dòng lệnh terminal phức tạp. Một trong những điều khiến tôi ngạc nhiên thú vị về aTrain là sự dễ dàng khi bắt đầu. Tôi không cần phải cài đặt môi trường Python hay phụ thuộc vào việc cài đặt thủ công các gói thư viện. Nhà phát triển cung cấp một tệp thực thi sẵn sàng chạy – chỉ cần tải xuống, khởi chạy và bạn có thể bắt đầu sử dụng ngay.
Ứng dụng chuyển đổi giọng nói này chạy trong môi trường trình duyệt cục bộ, hoàn toàn không yêu cầu kết nối internet. Không có cửa sổ terminal, không cần container Docker, cũng không cần thiết lập backend phức tạp. Tôi chỉ việc thả tệp thực thi vào một thư mục trên máy tính, nhấp đúp, và vài giây sau, một giao diện sạch sẽ đã sẵn sàng chờ tệp âm thanh đầu tiên của tôi. Sự đơn giản này tạo ra khác biệt lớn khi bạn sử dụng một công cụ thường xuyên.
aTrain cũng đi kèm với mô hình Whisper large-v3-turbo tích hợp sẵn, vì vậy nó hoạt động ngay lập tức. Bạn cũng có thể chọn tải xuống các mô hình Whisper khác. Mặc dù mô hình “tiny” có thể không mang lại kết quả tốt nhất, nhưng mô hình large-v3 là một lựa chọn vững chắc, ngay cả đối với các tác vụ transcribe phức tạp. Để thử nghiệm, tôi đã giữ nguyên mô hình mặc định.
Hoàn toàn phù hợp với quy trình làm việc của tôi
Không giới hạn, không thỏa hiệp
Otter hoạt động tốt, nhưng tôi thường xuyên phải tìm cách khắc phục những hạn chế của nó. Giới hạn tải lên, hạn chế loại tệp và thiếu các tính năng trong gói miễn phí có nghĩa là tôi phải thay đổi cách làm việc để phù hợp với quy tắc của ứng dụng. aTrain không gây khó khăn như vậy. Nó hỗ trợ hầu hết mọi định dạng âm thanh và video mà tôi đã thử nghiệm.
Bạn chỉ cần kéo thả tệp âm thanh của mình vào, chọn một mô hình và nhấn nút chuyển đổi giọng nói sang văn bản. Song song đó, ứng dụng hiển thị tiến độ trực tiếp và xuất ra văn bản sạch sẽ, có dấu thời gian. Bạn có thể lưu, sao chép hoặc chỉnh sửa nó trong trình soạn thảo văn bản yêu thích của mình. Không đăng nhập, không tải lên, không có quảng cáo nâng cấp. Đơn giản chỉ là chuyển âm thanh thành văn bản một cách trực tiếp.
Ứng dụng này đã trở thành công cụ đắc lực cho nhiều trường hợp sử dụng của tôi. Tôi đã chuyển đổi ghi chú giọng nói mà tôi ghi âm trên điện thoại khi đi làm, trích dẫn các câu nói sau các cuộc phỏng vấn, và thậm chí xử lý các bản ghi âm cũ mà tôi chưa bao giờ có thời gian transcribe vì cảm thấy quá mất công. Giờ đây, tôi chỉ cần kéo chúng vào aTrain và tiếp tục công việc của mình.
Và vì mọi thứ đều chạy cục bộ, tôi không cần phải lo lắng về loại âm thanh mình đang xử lý. Các cuộc gọi khách hàng, bản ghi âm cá nhân, các buổi họp báo NDA – tất cả đều được giữ trên máy tính của tôi. Otter không thể mang lại sự an tâm đó về bảo mật dữ liệu cho tôi.
Tôi đã thử nghiệm nó chủ yếu trên MacBook Air M3 của mình. Trung bình, quá trình transcribe mất khoảng 1,5 đến 2 lần thời lượng của bản ghi. Điều này có thể chậm đối với các tệp rất dài, nhưng đó là một sự đánh đổi công bằng cho tất cả những gì bạn nhận được. Nếu bạn đang sử dụng hệ thống có GPU Nvidia, bạn có thể tăng tốc đáng kể với xử lý CUDA. Chất lượng chuyển đổi cũng rất ấn tượng, ngay cả ở chế độ nhiều người nói. Trong các thử nghiệm của tôi, tôi nhận thấy rằng ngay cả khi không hoàn hảo, nó vẫn đạt được hầu hết mục tiêu. Thực tế, trong hầu hết các thử nghiệm, aTrain sánh ngang hoặc vượt qua độ chính xác của Otter – và đó là từ một sản phẩm thương mại được xây dựng duy nhất cho việc chuyển đổi giọng nói.
Kết quả chuyển đổi giọng nói hoàn chỉnh với dấu thời gian trong aTrain
Thiết kế tối giản: Tập trung vào một nhiệm vụ, thực hiện xuất sắc
Một công việc, làm đúng cách
aTrain không cố gắng làm quá nhiều, và đó chính xác là lý do tại sao nó hoạt động rất hiệu quả. Bạn sẽ không tìm thấy các tính năng tóm tắt tự động, cộng tác hay tích hợp công cụ họp. Và tôi hoàn toàn hài lòng với điều đó. Thay vào đó, bạn có được những gì thực sự quan trọng: các bản ghi âm thành văn bản nhanh, chính xác và nằm dưới sự kiểm soát hoàn toàn của bạn. Nó chỉ làm một việc duy nhất và làm rất tốt.
Nếu bạn có kiến thức kỹ thuật, bạn có thể tùy chỉnh nó sâu hơn. Bản thân tôi chưa đi sâu vào con đường đó, nhưng vì đây là phần mềm mã nguồn mở, bạn có thể tìm hiểu mã nguồn, kết nối nó với các công cụ khác hoặc điều chỉnh quy trình đầu ra. Mặc dù vậy, trải nghiệm sử dụng ngay từ đầu đã rất tuyệt vời, và bạn không cần phải viết bất kỳ dòng code nào để sử dụng nó.
Đã đến lúc nói lời tạm biệt, Otter
aTrain sẽ không dành cho tất cả mọi người. Nếu bạn phụ thuộc vào tính năng cộng tác trực tiếp, đồng bộ đám mây hay các bảng điều khiển trực quan được trau chuốt, Otter hoặc một trong các đối thủ của nó có thể vẫn phù hợp hơn. Nhưng nếu bạn mong muốn sự riêng tư, đơn giản và kiểm soát hoàn toàn mà không phải hy sinh chất lượng, ứng dụng chuyển giọng nói này chắc chắn sẽ làm hài lòng bạn. Tôi bắt đầu tìm kiếm một giao diện người dùng cho Whisper chỉ như một giải pháp tạm thời. Điều tôi tìm thấy là một công cụ cực kỳ đơn giản, hiệu quả mà tôi sử dụng hàng tuần. Và thật lòng mà nói, tôi chưa bao giờ nhớ đến Otter.