Beszéd szöveges fordítása: hang átírása és fordítása

A whispertranscribe.ai szerkesztősége · Utolsó frissítés: 2026. november · 12 perc olvasás

A beszéd szöveges fordítása során egy nyelven készült felvételből másik nyelvű szöveg készül. Két módja van: először átírjuk az eredeti nyelven és lefordítjuk a szöveget, vagy olyan modellt használunk, amely közvetlenül a hangból írja a célnyelvi szöveget. Az előbbi könnyebben ellenőrizhető, az utóbbi gyorsabb.

Az alábbiakban mindkét folyamatot és hibalehetőségeit, négy gyakorlati módszert – köztük a többnyelvű SRT- és VTT-feliratot –, a minőségi tényezőket, egy ellenőrzőlistát és a szakfordító szerepét mutatjuk be.

Gyors válasz: hogyan fordítható a beszéd szöveggé?

A legtöbb felvételt először az eredeti nyelven írd át, javítsd az átiratot, majd a javított szöveget fordítsd le. Ha csak angol kell és fontos a gyorsaság, egy közvetlen beszéd–angol eszköz első vázlatnak megfelel. Amit közzéteszel vagy döntéshez használsz, mindenképpen ellenőrizze mindkét nyelvet beszélő személy.

  1. Írd át a beszélt nyelven. Válaszd ki magad a nyelvet az automatikus felismerés helyett.
  2. Javítsd a forrásátiratot. Először a neveket, számokat és szakkifejezéseket.
  3. Fordíts és ellenőrizz. Hasonlítsd össze a fordítást a forrással és a hanggal.

Mi a beszéd szöveges fordítása?

Minden olyan folyamat ide tartozik, amely A nyelvű beszédből B nyelvű szöveget készít. A sima átírás egy nyelven marad. A sima fordítás szövegből indul. Ez a feladat mindkettőt egyesíti; a kombináció módja határozza meg, milyen könnyű ellenőrizni az eredményt.

Két folyamat: lépcsőzetes és közvetlen

A kutatók az első módszert kaszkádnak nevezik: beszédfelismerés, majd szövegfordítás. A második a közvetlen vagy végponttól végpontig tartó beszédfordítás, amikor egy modell a hangot közvetlenül célnyelvi szöveggé alakítja. Az OpenAI Whisper erre képes, de csak angolra.

Átírás, majd fordítás (kaszkád) Közvetlen beszédfordítás
Látható lépések Kettő: forrásátirat, majd fordítás Egy: hang be, célnyelvi szöveg ki
Célnyelvek A szövegfordító által támogatott nyelvek Gyakran korlátozott; a Whisper translate feladata csak angolt ad
Forrásnyelvi szöveg Megmarad Általában nem készül
Hol foghatók meg a hibák? A két lépés között, a forrásszövegben Csak az eredmény hanggal való összevetésekor
Újrafordítás később A javított átirat újrahasználható A hangot újra kell futtatni vagy az angolt fordítani
Legjobb Kutatás, publikálás, többnyelvű felirat, idézetek Felvétel gyors megértése angolul

Mi romolhat el a két folyamatban?

A kaszkádban a hibák összeadódnak. Ha az átirat „ötvenet” ír, amikor a beszélő „tizenötöt” mondott, a fordítás tökéletes nyelvtannal viszi tovább a hibás számot. A megoldás egyszerű: fordítás előtt javítsd az átiratot.

Közvetlen fordításnál nincs ellenőrizhető forrásszöveg. A félrehallott és a félrefordított szó ugyanúgy jelenik meg, így az ellenőrnek vissza kell térnie a hanghoz. A gördülékeny megfogalmazás el is fedheti a hibákat.

Melyik módszert válaszd?

A szöveg célja és a szükséges nyelvek száma alapján dönts.

Helyzet Javasolt módszer Miért?
Gyorsan meg kell értened egy idegen nyelvű felvételt 2. módszer: közvetlen angol átirat Egy lépés, olvasható vázlat
Cikkben vagy jelentésben idéznéd a beszélőt 1. módszer, fontos idézeteknél 4. módszerrel Az eredeti szavak ellenőrizhetők
Két vagy több nyelvű felirat kell 3. módszer: forrás-SRT vagy VTT, majd a blokkok szövegének fordítása Egy időzítési fájl minden nyelvhez
Elemzendő és idézendő kutatási interjú 1. módszer A kódolás és idézet az eredeti átirathoz kapcsolódik
Szerződés, bírósági, egészségügyi vagy bevándorlási irat 4. módszer képzett szakemberrel A hibáknak valós következményei lehetnek

1. módszer: átírás az eredeti nyelven, majd szövegfordítás

Ez a legrugalmasabb út. A javított átirat lesz a mesterpéldány, amelyből minden fordítás készül.

1. lépés: átírás a beszélt nyelven

Töltsd fel a fájlt egy átíróeszközbe, és indulás előtt állítsd be a nyelvet. A böngészős, OpenAI Whisper-alapú whispertranscribe.ai 130+ nyelvet, regionális változatokat és nehéz felvételekhez Noise / Low-Quality Audio/Video módokat kínál. Külön oldalak vannak gyakori forrásokhoz, például spanyol hanghoz és kínai hanghoz. Nyelvváltó beszélőknél a Multilingual Mix angol, spanyol, francia, német, hindi, orosz, portugál, japán, olasz és holland nyelvet fed le.

Ha a felvétel Google Drive-on, Dropboxon, Vimeón vagy YouTube-on található, letöltés helyett írd át URL-ből. Interjúnál és megbeszélésnél kapcsold be a beszélőfelismerést.

2. lépés: a forrásátirat javítása

Fordítás előtt javítsd a szöveget, mert minden hiba átkerül minden nyelvre. Először keress neveket, termékneveket és rövidítéseket, majd minden megtartandó számot hallgass vissza. Tiszta hangon a pontosság akár 99% lehet. Háttérzaj, erős akcentus és átfedő beszéd csökkenti, ezért tervezz időt az ellenőrzésre.

3. lépés: a javított szöveg fordítása

Exportáld DOCX- vagy TXT-formátumban, és használd a szövegfordítót. Előbb ellenőrizd a formátumkorlátokat. 2026 novemberében:

  • A Google Fordító a Google Fordító súgója szerint legfeljebb 10 MB-os .docx, .pdf, .pptx és .xlsx dokumentumokat fordít; a PDF legfeljebb 300 oldalas lehet. Feliratfájl nincs a listán.
  • A DeepL fájlformátum-oldala DOCX, PDF és TXT formátumot sorol fel. Az SRT-t és VTT-t is listázza többek között a Pro Individual, Pro Team, Pro Business és API csomagoknál, feliratfájlonként 150 KB vagy 200 KB határral. Az ingyenes DeepL-fiók nem kezeli a TXT-t.

Ahol az eszköz engedi, adj kontextust: ki beszél, ki a közönség és mennyire legyen formális a szöveg.

4. lépés: őrizd meg egymás mellett a két változatot

A forrást és a fordítást párként, egyező nevekkel mentsd el, például interview-04_es_v2.docx és interview-04_en_v2.docx néven, hogy egy vitás sor visszakereshető legyen.

2. módszer: közvetlen átírás angolra

Ha az angol a célnyelv és főleg megérteni vagy összefoglalni szeretnéd a felvételt, egy közvetlen eszköz megspórol egy lépést.

A hang angolra fordítása oldal használata

A whispertranscribe.ai hang angolra fordítása oldala más nyelvű beszédből angol szöveget készít. Az oldal így írja le; nem sorol fel célnyelveket, mert az eredmény angol.

  1. Válaszd ki a beszélt nyelvet. Az 1. lépés a felvétel nyelvét, nem a célnyelvet kéri. Az oldal szerint a helyes választás pontosabb angolt ad, és másik opció kipróbálását javasolja, ha az eredmény nem megfelelő.
  2. Töltsd fel a fájlt. A 2. lépés elfogadja a szokásos hang- és videóformátumokat, köztük az MP3, WAV, M4A, MP4, MOV és MKV fájlokat.
  3. Kapcsold be a beszélőfelismerést, ha többen beszélnek. Az oldal fordításhoz is felsorolja ezt a funkciót.
  4. Válaszd a Translate audio to English lehetőséget, majd ellenőrizd és exportáld az angol szöveget.

Az eredményt kezeld munkavázlatként; a fordítás minőségére nem teszünk ígéretet. Ha az eredeti nyelvű átirat is kell, futtass külön normál átírást.

A nyílt forráskódú Whisper használata saját gépen

Az OpenAI Whisper-repozitóriuma egy angol szöveget adó translate feladatot dokumentál:

whisper japanese.wav --model medium --language Japanese --task translate

A README két figyelmeztetése: az alapértelmezett turbo modellt nem fordításra tanították, és --task translate mellett is az eredeti nyelvet adja, ezért használj medium vagy large modellt; a kimenet pedig csak angol. Német hangból francia szöveghez továbbra is szövegfordítás kell. A Whisper CLI itt nincs telepítve, és nem teszteltük.

Milyen jó az eredmény? A Whisper-tanulmány szerint a tanítóadatok 125 000 órányi X→angol fordítást tartalmaztak. A CoVoST2 tesztadaton való tanítás nélkül a Whisper 29.1 BLEU pontot ért el, amit a szerzők új csúcseredménynek neveztek. A BLEU a gépi kimenet és referenciafordítás átfedését méri, nem a helyes mondatok százalékát. A tanulmány szerint a Whisper továbbra is elmarad a sok adattal rendelkező nyelvekre célzottan tanított korábbi rendszerektől, és a több tanítóadat sokkal kevésbé megbízhatóan jelzi előre a fordítás, mint az átírás minőségét.

3. módszer: többnyelvű feliratok készítése (SRT és VTT)

Videónál először készíts feliratfájlt az eredeti nyelven, majd csak az egyes blokkok szövegét fordítsd le. Az időzítés minden nyelven azonos marad.

1. lépés: a forrásnyelvű feliratfájl előállítása

Használd a feliratgenerátort vagy az MP4–SRT konvertálót, és exportálj SRT-t vagy VTT-t a beszélt nyelven. Először ebben javítsd a szöveget és az időzítést; ez lesz az összes nyelv sablonja.

2. lépés: a blokk szövegét fordítsd, ne a szerkezetét

Az SRT-blokk számból, időkódsorból és szövegből áll. Csak a szöveg változhat. Íme egy kitalált példa:

12
00:01:04,200 --> 00:01:07,900
La reunión empieza el 3 de mayo a las 15:00.
12
00:01:04,200 --> 00:01:07,900
A megbeszélés május 3-án 15 órakor kezdődik.

A blokkszám és az időkód azonos. A dátum és az idő a célközönséghez igazodik. Ha a fordító csak dokumentumot fogad, másold a szöveget táblázatba, majd blokkonként illeszd vissza. A DeepL Pro csomagjai a fentiek szerint közvetlenül kezelik az SRT-t és a VTT-t.

3. lépés: ellenőrizd az olvasási hosszt

A fordított sor hosszabb lehet az eredetinél, és egy 3,7 másodperc alatt kényelmesen olvasható blokk már nem biztos, hogy belefér. Oszd fel vagy rövidítsd a hosszú blokkokat, de az időkódot csak a hanggal való újbóli ellenőrzés után módosítsd.

4. lépés: minden nyelvet külön sávként tölts fel

A fájlok nevében használj nyelvkódot, például talk.en.srt és talk.es.srt, majd mindegyiket külön feliratsávként töltsd fel. A választható feliratsávok között a néző nyelvet válthat.

4. módszer: emberi ellenőrzés hozzáadása

Amit közzétesznek, idéznek vagy döntéshez használnak, azt kétnyelvű ellenőr hasonlítsa össze a forrással. A gépi szöveg hibásan is gördülékenynek tűnhet.

Egy egyszerű ellenőrzőlap gyorsítja a munkát. Kitalált példa:

Blokk Forrássor Fordítás Jelzés Ellenőri megjegyzés
#37 Vamos a cerrar el trato el lunes Hétfőn lezárjuk az üzletet Rendben —
#81 Eso no es moco de pavo Ez nem pulykatakony Idióma Használd: „Ez nem kis dolog”
#126 Facturamos 1,5 millones 1,5 milliót számláztunk Szám A pénznemet egyeztesd a beszélővel

Az ellenőr figyeljen a nevekre, számokra, idézetekre, jogi vagy orvosi kifejezésekre és a bizonytalannak jelölt részekre. A whispertranscribe.ai nem kínál emberi átírást vagy fordítást, így ezt neked vagy szakembernek kell elvégeznie.

Mi befolyásolja a beszéd szöveges fordításának minőségét?

A minőség kétszer dől el: amikor a beszédből szöveg lesz, és amikor a szöveg nyelvet vált. Egyes tényezők mindkettőt rontják.

Tényező Hatás az átírásra Hatás a fordításra Teendő
Hangminőség (zaj, visszhang, távolság) Kimaradt vagy félrehallott szavak A hibák minden nyelvre átkerülnek Mikrofon közelében rögzíts; a legtisztább eredetit használd
Akcentus és dialektus Több hiba regionális beszédnél Regionális szavak szó szerinti fordítása Válassz regionális nyelvváltozatot, ha van
Szakkifejezések Hangzás szerinti írásmód Hibás vagy következetlen megfelelő Készíts szójegyzéket és javítsd a forrást
Nyelvpár A beszélt nyelvtől függ A gyakori párok általában jobbak a ritkáknál Ritka nyelvnél tervezz több ellenőrzést
Tulajdonnevek A névből közszó lesz A nevet „lefordítják” vagy megváltoztatják Előre írd össze, keresd meg és javítsd a neveket
Nyelvváltás Mondat közben hibás nyelvfelismerés A vegyes szöveg megzavarja a fordítót Használj vegyes nyelvi módot; jelöld a nyelveket
Átfedő beszéd Sorok összeolvadnak vagy kimaradnak Elvész a beszélő mondanivalója Külön mikrofonok; ellenőrizd a címkéket a megszakításoknál

A Google beszédadatokra vonatkozó ajánlása szerint a veszteséges kodekek, például MP3 és M4A, csökkenthetik a pontosságot; zaj és visszhang esetén ez még nagyobb gond. Az OpenAI README hozzáteszi, hogy a Whisper teljesítménye nyelvenként erősen eltér. Mindkettő jó ok arra, hogy nagy köteg előtt rövid mintát próbálj ki.

Fordítás utáni ellenőrzőlista

Minden fordítás után, külső megosztás előtt nézd át:

  • Számok. Minden adat egyezik a hanggal. Figyelj a tizedesvesszőre: az európai „1,5” angolul 1.5.
  • Pénznem és mértékegység. A beszélő pénzneme marad, kivéve jelzett átváltásnál; kilométerből nem lesz észrevétlenül mérföld.
  • Nevek és címek. Személyek, cégek és helyek neve a saját írásmódjukat követi, nem fordítjuk le.
  • Dátum és idő. Az országonként eltérő sorrend miatt a 03/04 jelenthet április 3-át vagy március 4-ét. Fontos esetben írd ki a hónapot.
  • Idézetek. A szó szerinti idézetet a hanghoz, ne csak az átirathoz ellenőrizd.
  • Idiómák és humor. A szó szerinti idiómákat természetes megfelelővel helyettesítsd vagy jelöld.
  • Kulturális háttér. A nehezen átvihető utaláshoz rövid megjegyzés kell, nem észrevétlen átírás.
  • Nyelvi regiszter. A formális és informális megszólítás (tú/usted, du/Sie) illeszkedjen a beszélők kapcsolatához.
  • Beszélőcímkék. Minden sor továbbra is a megfelelő személyhez tartozzon.
  • Nem világos részek. A bizonytalanságot mindkét nyelven [unclear] jelöléssel lásd el találgatás helyett.

Mikor kell szakfordító?

Képzett emberi fordítót használj, ha egy hiba pénzbe, egészségbe, jogi helyzetbe vagy bizalomba kerülhet. Ez nem jogi tanács; a követelmények országonként, bíróságonként és hatóságonként eltérnek, ezért egyeztess a fogadó intézménnyel.

Helyzet Miért nem elég a gépi eredmény?
Bevándorlási kérelmek Az amerikai szabály (8 CFR 103.2(b)(3)) teljes angol fordítást kér az USCIS-hez benyújtott idegen nyelvű irathoz, a fordító nyilatkozatával annak teljességéről, pontosságáról és saját kompetenciájáról
Bírósági bizonyítékok és tanúvallomások A bíróságok gyakran saját szabályokat állapítanak meg a fordításra és hitelesítésre
Szerződések és megállapodások Egyetlen hibás szó megváltoztathatja a kötelezettséget
Orvosi konzultációk és iratok Adagolásnak, tünetnek és beleegyezésnek pontosnak kell lennie
Közzétett idézetek és sajtóanyagok A hibás idézés rombolja a bizalmat és felelősséget teremthet

Kisebb tétű feladatoknál, például belső jegyzethez, kutatási vázlathoz vagy videó megértéséhez, a gépi fordítás saját ellenőrzéssel általában elegendő.

Melyik exportformátumra van szükséged?

A következő lépés alapján válassz. A whispertranscribe.ai DOCX, PDF, TXT, CSV, SRT és VTT formátumban exportál.

Formátum Felhasználás
DOCX Fordítás Wordben, DeepL-ben vagy Google Fordítóban; szerkesztés megjegyzésekkel
TXT Beillesztés fordítóba vagy más alkalmazásba
PDF A jóváhagyott fordítás rögzített példánya
CSV Egymás melletti ellenőrzőlapok és kutatási kódolás
SRT Feliratsáv YouTube-hoz, videoszerkesztőkhöz és lejátszókhoz
VTT Felirat HTML5 webes videólejátszókhoz

Gyakori kérdések

Mi a különbség a beszéd szöveggé alakítása és szöveges fordítása között?

Az előbbi megtartja az eredeti nyelvet: a spanyol hangból spanyol szöveg lesz. A beszéd szöveges fordítása másik nyelven végződik, például spanyol hangból angol szöveget ad. Két lépésben átírással és fordítással vagy egy lépésben közvetlen célnyelvi modelllel történhet. A kétlépéses módszer könnyebben ellenőrizhető, mert a forrás előbb javítható, és később más nyelvekhez is újrahasználható.

Fordíthat a Whisper angoltól eltérő nyelvekre?

Nem. A Whisper beépített translate feladata kizárólag angol kimenetet ad. Sok nyelv beszédét fogadja, de angol szöveget ír. Más célnyelvhez írd át az eredeti nyelven a hangot, és szövegfordítóval fordítsd le. Az OpenAI README szerint az alapértelmezett turbo nincs fordításra tanítva és kérésre is az eredeti nyelvet adja. Fordításhoz medium vagy large modellt használj.

Jobb előbb átírni, majd fordítani?

Általában igen, ha az eredményt közzéteszik, idézik vagy több nyelvre fordítják. Az előzetes átirat javítható forrást ad, így a félrehallott nevet vagy számot egyszer kell javítani. A közvetlen beszéd–angol fordítás gyorsabb, ha csak megérteni kell a felvételt. Többnyelvű felirathoz a javított forrás-SRT vagy VTT a legpraktikusabb kiindulás.

Mennyire pontos a beszéd szöveges fordítása?

A hangtól, nyelvpártól és témától függ; nincs minden helyzetre érvényes pontossági szám. Tiszta hang átírása nagyon pontos lehet: a whispertranscribe.ai akár 99%-ot ér el, míg zaj és akcentus rontja. A fordítás saját hibákat adhat hozzá, főleg idiómáknál, neveknél és szakkifejezéseknél. A gyakori nyelvpárok általában jobbak a ritkáknál. Ellenőrizd a számokat, neveket és idézeteket, fontos anyagot pedig kétnyelvű személlyel is nézess át.

Lefordíthatók a feliratok az időbélyegek megtartásával?

Igen. Csak a blokkok szövegét fordítsd, a számokat és időkódokat hagyd változatlanul. Ez történhet kézzel, a szöveg fordítóba és visszamásolásával vagy feliratfájlt fogadó eszközzel. A DeepL SRT-t és VTT-t sorol fel Pro Individual, Pro Team, Pro Business és API csomagokban. A Google Fordító dokumentumfunkciója nem sorol fel feliratformátumot. Ellenőrizd, hogy a hosszú sorok a megjelenési idő alatt olvashatók-e.

Használható gépi fordítás jogi vagy orvosi felvételhez?

Első tájékozódásra igen, végleges változatként nem. Jogi, orvosi, szerződéses és bevándorlási anyaghoz gyakran képzett emberi fordító kell, egyes intézmények hitelesítést kérnek. Az amerikai bevándorlási szabályok például fordítói nyilatkozatot kérnek az angol fordítás teljességéről és pontosságáról. A követelmények országonként és intézményenként eltérnek; egyeztess a címzettel. Ez általános tájékoztatás, nem jogi tanács.


Készen állsz? Tölts fel egy felvételt a hang angolra fordítása oldalra, vagy felirathoz és más célnyelvekhez előbb írd át eredeti nyelven. Ingyen, fiók nélkül is kipróbálhatod. A fizetős csomagok $9.99/hó ártól indulnak éves számlázással; lásd az árakat. A whispertranscribe.ai nem kínál API-t, emberi átírást vagy megbeszélésbotot.

Hivatkozások

Szeretné szöveggé alakítani a felvételeit?

Írja át hang- és videófelvételeit a whispertranscribe.ai segítségével.

Átírás indítása ↗