Konwertuj JPG na MP3

Odtwarzacz obsługujący wyłącznie głos, workflow audiobooka lub usługa ułatwień dostępu może wymagać pliku MP3, gdy źródłem jest sfotografowana strona lub zrzut ekranu. Ponieważ JPG zawiera piksele obrazu, a nie dźwięk, przydatny workflow zwykle obejmuje OCR, a następnie syntezę mowy.

Co zawierają pliki JPG

JPG, nazywany również JPEG, to stratny rastrowy format obrazu używany do zdjęć wykonywanych aparatem, skanów, zrzutów ekranu, grafik internetowych oraz obrazów eksportowanych przez aplikacje takie jak Adobe Photoshop, Preview i Microsoft Paint. Aparaty, telefony, projektanci, wydawcy i witryny internetowe często używają plików takich jak photo.jpg i scan.jpeg, ponieważ JPG skutecznie kompresuje obrazy fotograficzne.

Plik JPG nie zawiera dźwięku, zaznaczalnego tekstu, informacji o czasie ani danych muzycznych. Słowa widoczne na zeskanowanej stronie muszą zostać rozpoznane za pomocą optycznego rozpoznawania znaków (OCR), zanim silnik syntezy mowy będzie mógł je odczytać.

Co zawierają pliki MP3

MP3 to stratny skompresowany format audio używany do mowy, muzyki, podcastów, audiobooków, telefonów, samochodowych zestawów stereo i starszych odtwarzaczy multimedialnych. Jest szeroko obsługiwany i zwykle znacznie mniejszy niż nieskompresowany dźwięk WAV lub AIFF.

Plik MP3 może zawierać narrację utworzoną z tekstu, ale nie może zachować fotografii jako treści mówionej bez OCR lub ręcznie napisanej deskr ypcji. Metadane MP3 mogą zawierać plik JPG jako okładkę albumu; powoduje to osadzenie obrazu w pliku audio, ale nie przekształca obrazu w dźwięk.

Tworzenie narracji MP3 z pliku JPG

1. Przygotuj obraz. Użyj ostrego, prostego i kontrastowego obrazu. W przypadku dokumentów papierowych zeskanuj je z rozdzielczością około 300 dpi, przytnij puste marginesy i skoryguj obrót przed wykonaniem OCR.
2. Wyodrębnij tekst. Tesseract OCR to bezpłatna opcja desktopowa dla systemów Windows, macOS i Linux. Po zainstalowaniu danych języka angielskiego uruchom tesseract input.jpg page -l eng; polecenie utworzy plik page.txt. W razie potrzeby użyj innego zainstalowanego kodu języka, na przykład deu, fra lub spa.
3. Popraw wynik OCR. Sprawdź nazwy, liczby, skróty, interpunkcję, nagłówki i zawartość tabel w pliku page.txt. Silnik mowy odczyta błędy rozpoznawania dokładnie tak, jak zostały zapisane.
4. Wygeneruj mowę i zakoduj ją jako MP3. W systemie Windows otwórz tekst w programie Balabolka, wybierz zainstalowany głos systemu Windows, a następnie użyj opcji File → Save Audio File i wybierz MP3. W systemie macOS utwórz dźwięk AIFF za pomocą say -f page.txt -o narration.aiff, a następnie uruchom ffmpeg -i narration.aiff -c:a libmp3lame -b:a 96k narration.mp3.
5. W razie potrzeby użyj offline’owego workflow w systemie Linux. Utwórz mowę WAV za pomocą espeak-ng -f page.txt -w narration.wav, a następnie zakoduj ją przy użyciu ffmpeg -i narration.wav -c:a libmp3lame -b:a 96k narration.mp3. eSpeak NG jest zrozumiały, ale ogólnie brzmi mniej naturalnie niż nowoczesne głosy w chmurze.

W przypadku workflow online prześlij obraz niezawierający poufnych danych do Google Drive, użyj opcji Open with → Google Docs, aby uzyskać tekst OCR, popraw wynik, a następnie wklej go do usługi syntezy mowy, takiej jak NaturalReader lub ElevenLabs. Możliwość pobierania plików MP3, wybór głosu i limity znaków zależą od wybranej usługi i planu. Nie przesyłaj dokumentów tożsamości, dokumentacji medycznej, umów ani nieopublikowanych materiałów, dopóki warunki przechowywania, retencji i wykorzystywania danych przez daną usługę nie będą dla Ciebie akceptowalne.

W przypadku zdjęć bez czytelnego tekstu napisz dokładny opis lub użyj systemu opisu obrazów, a następnie poddaj ten opis syntezie mowy. Usługa twierdząca, że konwertuje dowolne pliki JPG bezpośrednio do MP3, może generować dźwięk odwzorowany na podstawie wartości pikseli, szum lub plik MP3 z osadzoną okładką; żadne z tych rozwiązań nie tworzy wiernego odczytu obrazu.

Ograniczenia jakości i zgodności

Pismo odręczne, dekoracyjne czcionki, rozmazane fotografie, odblaski, niska rozdzielczość i złożone tabele obniżają dokładność OCR oraz wymagają ręcznej korekty. Wyższa przepływność MP3 nie naprawi błędów OCR ani nie poprawi syntetycznej wymowy.

W przypadku mowy monofoniczny MP3 o przepływności 64–96 kbps jest zwykle wystarczający; użyj 128 kbps, jeśli urządzenie docelowe odrzuca pliki o niskiej przepływności lub jeśli narracja zawiera muzykę. Zachowaj oryginalny plik JPG oraz poprawiony plik page.txt razem z plikiem narration.mp3, ponieważ plik MP3 nie może przywrócić oryginalnych pikseli ani niezawodnie odtworzyć dokładnego tekstu.