Převod souboru JPG do MP3

Hlasový přehrávač, pracovní postup pro audioknihy nebo služba pro přístupnost mohou vyžadovat MP3, pokud je zdrojem vyfotografovaná stránka nebo screenshot. Protože JPG obsahuje obrazové pixely, nikoli zvuk, obvykle se používá pracovní postup OCR následovaný převodem textu na řeč.

Co obsahují soubory JPG

JPG, označovaný také jako JPEG, je ztrátový rastrový obrazový formát používaný pro fotografie z fotoaparátů, skeny, screenshoty, webovou grafiku a obrázky exportované aplikacemi, jako jsou Adobe Photoshop, Preview a Microsoft Paint. Fotoaparáty, telefony, designéři, vydavatelé a webové stránky běžně používají soubory jako photo.jpg a scan.jpeg, protože JPG efektivně komprimuje fotografické obrázky.

JPG neobsahuje zvuk, volitelný text, časování ani hudební data. Slova viditelná na naskenované stránce musí být před jejich namluvením hlasovým enginem rozpoznána pomocí optického rozpoznávání znaků (OCR).

Co obsahují soubory MP3

MP3 je ztrátový komprimovaný zvukový formát používaný pro řeč, hudbu, podcasty, audioknihy, telefony, autorádia a starší přehrávače médií. Je široce podporován a obvykle je mnohem menší než nekomprimovaný zvuk WAV nebo AIFF.

MP3 může obsahovat namluvený text, ale bez OCR nebo ručně vytvořeného popisu nedokáže zachovat fotografii jako mluvený obsah. Metadata MP3 mohou obsahovat JPG jako obal alba; tím se vloží obrázek do zvukového souboru, ale obrázek se nepřevede na zvuk.

Vytvoření namluveného MP3 z JPG

1. Připravte obrázek. Použijte ostrý, rovný obrázek s vysokým kontrastem. U papírových dokumentů skenujte přibližně v rozlišení 300 dpi, ořízněte prázdné okraje a před OCR opravte natočení.
2. Extrahujte text. Tesseract OCR je bezplatná desktopová možnost pro Windows, macOS a Linux. Po instalaci anglických jazykových dat spusťte tesseract input.jpg page -l eng; vytvoří se page.txt. Pokud je to vhodné, použijte jiný nainstalovaný kód jazyka, například deu, fra nebo spa.
3. Opravte výstup OCR. V souboru page.txt zkontrolujte jména, čísla, zkratky, interpunkci, nadpisy a obsah tabulek. Hlasový engine přečte chyby rozpoznávání přesně tak, jak jsou zapsané.
4. Vytvořte řeč a zakódujte ji jako MP3. V systému Windows otevřete text v aplikaci Balabolka, zvolte nainstalovaný hlas Windows a poté použijte File → Save Audio File a vyberte MP3. V systému macOS vytvořte zvuk AIFF pomocí say -f page.txt -o narration.aiff a poté spusťte ffmpeg -i narration.aiff -c:a libmp3lame -b:a 96k narration.mp3.
5. V případě potřeby použijte offline pracovní postup v Linuxu. Vytvořte řeč ve formátu WAV pomocí espeak-ng -f page.txt -w narration.wav a poté ji zakódujte pomocí ffmpeg -i narration.wav -c:a libmp3lame -b:a 96k narration.mp3. eSpeak NG je srozumitelný, ale obecně zní méně přirozeně než moderní cloudové hlasy.

Pro online pracovní postup nahrajte necitlivý obrázek na Google Drive, použijte Open with → Google Docs k získání textu OCR, opravte výsledek a poté jej vložte do služby převodu textu na řeč, jako je NaturalReader nebo ElevenLabs. Stahování MP3, výběr hlasů a limity počtu znaků závisí na vybrané službě a tarifu. Nenahrávejte identifikační dokumenty, zdravotní záznamy, smlouvy ani nepublikované materiály, dokud neověříte, že její podmínky ukládání, uchovávání a využití dat jsou přijatelné.

U fotografií bez čitelného textu napište přesný popis nebo použijte systém pro popis obrázků a poté tento popis syntetizujte. Služba, která tvrdí, že dokáže libovolné soubory JPG přímo převést na MP3, může vytvořit zvuk mapovaný z hodnot pixelů, šum nebo MP3 s vloženým obalem; nic z toho nevytvoří věrné namluvené čtení obrázku.

Omezení kvality a kompatibility

Rukopis, dekorativní písma, rozmazané fotografie, odlesky, nízké rozlišení a husté tabulky snižují přesnost OCR a vyžadují ruční opravy. Vyšší datový tok MP3 neopraví chyby OCR ani nezlepší syntetickou výslovnost.

Pro řeč je 64–96 kbps mono MP3 obvykle dostačující; použijte 128 kbps, pokud cílové zařízení odmítá soubory s nízkým datovým tokem nebo pokud namluvený obsah zahrnuje hudbu. Původní JPG a opravený soubor page.txt uchovávejte společně se souborem narration.mp3, protože MP3 nedokáže obnovit původní pixely ani spolehlivě rekonstruovat přesný text.