বিনামূল্যে অডিও থেকে লেখা

কিভাবে কাজ করে

ট্রান্সক্রিপশন সরাসরি আপনার ব্রাউজারে একটি Whisper স্পিচ-রিকগনিশন মডেল চালায়। অডিও আপনার নিজের ডিভাইসে ডিকোড, resample করে মডেলে দেওয়া হয় — রেকর্ডিং কখনো আপলোড হয় না।

1. 1
   আপনার ফাইল 16 kHz mono-তে ডিকোড হয়

   Whisper শুধু একটি ফরম্যাট গ্রহণ করে: প্রতি সেকেন্ডে 16,000 নমুনার একক-চ্যানেল অডিও। ব্রাউজারের অডিও ইঞ্জিন নিজেই রূপান্তর করে, যা বেশিরভাগ গান ও কণ্ঠের ফাইলে কোনো বাড়তি ডাউনলোডই লাগে না। অস্বাভাবিক ভিডিও কনটেইনারে যুক্ত ffmpeg ব্যবহৃত হয়।
2. 2
   মডেল একবার ডাউনলোড হয়, এবং শুধু আপনি চাইলে

   স্পিচ মডেলটি প্রায় ৮১ MB (বা দ্রুততর, কম নির্ভুল বিকল্পের জন্য ৪৫ MB), আর এটি চালানোর ইঞ্জিন যোগ করে প্রায় ২৭ MB। লোড চাপার পরই এটি আনা হয়, তারপর ক্যাশে থাকে যাতে পরের বার সঙ্গে সঙ্গে শুরু হয়। যেকোনো সময় আবার মুছে ফেলতে পারেন।
3. 3
   অডিও 30-সেকেন্ডের জানালায় ট্রান্সক্রাইব হয়

   Whisper একবারে 30 সেকেন্ড পড়ে, প্রতি পাশে 5 সেকেন্ড ওভারল্যাপসহ, তাই সীমা পেরোনো শব্দ হারায় না। এটি একটি ব্যাকগ্রাউন্ড থ্রেডে চলে, তাই পেজ সাড়া দিতে থাকে এবং Cancel কাজ করে।
4. 4
   টেক্সট পড়ার উপযোগী সাবটাইটেল হয়

   কাঁচা আউটপুট ভাগ করে নতুন সময় দেওয়া হয়, যাতে কোনো লাইন 42 অক্ষর না ছাড়ায় এবং সেকেন্ডে 21 অক্ষরের চেয়ে দ্রুত কিছু না যায় — আমাদের Subtitle Editor একই সীমা যাচাই করে। এই লক্ষ্য পূরণে সময় কখনো টেনে বাড়ানো হয় না, কারণ তাতে শব্দগুলো কখন বলা হয়েছিল তার ভুল চিত্র দেখানো হতো।

সম্পর্কিত টুলস