મફત ઓડિયો ટુ ટેક્સ્ટ

આ કેવી રીતે કાર્ય કરે છે

ટ્રાન્સક્રિપ્શન તમારા બ્રાઉઝરમાં જ સીધું Whisper સ્પીચ-રિકગ્નિશન મોડેલ ચલાવે છે. ઑડિયો ડિકોડ, રિસેમ્પલ અને તમારા પોતાના ડિવાઇસ પર મોડેલને આપવામાં આવે છે — રેકોર્ડિંગ ક્યારેય અપલોડ થતું નથી.

1. 1
   તમારી ફાઇલ 16 kHz મોનોમાં ડિકોડ થાય છે

   Whisper ફક્ત એક ફોર્મેટ સ્વીકારે છે: પ્રતિ સેકન્ડ 16,000 સેમ્પલ પર સિંગલ-ચેનલ ઑડિયો. બ્રાઉઝરનું ઑડિયો એન્જિન પોતે રૂપાંતર કરે છે, જેનો અર્થ મોટાભાગની સંગીત અને અવાજની ફાઇલો માટે કોઈ વધારાનું ડાઉનલોડ નથી. અસામાન્ય વિડિયો કન્ટેનર સાથે આવેલા ffmpeg પર પાછા ફરે છે.
2. 2
   મોડેલ એક વખત ડાઉનલોડ થાય છે, અને ફક્ત તમે માંગો ત્યારે

   સ્પીચ મોડેલ લગભગ 81 MB (અથવા ઝડપી, ઓછા ચોક્કસ વિકલ્પ માટે 45 MB) છે. તે તમે Load દબાવો પછી જ લાવવામાં આવે છે, પછી કેશ થાય છે જેથી પછીની મુલાકાતો તરત શરૂ થાય. તમે તેને ગમે ત્યારે ફરીથી દૂર કરી શકો છો.
3. 3
   ઑડિયો 30-સેકન્ડની વિન્ડોમાં ટ્રાન્સક્રાઇબ થાય છે

   Whisper દરેક બાજુ 5 સેકન્ડના ઓવરલેપ સાથે એક સમયે 30 સેકન્ડ વાંચે છે, તેથી સીમા પર આવતા શબ્દો ગુમાવાતા નથી. આ બેકગ્રાઉન્ડ થ્રેડમાં ચાલે છે, જેના કારણે પેજ પ્રતિભાવશીલ રહે છે અને Cancel કામ કરતું રહે છે.
4. 4
   ટેક્સ્ટ વાંચી શકાય તેવા સબટાઇટલ બને છે

   કાચું આઉટપુટ વિભાજિત અને ફરીથી સમયબદ્ધ કરવામાં આવે છે જેથી કોઈ લાઇન 42 અક્ષરથી વધે નહીં અને કંઈ પણ પ્રતિ સેકન્ડ 21 અક્ષર કરતાં ઝડપથી પસાર ન થાય — અમારું Subtitle Editor જે મર્યાદાઓ સામે તપાસે છે તે જ. સમય ક્યારેય તે લક્ષ્યો સુધી પહોંચવા ખેંચવામાં આવતો નથી, કારણ કે તે શબ્દો ક્યારે બોલાયા તે ખોટી રીતે દર્શાવે.

સંબંધિત સાધનો