मुफ़्त ऑडियो से टेक्स्ट

यह कैसे काम करता है

ट्रांसक्रिप्शन सीधे आपके ब्राउज़र में एक Whisper स्पीच-रिकग्निशन मॉडल चलाता है। ऑडियो आपके अपने डिवाइस पर डिकोड, फिर से सैंपल, और मॉडल को दिया जाता है — रिकॉर्डिंग कभी अपलोड नहीं होती।

1. 1
   आपकी फ़ाइल 16 kHz मोनो में डिकोड होती है

   Whisper केवल एक फ़ॉर्मेट स्वीकार करता है: 16,000 सैंपल प्रति सेकंड पर सिंगल-चैनल ऑडियो। ब्राउज़र ऑडियो इंजन खुद कन्वर्ज़न करता है, जिसका मतलब है ज़्यादातर म्यूज़िक और वॉइस फ़ाइलों के लिए कोई अतिरिक्त डाउनलोड नहीं। असामान्य वीडियो कंटेनर के लिए साथ में बंडल किया ffmpeg इस्तेमाल होता है।
2. 2
   मॉडल एक बार डाउनलोड होता है, और केवल जब आप कहें

   स्पीच मॉडल लगभग 81 MB का है (या तेज़, कम सटीक विकल्प के लिए 45 MB), और उसे चलाने वाला इंजन लगभग 27 MB और जोड़ता है। यह तभी लाया जाता है जब आप लोड दबाते हैं, फिर कैश होता है ताकि आगे की विज़िट तुरंत शुरू हों। आप इसे कभी भी फिर से हटा सकते हैं।
3. 3
   ऑडियो 30-सेकंड की विंडो में ट्रांसक्राइब होता है

   Whisper एक बार में 30 सेकंड पढ़ता है, हर तरफ़ 5 सेकंड के ओवरलैप के साथ, इसलिए सीमा पर फैले शब्द छूटते नहीं। यह बैकग्राउंड थ्रेड में चलता है, यही वजह है कि पेज रिस्पॉन्सिव रहता है और रद्द करें काम करता रहता है।
4. 4
   टेक्स्ट पठनीय सबटाइटल बन जाता है

   रॉ आउटपुट इस तरह विभाजित और फिर-टाइम किया जाता है कि कोई लाइन 42 कैरेक्टर से ज़्यादा न हो और कुछ भी 21 कैरेक्टर प्रति सेकंड से तेज़ न दौड़े — वही सीमाएँ जिनके मुक़ाबले हमारा Subtitle Editor जाँचता है। टाइमिंग कभी उन टारगेट तक पहुँचने के लिए खींची नहीं जाती, क्योंकि यह ग़लत तरीक़े से दिखाएगा कि शब्द कब कहे गए।

संबंधित टूल