ಉಚಿತ ಆಡಿಯೋದಿಂದ ಪಠ್ಯ

ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ

ಪ್ರತಿಲಿಪಿ Whisper ಭಾಷಣ-ಗುರುತಿಸುವಿಕೆ ಮಾದರಿಯನ್ನು ನೇರವಾಗಿ ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನಲ್ಲಿ ಚಲಾಯಿಸುತ್ತದೆ. ಆಡಿಯೋವನ್ನು ಡಿಕೋಡ್, ಮರುಮಾದರಿ, ಮತ್ತು ನಿಮ್ಮ ಸ್ವಂತ ಸಾಧನದಲ್ಲಿ ಮಾದರಿಗೆ ನೀಡಲಾಗುತ್ತದೆ — ರೆಕಾರ್ಡಿಂಗ್ ಎಂದಿಗೂ ಅಪ್‌ಲೋಡ್ ಆಗುವುದಿಲ್ಲ.

1. 1
   ನಿಮ್ಮ ಫೈಲ್ ಅನ್ನು 16 kHz ಮೊನೊಗೆ ಡಿಕೋಡ್ ಮಾಡಲಾಗುತ್ತದೆ

   Whisper ಕೇವಲ ಒಂದೇ ಫಾರ್ಮ್ಯಾಟ್ ಸ್ವೀಕರಿಸುತ್ತದೆ: ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ 16,000 ಮಾದರಿಗಳಲ್ಲಿ ಏಕ-ಚಾನೆಲ್ ಆಡಿಯೋ. ಬ್ರೌಸರ್ ಆಡಿಯೋ ಎಂಜಿನ್ ಪರಿವರ್ತನೆಯನ್ನು ಸ್ವತಃ ಮಾಡುತ್ತದೆ, ಇದು ಹೆಚ್ಚಿನ ಸಂಗೀತ ಮತ್ತು ಧ್ವನಿ ಫೈಲ್‌ಗಳಿಗೆ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಡೌನ್‌ಲೋಡ್ ಇಲ್ಲ ಎಂದರ್ಥ. ಅಸಾಮಾನ್ಯ ವೀಡಿಯೋ ಕಂಟೈನರ್‌ಗಳು ಬಂಡಲ್ ಮಾಡಿದ ffmpeg ಗೆ ಹಿಂತಿರುಗುತ್ತವೆ.
2. 2
   ಮಾದರಿ ಒಮ್ಮೆ ಡೌನ್‌ಲೋಡ್ ಆಗುತ್ತದೆ, ಮತ್ತು ನೀವು ಕೇಳಿದಾಗ ಮಾತ್ರ

   ಭಾಷಣ ಮಾದರಿ ಸುಮಾರು 81 MB (ಅಥವಾ ವೇಗದ, ಕಡಿಮೆ ನಿಖರ ಆಯ್ಕೆಗೆ 45 MB). ನೀವು Load ಒತ್ತಿದ ನಂತರ ಮಾತ್ರ ಇದನ್ನು ಫೆಚ್ ಮಾಡಲಾಗುತ್ತದೆ, ನಂತರ ಕ್ಯಾಶ್ ಮಾಡಲಾಗುತ್ತದೆ ಆದ್ದರಿಂದ ನಂತರದ ಭೇಟಿಗಳು ತಕ್ಷಣ ಪ್ರಾರಂಭವಾಗುತ್ತವೆ. ನೀವು ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ಅದನ್ನು ಮತ್ತೆ ತೆಗೆದುಹಾಕಬಹುದು.
3. 3
   ಆಡಿಯೋವನ್ನು 30-ಸೆಕೆಂಡ್ ವಿಂಡೋಗಳಲ್ಲಿ ಪ್ರತಿಲಿಪಿಗೊಳಿಸಲಾಗುತ್ತದೆ

   Whisper ಒಂದೊಂದು ಬಾರಿಗೆ 30 ಸೆಕೆಂಡುಗಳನ್ನು ಪ್ರತಿ ಬದಿಯಲ್ಲಿ 5 ಸೆಕೆಂಡುಗಳ ಅತಿಕ್ರಮಣದೊಂದಿಗೆ ಓದುತ್ತದೆ, ಆದ್ದರಿಂದ ಗಡಿಯನ್ನು ವ್ಯಾಪಿಸುವ ಪದಗಳು ಕಳೆದುಹೋಗುವುದಿಲ್ಲ. ಇದು ಹಿನ್ನೆಲೆ ಥ್ರೆಡ್‌ನಲ್ಲಿ ಚಲಾಯಿಸುತ್ತದೆ, ಅದಕ್ಕಾಗಿಯೇ ಪುಟ ಸ್ಪಂದನಶೀಲವಾಗಿ ಉಳಿಯುತ್ತದೆ ಮತ್ತು Cancel ಕೆಲಸ ಮಾಡುತ್ತಲೇ ಇರುತ್ತದೆ.
4. 4
   ಪಠ್ಯ ಓದಬಹುದಾದ ಸಬ್‌ಟೈಟಲ್‌ಗಳಾಗುತ್ತದೆ

   ಯಾವುದೇ ಸಾಲು 42 ಅಕ್ಷರಗಳನ್ನು ಮೀರದಂತೆ ಮತ್ತು ಸೆಕೆಂಡಿಗೆ 21 ಅಕ್ಷರಗಳಿಗಿಂತ ವೇಗವಾಗಿ ಏನೂ ಓಡದಂತೆ ಕಚ್ಚಾ ಔಟ್‌ಪುಟ್ ಅನ್ನು ವಿಭಜಿಸಿ ಮರುಸಮಯಗೊಳಿಸಲಾಗುತ್ತದೆ — ನಮ್ಮ Subtitle Editor ಪರಿಶೀಲಿಸುವ ಅದೇ ಮಿತಿಗಳು. ಪದಗಳನ್ನು ಯಾವಾಗ ಹೇಳಲಾಯಿತು ಎಂದು ತಪ್ಪಾಗಿ ಪ್ರತಿನಿಧಿಸುವುದರಿಂದ, ಆ ಗುರಿಗಳನ್ನು ಹೊಡೆಯಲು ಸಮಯಗಳನ್ನು ಎಂದಿಗೂ ವಿಸ್ತರಿಸಲಾಗುವುದಿಲ್ಲ.

ಸಂಬಂಧಿತ ಪರಿಕರಗಳು