സൗജന്യ ഓഡിയോ ടു ടെക്സ്റ്റ്

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു

ട്രാൻസ്ക്രിപ്ഷൻ നിങ്ങളുടെ ബ്രൗസറിൽ നേരിട്ട് ഒരു Whisper സ്പീച്ച്-റെക്കഗ്നിഷൻ മോഡൽ പ്രവർത്തിപ്പിക്കുന്നു. ഓഡിയോ ഡീകോഡ് ചെയ്ത്, റീസാമ്പിൾ ചെയ്ത് നിങ്ങളുടെ സ്വന്തം ഡിവൈസിലെ മോഡലിലേക്ക് നൽകുന്നു — റെക്കോർഡിംഗ് ഒരിക്കലും അപ്‌ലോഡ് ചെയ്യപ്പെടില്ല.

1. 1
   നിങ്ങളുടെ ഫയൽ 16 kHz മോണോ ആയി ഡീകോഡ് ചെയ്യുന്നു

   Whisper ഒരു ഫോർമാറ്റ് മാത്രമേ സ്വീകരിക്കുകയുള്ളൂ: സെക്കൻഡിന് 16,000 സാമ്പിളുകളുള്ള സിംഗിൾ-ചാനൽ ഓഡിയോ. ബ്രൗസർ ഓഡിയോ എഞ്ചിൻ പരിവർത്തനം സ്വയം ചെയ്യുന്നു, ഇത് മിക്ക സംഗീത, ശബ്ദ ഫയലുകൾക്കും അധിക ഡൗൺലോഡ് ഒന്നും ഇല്ല എന്നാണ് അർത്ഥമാക്കുന്നത്. അസാധാരണ വീഡിയോ കണ്ടെയ്നറുകൾ ബണ്ടിൽ ചെയ്ത ffmpeg-ലേക്ക് ഫാൾബാക്ക് ചെയ്യുന്നു.
2. 2
   മോഡൽ ഒരു തവണ ഡൗൺലോഡ് ചെയ്യുന്നു, നിങ്ങൾ ചോദിക്കുമ്പോൾ മാത്രം

   സ്പീച്ച് മോഡൽ ഏകദേശം 81 MB ആണ് (അല്ലെങ്കിൽ വേഗതയേറിയ, കുറഞ്ഞ കൃത്യതയുള്ള ഓപ്ഷന് 45 MB). നിങ്ങൾ Load അമർത്തിയതിന് ശേഷം മാത്രമേ ഇത് ഫെച്ച് ചെയ്യുന്നുള്ളൂ, പിന്നെ കാഷെ ചെയ്യുന്നു, അതിനാൽ പിന്നീടുള്ള സന്ദർശനങ്ങൾ ഉടനടി ആരംഭിക്കുന്നു. നിങ്ങൾക്ക് ഇത് എപ്പോൾ വേണമെങ്കിലും വീണ്ടും നീക്കം ചെയ്യാം.
3. 3
   ഓഡിയോ 30-സെക്കൻഡ് വിൻഡോകളിൽ ട്രാൻസ്ക്രൈബ് ചെയ്യുന്നു

   Whisper ഒരു സമയം 30 സെക്കൻഡ് വീതം ഓരോ വശത്തും 5 സെക്കൻഡ് ഓവർലാപ്പോടെ വായിക്കുന്നു, അതിനാൽ ഒരു അതിരിലുടനീളമുള്ള വാക്കുകൾ നഷ്ടപ്പെടില്ല. ഇത് ഒരു ബാക്ക്ഗ്രൗണ്ട് ത്രെഡിൽ പ്രവർത്തിക്കുന്നു, അതുകൊണ്ടാണ് പേജ് പ്രതികരണശേഷിയുള്ളതായി തുടരുകയും Cancel പ്രവർത്തിച്ചുകൊണ്ടിരിക്കുകയും ചെയ്യുന്നത്.
4. 4
   ടെക്സ്റ്റ് വായിക്കാവുന്ന സബ്ടൈറ്റിലുകളാകുന്നു

   റോ ഔട്ട്പുട്ട് സ്പ്ലിറ്റ് ചെയ്ത് വീണ്ടും-ടൈം ചെയ്യുന്നു, അതിനാൽ ഒരു വരിയും 42 ക്യാരക്ടറുകൾ കവിയുന്നില്ല, ഒന്നും സെക്കൻഡിന് 21 ക്യാരക്ടറുകളേക്കാൾ വേഗത്തിൽ ഓടുന്നില്ല — ഞങ്ങളുടെ Subtitle Editor പരിശോധിക്കുന്ന അതേ പരിധികൾ. ആ ടാർഗെറ്റുകൾ എത്താൻ ടൈമിംഗുകൾ ഒരിക്കലും നീട്ടുന്നില്ല, കാരണം അത് വാക്കുകൾ എപ്പോൾ പറഞ്ഞു എന്നത് തെറ്റായി പ്രതിനിധീകരിക്കും.

അനുബന്ധ ടൂളുകൾ