मोफत ऑडिओ ते मजकूर

हे कसे कार्य करते

बोलण्याचे लिप्यंतरण Whisper ऐकण्याच्या-ओळखीचे मॉडेल थेट तुमच्या ब्राउझरमध्ये चालवते. ऑडिओ तुमच्या स्वतःच्या डिव्हाइसवर डीकोड, resample, व मॉडेलला दिले जाते — रेकॉर्डिंग कधीच अपलोड होत नाही.

1. 1
   तुमची फाइल 16 kHz मोनोमध्ये डीकोड होते

   Whisper फक्त एक फॉरमॅट स्वीकारतो: सेकंदाला 16,000 sample असलेला एकल-चॅनेल ऑडिओ. ब्राउझरचे ऑडिओ इंजिन स्वतःच रूपांतर करते, जे बहुतेक संगीत व आवाज फाइल्ससाठी कोणतेही अतिरिक्त डाउनलोड न होण्याचा अर्थ आहे. असामान्य व्हिडिओ containers बंडल केलेल्या ffmpeg कडे वळतात.
2. 2
   मॉडेल एकदाच डाउनलोड होतो, आणि फक्त तुम्ही विचारल्यावर

   आवाज मॉडेल सुमारे 81 MB आहे (किंवा वेगवान, कमी-अचूक पर्यायासाठी 45 MB). तुम्ही Load दाबल्यावरच ते आणले जाते, नंतर cached होते त्यामुळे नंतरच्या भेटी तात्काळ सुरू होतात. तुम्ही ते हवे तेव्हा पुन्हा काढू शकता.
3. 3
   ऑडिओ 30-सेकंदाच्या windows मध्ये लिप्यंतरित होतो

   Whisper प्रत्येक बाजूला 5 सेकंदांच्या overlap सह एका वेळी 30 सेकंद वाचतो, त्यामुळे सीमा ओलांडणारे शब्द गमावले जात नाहीत. हे background thread मध्ये चालते, ज्यामुळे page प्रतिसादशील राहते व Cancel काम करत राहते.
4. 4
   मजकूर वाचनीय सबटायटल्स बनतो

   कच्चा आउटपुट विभागला व पुन्हा-वेळ दिला जातो त्यामुळे कोणतीही ओळ 42 अक्षरे ओलांडत नाही व काहीही सेकंदाला 21 अक्षरांपेक्षा वेगाने पुढे जात नाही — आमचा Subtitle Editor तपासत असलेल्याच मर्यादा. Timings कधीच त्या लक्ष्यांपर्यंत पोहोचण्यासाठी stretched केल्या जात नाहीत, कारण ते शब्द कधी बोलले गेले ते चुकीने दाखवेल.

संबंधित साधने