ਮੁਫ਼ਤ ਆਡੀਓ ਤੋਂ ਟੈਕਸਟ

ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ

ਲਿਖਤ ਵਿੱਚ ਬਦਲਣਾ ਸਿੱਧੇ ਤੁਹਾਡੇ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ Whisper speech-recognition ਮਾਡਲ ਚਲਾਉਂਦਾ ਹੈ। ਆਡੀਓ ਤੁਹਾਡੀ ਆਪਣੀ ਡਿਵਾਈਸ 'ਤੇ ਡੀਕੋਡ, resample ਅਤੇ ਮਾਡਲ ਨੂੰ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ — ਰਿਕਾਰਡਿੰਗ ਕਦੇ ਅੱਪਲੋਡ ਨਹੀਂ ਹੁੰਦੀ।

1. 1
   ਤੁਹਾਡੀ ਫ਼ਾਈਲ 16 kHz mono ਵਿੱਚ ਡੀਕੋਡ ਹੁੰਦੀ ਹੈ

   Whisper ਸਿਰਫ਼ ਇੱਕ ਫਾਰਮੈਟ ਮੰਨਦਾ ਹੈ: 16,000 ਨਮੂਨੇ ਪ੍ਰਤੀ ਸਕਿੰਟ 'ਤੇ ਇੱਕ-ਚੈਨਲ ਆਡੀਓ। ਬ੍ਰਾਊਜ਼ਰ ਆਡੀਓ ਇੰਜਣ ਬਦਲਾਅ ਖੁਦ ਕਰਦਾ ਹੈ, ਜਿਸਦਾ ਜ਼ਿਆਦਾਤਰ ਸੰਗੀਤ ਅਤੇ ਆਵਾਜ਼ ਫ਼ਾਈਲਾਂ ਲਈ ਮਤਲਬ ਹੈ ਕੋਈ ਵਾਧੂ ਡਾਊਨਲੋਡ ਨਹੀਂ। ਅਸਾਧਾਰਨ ਵੀਡੀਓ containers ਸ਼ਾਮਲ ffmpeg 'ਤੇ ਜਾਂਦੇ ਹਨ।
2. 2
   ਮਾਡਲ ਇੱਕ ਵਾਰ ਡਾਊਨਲੋਡ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਸਿਰਫ਼ ਜਦੋਂ ਤੁਸੀਂ ਕਹੋ

   ਬੋਲੀ-ਪਛਾਣ ਮਾਡਲ ਲਗਭਗ 81 MB ਹੈ (ਜਾਂ ਤੇਜ਼, ਘੱਟ ਸਹੀ ਵਿਕਲਪ ਲਈ 45 MB)। ਇਹ ਸਿਰਫ਼ ਲੋਡ ਦਬਾਉਣ ਤੋਂ ਬਾਅਦ ਲਿਆਂਦਾ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਕੈਸ਼ ਹੋ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਅਗਲੀਆਂ ਫੇਰੀਆਂ ਤੁਰੰਤ ਸ਼ੁਰੂ ਹੋਣ। ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਸੇ ਵੀ ਸਮੇਂ ਮੁੜ ਹਟਾ ਸਕਦੇ ਹੋ।
3. 3
   ਆਡੀਓ 30-ਸਕਿੰਟ ਵਿੰਡੋਆਂ ਵਿੱਚ ਲਿਖਤ ਵਿੱਚ ਬਦਲੀ ਜਾਂਦੀ ਹੈ

   Whisper ਇੱਕ ਵਾਰ ਵਿੱਚ 30 ਸਕਿੰਟ ਪੜ੍ਹਦਾ ਹੈ ਹਰ ਪਾਸੇ 5 ਸਕਿੰਟ ਦੇ ਓਵਰਲੈਪ ਨਾਲ, ਇਸ ਲਈ ਹੱਦ ਪਾਰ ਕਰਦੇ ਸ਼ਬਦ ਗੁੰਮ ਨਹੀਂ ਹੁੰਦੇ। ਇਹ ਬੈਕਗ੍ਰਾਊਂਡ ਥ੍ਰੈੱਡ ਵਿੱਚ ਚੱਲਦਾ ਹੈ, ਇਸੇ ਲਈ ਪੰਨਾ ਜਵਾਬਦੇਹ ਰਹਿੰਦਾ ਹੈ ਅਤੇ ਰੱਦ ਕਰੋ ਕੰਮ ਕਰਦਾ ਰਹਿੰਦਾ ਹੈ।
4. 4
   ਟੈਕਸਟ ਪੜ੍ਹਨਯੋਗ ਸਬਟਾਈਟਲ ਬਣਦਾ ਹੈ

   ਕੱਚਾ ਆਉਟਪੁੱਟ ਵੰਡ ਕੇ ਮੁੜ ਸਮਾਂਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਕੋਈ ਲਾਈਨ 42 ਅੱਖਰਾਂ ਤੋਂ ਵੱਧ ਨਾ ਹੋਵੇ ਅਤੇ ਕੁਝ ਵੀ 21 ਅੱਖਰ ਪ੍ਰਤੀ ਸਕਿੰਟ ਤੋਂ ਤੇਜ਼ ਨਾ ਲੰਘੇ — ਉਹੀ ਹੱਦਾਂ ਜਿਨ੍ਹਾਂ ਨਾਲ ਸਾਡਾ ਸਬਟਾਈਟਲ ਐਡੀਟਰ ਜਾਂਚਦਾ ਹੈ। ਇਨ੍ਹਾਂ ਟੀਚਿਆਂ ਲਈ ਸਮੇਂ ਕਦੇ ਖਿੱਚੇ ਨਹੀਂ ਜਾਂਦੇ, ਕਿਉਂਕਿ ਇਹ ਗ਼ਲਤ ਦਰਸਾਏਗਾ ਕਿ ਸ਼ਬਦ ਕਦੋਂ ਬੋਲੇ ਗਏ।

ਸੰਬੰਧਿਤ ਟੂਲ