ఉచిత ఆడియో నుండి టెక్స్ట్

ఇది ఎలా పనిచేస్తుంది

ట్రాన్స్‌క్రిప్షన్ మీ బ్రౌజర్‌లో నేరుగా Whisper స్పీచ్-రికగ్నిషన్ మోడల్‌ను నడుపుతుంది. ఆడియో డీకోడ్ చేయబడి, రీసాంపుల్ చేయబడి మీ స్వంత డివైజ్‌లో మోడల్‌కు ఇవ్వబడుతుంది — రికార్డింగ్ ఎప్పుడూ అప్‌లోడ్ చేయబడదు.

1. 1
   మీ ఫైల్ 16 kHz మోనోకు డీకోడ్ చేయబడుతుంది

   Whisper కేవలం ఒక ఫార్మాట్‌ను మాత్రమే అంగీకరిస్తుంది: సెకనుకు 16,000 శాంపిల్‌ల వద్ద సింగిల్-ఛానెల్ ఆడియో. బ్రౌజర్ ఆడియో ఇంజన్ మార్పిడిని స్వయంగా చేస్తుంది, ఇది చాలా సంగీతం మరియు వాయిస్ ఫైళ్లకు ఏ అదనపు డౌన్‌లోడ్ లేదని అర్థం. అసాధారణ వీడియో కంటైనర్‌లు బండిల్ చేసిన ffmpegకు తిరిగి వస్తాయి.
2. 2
   మోడల్ ఒకసారి డౌన్‌లోడ్ అవుతుంది, మరియు మీరు అడిగినప్పుడే

   స్పీచ్ మోడల్ సుమారు 81 MB (లేదా వేగవంతమైన, తక్కువ ఖచ్చితమైన ఆప్షన్ కోసం 45 MB). మీరు Load నొక్కిన తర్వాత మాత్రమే ఇది పొందబడుతుంది, తర్వాత కాష్ చేయబడుతుంది కాబట్టి తర్వాతి సందర్శనలు తక్షణమే మొదలవుతాయి. మీరు దాన్ని ఎప్పుడైనా మళ్లీ తీసివేయవచ్చు.
3. 3
   ఆడియో 30-సెకన్ల విండోలలో ట్రాన్స్‌క్రైబ్ చేయబడుతుంది

   Whisper ప్రతి వైపు 5 సెకన్ల ఓవర్‌ల్యాప్‌తో ఒకసారి 30 సెకన్లు చదువుతుంది, కాబట్టి ఒక హద్దును దాటే పదాలు కోల్పోవు. ఇది బ్యాక్‌గ్రౌండ్ థ్రెడ్‌లో నడుస్తుంది, అందుకే పేజీ ప్రతిస్పందనగా ఉంటుంది మరియు Cancel పనిచేస్తూనే ఉంటుంది.
4. 4
   టెక్స్ట్ చదవదగిన సబ్‌టైటిల్‌లుగా మారుతుంది

   రా అవుట్‌పుట్ విభజించబడి తిరిగి-టైమ్ చేయబడుతుంది కాబట్టి ఏ లైన్ 42 అక్షరాలను మించదు మరియు ఏదీ సెకనుకు 21 అక్షరాల కంటే వేగంగా పరుగెత్తదు — మా Subtitle Editor తనిఖీ చేసే అదే పరిమితులు. టైమింగ్‌లు ఎప్పుడూ ఆ లక్ష్యాలను చేరుకోవడానికి సాగదీయబడవు, ఎందుకంటే అది పదాలు ఎప్పుడు చెప్పబడ్డాయో తప్పుగా ప్రదర్శిస్తుంది.

సంబంధిత సాధనాలు