مفت آڈیو سے متن

یہ کیسے کام کرتا ہے

ٹرانسکرپشن ایک Whisper اسپیچ ریکگنیشن ماڈل براہ راست آپ کے براؤزر میں چلاتی ہے۔ آڈیو آپ کے اپنے آلے پر ڈی کوڈ، ری سیمپل اور ماڈل کو دی جاتی ہے — ریکارڈنگ کبھی اپ لوڈ نہیں ہوتی۔

1. 1
   آپ کی فائل 16 kHz مونو میں ڈی کوڈ کی جاتی ہے

   Whisper صرف ایک فارمیٹ قبول کرتا ہے: 16,000 نمونے فی سیکنڈ پر سنگل چینل آڈیو۔ براؤزر کا آڈیو انجن یہ تبدیلی خود کرتا ہے، جس کا مطلب زیادہ تر موسیقی اور آواز کی فائلوں کے لیے کوئی اضافی ڈاؤن لوڈ نہیں۔ غیر معمولی ویڈیو کنٹینرز کے لیے شامل کردہ ffmpeg استعمال ہوتا ہے۔
2. 2
   ماڈل ایک بار ڈاؤن لوڈ ہوتا ہے، اور صرف جب آپ کہیں

   اسپیچ ماڈل تقریباً 81 MB کا ہے (یا تیز مگر کم درست آپشن کے لیے 45 MB)، اور اسے چلانے والا انجن تقریباً 27 MB مزید جوڑتا ہے۔ یہ صرف لوڈ دبانے کے بعد حاصل کیا جاتا ہے، پھر کیش ہو جاتا ہے تاکہ آئندہ وزٹس فوراً شروع ہوں۔ آپ اسے کسی بھی وقت ہٹا سکتے ہیں۔
3. 3
   آڈیو 30 سیکنڈ کی ونڈوز میں ٹرانسکرائب کی جاتی ہے

   Whisper ایک وقت میں 30 سیکنڈ پڑھتا ہے اور ہر طرف 5 سیکنڈ اوورلیپ رکھتا ہے، تاکہ حد پر آنے والے الفاظ ضائع نہ ہوں۔ یہ پس منظر کے تھریڈ میں چلتا ہے، اسی لیے صفحہ جوابدہ رہتا ہے اور منسوخ کریں کام کرتا رہتا ہے۔
4. 4
   متن پڑھنے کے قابل سب ٹائٹلز بن جاتا ہے

   خام آؤٹ پٹ کو تقسیم اور دوبارہ وقت دیا جاتا ہے تاکہ کوئی سطر 42 حروف سے تجاوز نہ کرے اور کچھ بھی 21 حروف فی سیکنڈ سے تیز نہ گزرے — وہی حدود جن پر ہمارا سب ٹائٹل ایڈیٹر جانچتا ہے۔ اوقات کو ان اہداف تک پہنچانے کے لیے کبھی کھینچا نہیں جاتا، کیونکہ اس سے الفاظ کہے جانے کے وقت کی غلط نمائندگی ہوگی۔

متعلقہ ٹولز