ऑडियो को सबटाइटल में ट्रांसक्राइब करें
पहले चलाने पर भाषण मॉडल डाउनलोड होता है — तेज़ स्तर के लिए लगभग 45 MB, सटीक के लिए 81 MB, यह साइट परोसती है और ब्राउज़र उसे बाद में कैश कर लेता है। कुछ भी अपलोड नहीं होता, और ट्रांसक्रिप्ट मशीन से बना है: प्रकाशित करने से पहले शब्दों और टाइमिंग को प्रूफ़रीड करें।
विकल्प
एक ही मॉडल के दो स्तर। तेज़ वाला लगभग 45 MB है और करीब दोगुनी तेज़ी से ट्रांसक्राइब करता है; सटीक वाला लगभग 81 MB है और बड़े अक्षर तथा विराम चिह्न ज़्यादा सही लगाता है। दोनों यहीं चलते हैं, और डाउनलोड प्रति ब्राउज़र एक बार होता है। लंबी रिकॉर्डिंग पर पहले तेज़ स्तर आज़माएँ ताकि भाषा सही है यह जाँच सकें।
रिकॉर्डिंग में जो भाषा बोली जा रही है। कोई स्वचालित विकल्प नहीं: मॉडल का यह बिल्ड भाषा नहीं पहचानता, और कुछ न चुनने पर वह अंग्रेज़ी मान लेता है। चीनी रिकॉर्डिंग अंग्रेज़ी के रूप में पढ़ी जाए तो विफल नहीं होती — वह धाराप्रवाह दिखने वाला बेतुकापन पैदा करती है, जिसे पकड़ना कहीं ज़्यादा कठिन है। जो भाषा आप दरअसल सुनते हैं वही चुनें।
.srt हर जगह चलती है, पुराने एडिटर और टीवी सेट सहित; .vtt वेब फ़ॉर्मैट है और थोड़ी ज़्यादा संरचना ले जाता है। दोनों बिल्कुल वही क्यू बिल्कुल वही टाइमिंग के साथ रखते हैं, इसलिए वही चुनें जिसकी अपेक्षा आपकी श्रृंखला का अगला टूल करता है।
यह पेज किसी भी आवाज़ — रिकॉर्डिंग, पॉडकास्ट, या वीडियो की ध्वनि — को समय-सहित सबटाइटल में बदलता है। पहले ऑडियो को 16 kHz मोनो में डिकोड किया जाता है, फिर स्थानीय Whisper मॉडल उसे पाठ में बदलता है और पेज उस पाठ को साफ़ cue में बाँटता है। नतीजा .srt या .vtt है, यानी वह फ़ाइल जिसे आप वीडियो प्लेयर में सीधे जोड़ सकते हैं। सारा काम ब्राउज़र में होता है, आवाज़ कहीं अपलोड नहीं होती।
लंबी रिकॉर्डिंग के लिए पेज ऑडियो को 30 सेकंड के खंडों में काटता है और हर खंड को 5 सेकंड के ओवरलैप के साथ पढ़ता है, ताकि किसी शब्द का कटा हुआ सिरा अगले खंड में पूरा मिल जाए। दो मॉडल उपलब्ध हैं: छोटा लगभग 45 MB और बड़ा लगभग 81 MB। छोटा तेज़ है और साफ़ आवाज़ पर ठीक चलता है; बड़ा धीमा है पर भीड़ और शोर में बेहतर। पहली बार चुना मॉडल डाउनलोड होता है और फिर ब्राउज़र में सहेजा रहता है।
एक बात साफ़ कहनी चाहिए: यह पहचान है, प्रतिलिपि नहीं। नाम, संख्याएँ, तकनीकी शब्द और लहजे की सीमाएँ हर भाषण-पहचान पर लागू होती हैं, इसलिए निकली सबटाइटल को प्रूफ़रीड करें और जो शब्द ग़लत पकड़े गए उन्हें ठीक करें। जिन खंडों में कोई आवाज़ नहीं मिलती वे गिने जाते हैं, चुपचाप गढ़े हुए शब्द नहीं बनाए जाते। रोकने पर काम अगले 30-सेकंड खंड से पहले रुकता है, क्योंकि मॉडल की एक बार की गणना बीच में नहीं काटी जा सकती।
अक्सर पूछे जाने वाले सवाल
आवाज़ से समय-सहित सबटाइटल कैसे बनते हैं?
पहले ऑडियो 16 kHz मोनो में डिकोड होता है, फिर स्थानीय Whisper मॉडल उसे पाठ में बदलता है और पेज उस पाठ को वाक्य-सीमाओं पर साफ़ cue में बाँटता है। हर cue के साथ उसका शुरू और अंत समय आता है, इसलिए नतीजा .srt या .vtt के रूप में सीधे वीडियो प्लेयर में जोड़ा जा सकता है। पूरा काम ब्राउज़र में होता है।
दोनों मॉडल में क्या फ़र्क़ है?
छोटा मॉडल लगभग 45 MB है, तेज़ चलता है और साफ़, सीधी आवाज़ पर अच्छा नतीजा देता है। बड़ा लगभग 81 MB है, धीमा चलता है पर भीड़, शोर और उच्चारण की विविधता में बेहतर पकड़ रखता है। दोनों में से कोई भी सही-सही पहचान की गारंटी नहीं देता; चुनाव गुणवत्ता और गति के बीच है। एक बार में एक ही मॉडल भार में रहता है।
निकला पाठ पूरी तरह सही होगा?
नहीं। भाषण-पहचान अनुमान है, इसलिए नाम, संख्याएँ, तकनीकी शब्द और विराम-चिह्न ग़लत हो सकते हैं, और कठिन लहजे में ग़लती ज़्यादा होती है। नतीजे को प्रूफ़रीड करके ही इस्तेमाल करें। पेज जिन वाक्यांशों को पकड़ नहीं पाया उन्हें गिनता है, लेकिन यह उनकी जगह कोई मनगढ़ंत पाठ नहीं लिखता।
लंबी रिकॉर्डिंग कैसे संभाली जाती है?
ऑडियो 30 सेकंड के खंडों में काटा जाता है और हर खंड 5 सेकंड के ओवरलैप के साथ पढ़ा जाता है, ताकि किसी शब्द का कटा हुआ सिरा अगले खंड में पूरा मिल जाए। खंडों के समय को क्रम से जोड़कर हर cue का सही क्षण बनता है। यह बँटवारा इसलिए भी ज़रूरी है कि रोकने पर काम अगले खंड से पहले रुक सके।
रोकना कब असर करता है?
अगले 30-सेकंड खंड से पहले। मॉडल की एक बार की गणना बीच में नहीं काटी जा सकती, इसलिए पेज हर खंड के बाद रुकने का संकेत देखता है। इसका मतलब है कि रोकने पर थोड़ा इंतज़ार हो सकता है, पर काम बिना अटके बंद हो जाता है और कोई चीज़ पीछे नहीं छूटती। मॉडल का डाउनलोड अलग चरण है और वह अपने संकेत से तुरंत रुकता है।
क्या ऑडियो या निकला पाठ अपलोड होता है?
नहीं। ऑडियो इस टैब में डिकोड होता है, मॉडल स्थानीय रूप से चलता है और नतीजा यहीं बनता है। नेटवर्क पर सिर्फ़ मॉडल का डाउनलोड दिख सकता है — पहली बार 45 या 81 MB — कभी आपकी आवाज़ नहीं। इसलिए यह उन रिकॉर्डिंग्स के लिए भी काम करता है जिन्हें बाहर भेजना अनुमत नहीं है।