ऑडियो को टेक्स्ट 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।
यह पेज आवाज़ को सादे पाठ में बदलता है — बिना समय, बिना cue, बिना सबटाइटल ढाँचे के। नतीजा .transcript.txt जैसी एक पाठ फ़ाइल है जिसमें भाषण बहते अनुच्छेदों के रूप में आता है, और जिसे आप किसी दस्तावेज़, नोट्स या लेख में सीधे चिपका सकते हैं। यह उस पेज से अलग है जो आवाज़ से समय-सहित सबटाइटल बनाता है; यहाँ सवाल यह नहीं कि कौन-सी बात कब कही गई, बल्कि यह कि क्या कहा गया।
पाठ को बहने देने के लिए पेज छोटे ठहरावों पर वाक्य जोड़ता है: अगर दो बोले हुए हिस्सों के बीच 1.5 सेकंड से ज़्यादा खामोशी है, या एक अनुच्छेद में चार वाक्य हो चुके हैं, तो नया अनुच्छेद खुलता है। इससे नतीजा स्क्रीन के लिए टूटी पंक्तियों की सूची नहीं, बल्कि पढ़ने योग्य गद्य बनता है। निकलने वाली हर पंक्ति अभी भी पहचान का नतीजा है, इसलिए प्रूफ़रीडिंग ज़रूरी है।
ऑडियो 30 सेकंड के खंडों में पढ़ा जाता है और दोनों मॉडल उपलब्ध हैं: छोटा लगभग 45 MB और बड़ा लगभग 81 MB, पहली बार काम शुरू करने पर डाउनलोड। छोटा साफ़ आवाज़ के लिए तेज़ है, बड़ा भीड़ और शोर में बेहतर। सारा काम ब्राउज़र में होता है — आवाज़ नहीं जाती, पाठ यहीं बनता है, और जिन खंडों में कोई भाषण नहीं मिलता वे गिने जाते हैं बजाय इसके कि उनके लिए शब्द गढ़े जाएँ।
अक्सर पूछे जाने वाले सवाल
आवाज़ से सादा ट्रांसक्रिप्ट कैसे बनता है?
ऑडियो 16 kHz मोनो में डिकोड होकर स्थानीय Whisper मॉडल को दिया जाता है, और निकला पाठ बहते अनुच्छेदों में बाँटा जाता है। अनुच्छेद सीमाएँ ठहराव और वाक्य-संख्या से तय होती हैं, और नतीजा समय-रहित .txt फ़ाइल होती है। इसमें कोई cue संरचना या टाइमकोड नहीं होता, क्योंकि यह पढ़ने के लिए पाठ है, वीडियो पर दिखाने के लिए सबटाइटल नहीं।
यह export/transcript वाले पेज से कैसे अलग है?
इनपुट से। वहाँ आप पहले से लिखा सबटाइटल देते हैं और पेज उसे गद्य में बदलता है — हर शब्द स्रोत में पहले से मौजूद है। यहाँ आप आवाज़ देते हैं और मॉडल पाठ लिखता है, इसलिए नतीजा पहचान है और उसमें ग़लती संभव है। एक रूप बदलता है, दूसरा सामग्री बनाता है; दोनों को एक ही समझना ग़लत अपेक्षा बनाता है।
अनुच्छेद कहाँ टूटते हैं?
जब दो बोले हुए हिस्सों के बीच 1.5 सेकंड से ज़्यादा खामोशी हो, या जब एक अनुच्छेद में चार वाक्य पूरे हो जाएँ। इन दोनों में से जो पहले आए, वहीं नया अनुच्छेद खुलता है। इससे लंबी बोली भी पढ़ने योग्य टुकड़ों में बँटती है, और छोटे ठहराव पाठ को बेवजह नहीं तोड़ते।
क्या निकला पाठ सही-सही होगा?
हर शब्द की गारंटी नहीं। भाषण-पहचान अनुमान है, इसलिए नाम, संख्याएँ, तकनीकी शब्द और विराम-चिह्न ग़लत हो सकते हैं। इसे पहला मसौदा मानें और प्रूफ़रीड करके सुधारें। जिन खंडों में कोई भाषण नहीं मिलता वे गिने जाते हैं, ताकि आपको पता रहे कि कहाँ कुछ छूटा — पेज उनकी जगह मनगढ़ंत वाक्य नहीं लिखता।
कौन-सा मॉडल चुनूँ और फ़ाइल कब आती है?
साफ़ आवाज़ और गति चाहिए तो छोटा मॉडल (लगभग 45 MB); भीड़, शोर या कठिन लहजे हैं तो बड़ा (लगभग 81 MB)। चुना मॉडल पहली बार काम शुरू करने पर डाउनलोड होता है, पेज खुलने पर नहीं, और उसके बाद ब्राउज़र में सहेजा रहता है। इसलिए बाद के उपयोग बिना नेटवर्क के भी चल सकते हैं।