ऑडियो को टेक्स्ट में कैसे बदलें
छोटा जवाब: ऑडियो को टेक्स्ट में बदलने के लिए अपना ऑडियो डालें, मॉडल चुनें, भाषा चुनें, Transcribe दबाएँ और टेक्स्ट ठीक करके डाउनलोड करें।
- अपना ऑडियो डालें। कोई ऑडियो या वीडियो फ़ाइल डालें (60 मिनट तक), या सीधे माइक्रोफ़ोन से रिकॉर्ड करें।
- मॉडल चुनें। साफ़ आवाज़ के लिए Fast काफ़ी है; ज़्यादातर लोगों के लिए Better सबसे सही संतुलन है; मुश्किल रिकॉर्डिंग के लिए Best, अगर बड़ा डाउनलोड बुरा न लगे।
- भाषा चुनें। Detect automatically पर रहने दें या ख़ुद चुनें। अगर किसी और भाषा से अंग्रेज़ी टेक्स्ट चाहिए तो Translate to English पर टिक करें।
- Transcribe दबाएँ। पहली बार मॉडल डाउनलोड होता है; उसके बाद तुरंत शुरू हो जाता है। हर हिस्सा पूरा होते ही लाइनें दिखने लगती हैं।
- ठीक करें और डाउनलोड करें। किसी शब्द को ठीक करने के लिए लाइन पर क्लिक करें, फिर टेक्स्ट कॉपी करें या TXT, SRT या VTT में डाउनलोड करें।
क्या यह सच में प्राइवेट है?
हाँ, और आप ख़ुद देख सकते हैं। फ़ाइल आपका ब्राउज़र खोलता है और Whisper मॉडल इस पेज के बैकग्राउंड वर्कर में आपके अपने CPU या GPU पर चलता है। पेज की सिक्योरिटी पॉलिसी उसे सिर्फ़ हमारी अपनी साइट और Hugging Face से बात करने देती है, जहाँ मॉडल की फ़ाइलें हैं, और वे रिक्वेस्ट सिर्फ़ मॉडल डाउनलोड करती हैं; दूसरी तरफ़ कुछ नहीं जाता। मॉडल कैश होने के बाद आप वाई-फ़ाई बंद भी कर दें तो यह चलता रहेगा।
यह कितना सटीक है और कितना समय लेता है?
Whisper शांत कमरे में साफ़ आवाज़ पर बहुत अच्छा है, और म्यूज़िक, एक साथ बोलते लोगों, भारी लहजे या दूर रखे फ़ोन पर कमज़ोर पड़ता है। बड़े मॉडल इन्हें बेहतर संभालते हैं। स्पीड आपके डिवाइस पर निर्भर है: नए लैपटॉप पर WebGPU के साथ एक घंटे का ऑडियो कुछ मिनट ले सकता है; पुराने फ़ोन के CPU पर Fast मॉडल के साथ लगभग उतना ही समय या ज़्यादा लगेगा जितना ऑडियो लंबा है। लंबी फ़ाइलें चुप्पी वाली जगहों पर 30 सेकंड के हिस्सों में काटी जाती हैं ताकि शब्द आधे न कटें।
अक्सर पूछे जाने वाले सवाल
क्या मेरा ऑडियो कहीं अपलोड होता है?
नहीं। ऑडियो आपके डिवाइस पर प्रोसेस होता है और कभी आपके ब्राउज़र से बाहर नहीं जाता। अकेला नेटवर्क ट्रैफ़िक पहली बार Hugging Face से आवाज़ का मॉडल डाउनलोड करना है; उसके बाद वह आपके ब्राउज़र के कैश से आता है।
डाउनलोड कितना बड़ा है?
CPU पर Fast मॉडल करीब 40 MB, Better करीब 77 MB और Best करीब 250 MB। GPU के साथ फ़ाइलें बड़ी होती हैं (करीब 120–300 MB) क्योंकि GPU को ज़्यादा सटीक वेट चाहिए। हर मॉडल सिर्फ़ एक बार डाउनलोड होता है।
यह कौन-सी भाषाएँ समझता है?
Whisper करीब 100 भाषाएँ समझता है। सूची में 36 आम भाषाएँ हैं, जिनमें अंग्रेज़ी, स्पेनिश, फ़्रेंच, जर्मन, अरबी, उर्दू, हिंदी, चीनी और जापानी शामिल हैं, और अपने-आप पहचान भी इनके लिए चलती है। यह इनमें से किसी का भी अंग्रेज़ी अनुवाद कर सकता है।
क्या मैं वीडियो के सबटाइटल बना सकता हूँ?
हाँ। वीडियो फ़ाइल ही डाल दें, ट्रांसक्राइब करें, शब्द ठीक करें, फिर SRT या VTT डाउनलोड करें। ज़्यादातर वीडियो एडिटर, YouTube और VLC दोनों लेते हैं।
क्या लंबाई की कोई सीमा है?
हर फ़ाइल 60 मिनट और 500 MB तक, क्योंकि पूरी रिकॉर्डिंग को ब्राउज़र की मेमोरी में समाना होता है। लंबी रिकॉर्डिंग को पहले वीडियो ट्रिम वाले टूल से हिस्सों में बाँट लें।
मेरे फ़ोन पर यह धीमा क्यों है?
WebGPU के बिना मॉडल CPU पर चलता है, जो बहुत धीमा है। Fast मॉडल चुनें, स्क्रीन ऑन रखें और बाकी टैब बंद करें। Chrome या Edge वाले लैपटॉप पर यह आम तौर पर कहीं ज़्यादा तेज़ होता है।
क्या यह मुफ़्त है?
हाँ, मुफ़्त, बिना साइन-अप, बिना वॉटरमार्क और मिनटों की कोई सीमा नहीं, क्योंकि काम आपका अपना डिवाइस करता है।