آڈیو کو ٹیکسٹ میں کیسے بدلیں
مختصر جواب: آڈیو کو ٹیکسٹ میں بدلنے کے لیے اپنا آڈیو ڈالیں، ماڈل چنیں، زبان چنیں، Transcribe دبائیں اور ٹیکسٹ درست کر کے ڈاؤن لوڈ کریں۔
- اپنا آڈیو ڈالیں۔ کوئی آڈیو یا ویڈیو فائل ڈالیں (60 منٹ تک)، یا سیدھا مائیکروفون سے ریکارڈ کریں۔
- ماڈل چنیں۔ صاف آواز کے لیے Fast کافی ہے؛ زیادہ تر لوگوں کے لیے Better بہترین توازن ہے؛ مشکل ریکارڈنگز کے لیے Best، اگر بڑا ڈاؤن لوڈ برا نہ لگے۔
- زبان چنیں۔ Detect automatically پر رہنے دیں یا خود چنیں۔ اگر کسی اور زبان سے انگریزی ٹیکسٹ چاہیے تو Translate to English پر نشان لگائیں۔
- Transcribe دبائیں۔ پہلی بار ماڈل ڈاؤن لوڈ ہوتا ہے؛ اس کے بعد فوراً شروع ہو جاتا ہے۔ ہر حصہ مکمل ہوتے ہی لائنیں نظر آنے لگتی ہیں۔
- درست کریں اور ڈاؤن لوڈ کریں۔ کسی لفظ کو ٹھیک کرنے کے لیے لائن پر کلک کریں، پھر ٹیکسٹ کاپی کریں یا TXT، SRT یا VTT میں ڈاؤن لوڈ کریں۔
کیا یہ واقعی پرائیویٹ ہے؟
جی ہاں، اور آپ خود دیکھ سکتے ہیں۔ فائل آپ کا براؤزر کھولتا ہے اور Whisper ماڈل اس صفحے کے بیک گراؤنڈ ورکر میں آپ کے اپنے CPU یا GPU پر چلتا ہے۔ صفحے کی سیکیورٹی پالیسی اسے صرف ہماری اپنی سائٹ اور Hugging Face سے بات کرنے دیتی ہے، جہاں ماڈل کی فائلیں ہیں، اور وہ درخواستیں صرف ماڈل ڈاؤن لوڈ کرتی ہیں؛ دوسری طرف کچھ نہیں جاتا۔ ماڈل کیش ہونے کے بعد آپ وائی فائی بند بھی کر دیں تو یہ چلتا رہے گا۔
یہ کتنا درست ہے اور کتنا وقت لیتا ہے؟
Whisper پرسکون کمرے میں صاف آواز پر بہت اچھا ہے، اور میوزک، ایک ساتھ بولتے لوگوں، بھاری لہجے یا دور رکھے فون پر کمزور پڑ جاتا ہے۔ بڑے ماڈل ان سے بہتر نمٹتے ہیں۔ رفتار آپ کے آلے پر منحصر ہے: نئے لیپ ٹاپ پر WebGPU کے ساتھ ایک گھنٹے کا آڈیو چند منٹ لے سکتا ہے؛ پرانے فون کے CPU پر Fast ماڈل کے ساتھ تقریباً اتنا ہی وقت یا زیادہ لگے گا جتنا آڈیو لمبا ہے۔ لمبی فائلیں خاموش لمحوں پر 30 سیکنڈ کے حصوں میں کاٹی جاتی ہیں تاکہ الفاظ آدھے نہ کٹیں۔
اکثر پوچھے جانے والے سوالات
کیا میرا آڈیو کہیں اپ لوڈ ہوتا ہے؟
نہیں۔ آڈیو آپ کے آلے پر پروسیس ہوتا ہے اور کبھی آپ کے براؤزر سے باہر نہیں جاتا۔ واحد نیٹ ورک ٹریفک پہلی بار Hugging Face سے آواز کا ماڈل ڈاؤن لوڈ کرنا ہے؛ اس کے بعد وہ آپ کے براؤزر کی کیش سے آتا ہے۔
ڈاؤن لوڈ کتنا بڑا ہے؟
CPU پر Fast ماڈل تقریباً 40 MB، Better تقریباً 77 MB اور Best تقریباً 250 MB۔ GPU کے ساتھ فائلیں بڑی ہوتی ہیں (تقریباً 120–300 MB) کیونکہ GPU کو زیادہ درستگی والے ویٹس چاہیئں۔ ہر ماڈل صرف ایک بار ڈاؤن لوڈ ہوتا ہے۔
یہ کون سی زبانیں سمجھتا ہے؟
Whisper تقریباً 100 زبانیں سمجھتا ہے۔ فہرست میں 36 عام زبانیں ہیں، جن میں انگریزی، ہسپانوی، فرانسیسی، جرمن، عربی، اردو، ہندی، چینی اور جاپانی شامل ہیں، اور خودکار پہچان بھی ان کے لیے چلتی ہے۔ یہ ان میں سے کسی کا بھی انگریزی ترجمہ کر سکتا ہے۔
کیا میں ویڈیو کے سب ٹائٹل بنا سکتا ہوں؟
جی ہاں۔ ویڈیو فائل ہی ڈال دیں، ٹرانسکرائب کریں، الفاظ درست کریں، پھر SRT یا VTT ڈاؤن لوڈ کریں۔ زیادہ تر ویڈیو ایڈیٹر، یوٹیوب اور VLC دونوں لیتے ہیں۔
کیا لمبائی کی کوئی حد ہے؟
ہر فائل 60 منٹ اور 500 MB تک، کیونکہ پوری ریکارڈنگ کو براؤزر کی میموری میں سمانا ہوتا ہے۔ لمبی ریکارڈنگز کو پہلے ویڈیو ٹرم والے ٹول سے حصوں میں بانٹ لیں۔
میرے فون پر یہ سست کیوں ہے؟
WebGPU کے بغیر ماڈل CPU پر چلتا ہے، جو بہت سست ہے۔ Fast ماڈل چنیں، اسکرین آن رکھیں اور باقی ٹیب بند کریں۔ Chrome یا Edge والے لیپ ٹاپ پر یہ عام طور پر کہیں زیادہ تیز ہوتا ہے۔
کیا یہ مفت ہے؟
جی ہاں، مفت، بغیر سائن اپ، بغیر واٹرمارک اور منٹوں کی کوئی حد نہیں، کیونکہ کام آپ کا اپنا آلہ کرتا ہے۔