आवाज़ से टेक्स्ट

इस पेज पर आवाज़ टेक्स्ट में कैसे बदलती है

आपका ब्राउज़र माइक्रोफ़ोन रिकॉर्डिंग को Opus ऑडियो (Chrome, Firefox, Edge) या AAC (Safari) के रूप में रिकॉर्ड करता है और उसे मेमोरी में रखता है। पुष्टि करने पर, फ़ाइल HTTPS के माध्यम से हमारे किसी ट्रांसक्रिप्शन सर्वर पर अपलोड कर दी जाती है।

वहाँ, ffmpeg ऑडियो को डिकोड करता है और Whisper – एक ओपन-सोर्स स्पीच रिकग्निशन मॉडल – विराम चिह्नों और वाक्य विभाजनों सहित, उसे एक ही चरण में टेक्स्ट में बदल देता है। यदि स्पीकर पहचान चालू है, तो एक डायरीकरण मॉडल पहले ऑडियो को वक्ताओं के अनुसार विभाजित करता है और ट्रांसक्रिप्ट को उसी के अनुसार एनोटेट किया जाता है।

ट्रांसक्रिप्ट को सामान्य विराम चिह्नों और पैराग्राफ ब्रेक के साथ एक साधारण UTF 8 टेक्स्ट फ़ाइल के रूप में सहेजा जाता है, इसलिए यह किसी भी एडिटर, वर्ड प्रोसेसर या नोट ऐप में खुल जाता है और इसे कहीं भी पेस्ट किया जा सकता है। परिणाम पेज से आप इसे डाउनलोड कर सकते हैं; इसके बाद ऑडियो और ट्रांसक्रिप्ट अपने-आप हटा दिए जाते हैं।

रिकॉर्डिंग के ऐसे सुझाव जो किसी भी सेटिंग से अधिक महत्वपूर्ण हैं

वाक् पहचान की गुणवत्ता ऑडियो पर निर्भर करती है। तीन बातें सबसे अधिक अंतर पैदा करती हैं: दूरी, शोर और एक-दूसरे के ऊपर बोलना। माइक्रोफ़ोन को अपने मुंह से 10–20 cm की दूरी पर रखें; पास रखे फोन से रिकॉर्डिंग करना, मेज के दूसरी ओर रखे लैपटॉप से बेहतर होता है। पंखे बंद करें, खिड़की बंद करें और अधिक गूंज वाले कमरों से बचें।

सामान्य गति से बोलें और वाक्य पूरे करें – मॉडल संदर्भ का उपयोग करता है, इसलिए अधूरे वाक्य और अनावश्यक शब्दों से, थोड़ा धीमे लेकिन पूरे बोलने की तुलना में खराब टेक्स्ट बनता है। इंटरव्यू के लिए लोगों से एक-दूसरे के ऊपर न बोलने के लिए कहें; एक साथ बोलना किसी भी वाक् पहचान प्रणाली के लिए सबसे कठिन स्थिति होती है।

शुरू करने से पहले प्रीव्यू सुनें। यदि स्तर मीटर मुश्किल से हिलता है या लगातार पूरी ऊंचाई पर रहता है, तो ट्रांसक्रिप्ट सही आने की उम्मीद करने के बजाय दोबारा रिकॉर्ड करें।

आवाज़ को टेक्स्ट में बदलने के सामान्य उपयोग

यह टूल उन लोगों के लिए है जो टाइप करने के बजाय बोलना पसंद करते हैं या जिन्हें चैट ऐप के बाहर वॉइस मैसेज की आवश्यकता होती है: बोलकर ई-मेल या लेख का मसौदा तैयार करना, मीटिंग के मिनट्स रिकॉर्ड करना, लेक्चर या वॉइस मेमो को खोजने योग्य नोट्स में बदलना, शोध के लिए इंटरव्यू के जवाबों को ट्रांसक्राइब करना, और ऐसे वॉइस मैसेज का पढ़ने योग्य संस्करण पाना जिसे अभी चलाया नहीं जा सकता।

Whisper भाषा को अपने आप पहचान लेता है, इसलिए यह पेज बिना किसी सेटिंग के जर्मन डिक्टेशन, स्पैनिश वॉइस नोट या अंग्रेज़ी लेक्चर के लिए काम करता है। ट्रांसक्रिप्ट का अनुवाद नहीं किया जाता – इसे उसी भाषा में लिखा जाता है जो बोली गई थी।

जो ऑडियो पहले से फ़ाइल के रूप में मौजूद है – जैसे पॉडकास्ट, लेक्चर या कॉल – उसके लिए इस साइट के ऑडियो-से-टेक्स्ट और MP3 से-टेक्स्ट कन्वर्टर समान विकल्पों के साथ उसी इंजन का उपयोग करते हैं।

यह टूल क्या नहीं करता है

यह अनुवाद नहीं करता: ट्रांसक्रिप्ट रिकॉर्डिंग में बोली गई भाषा में होते हैं। यह उपशीर्षक समय-निर्धारण भी नहीं बनाता—SRT या VTT फ़ाइलों के लिए इस साइट के उपशीर्षक कन्वर्टर का उपयोग करें। स्पीकर डिटेक्शन चालू होने पर यह वक्ताओं के नाम नहीं पहचानता, केवल वक्ता बदलने का पता लगाता है। और यह रिकॉर्डिंग में सुनाई न देने वाले शब्दों को पुनर्प्राप्त नहीं कर सकता।

व्यक्तियों के नाम, उत्पादों के नाम और दुर्लभ संक्षिप्त रूप सबसे आम त्रुटियाँ होते हैं; इन्हें ध्यान में रखकर परिणाम को एक बार जल्दी से पढ़ लेना आमतौर पर साफ़ रिकॉर्डिंग के लिए आवश्यक एकमात्र संपादन होता है।