यह क्या करता है
यह स्पीच टू टेक्स्ट टूल किसी ऑडियो या वीडियो फ़ाइल को लिखित ट्रांसक्रिप्ट या SRT या VTT सबटाइटल में बदलता है, बिना कुछ अपलोड किए। यह OpenAI का Whisper स्पीच रिकग्निशन मॉडल सीधे आपके ब्राउज़र में चलाता है, ताकि आप इंटरव्यू, मीटिंग, लेक्चर, वॉइस मेमो और पॉडकास्ट को निजी तौर पर और मुफ़्त में ट्रांसक्राइब कर सकें। Whisper दूसरी भाषाओं की बोली को सीधे अंग्रेज़ी टेक्स्ट में अनुवाद भी कर सकता है।
फ़ाइल चुनने पर पेज ब्राउज़र के Web Audio API से उसका ऑडियो ट्रैक डीकोड करता है, उसे 16 kHz मोनो (Whisper का अपेक्षित फ़ॉर्मैट) में रीसैंपल करता है, और बैकग्राउंड वर्कर में थोड़े ओवरलैप वाली 30 सेकंड की विंडो में ट्रांसक्राइब करता है, इसलिए लंबी रिकॉर्डिंग भी चलती हैं। नतीजा आउटपुट बॉक्स में दिखता है, जिसे कॉपी कर सकते हैं या .txt, .srt या .vtt के रूप में डाउनलोड कर सकते हैं।
इस्तेमाल कैसे करें
- मॉडल चुनें: Tiny सबसे तेज़ है, Small सबसे सटीक, और Base (डिफ़ॉल्ट) अच्छा संतुलन है।
- मॉडल डाउनलोड करें और शुरू करें दबाएँ। पहली बार मॉडल प्रोग्रेस बार के साथ डाउनलोड होता है; उसके बाद ब्राउज़र उसे कैश से पल भर में लोड कर लेता है।
- ऑडियो या वीडियो फ़ाइल पेज पर छोड़ें या फ़ाइल चुनें दबाएँ। ज़्यादातर ब्राउज़रों में MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM और MP4 चलते हैं, 500 MB तक। फ़ाइल का नाम, अवधि और आकार दिखाया जाता है।
- ट्रांसक्रिप्शन अपने-आप शुरू होता है और बताता है कि कितने हिस्से पूरे हुए। भाषा या काम बदलने के बाद फिर से ट्रांसक्राइब करें दबाएँ।
- आउटपुट फ़ॉर्मैट को किसी भी समय टेक्स्ट, SRT और VTT के बीच बदलें, दोबारा ट्रांसक्राइब करने की ज़रूरत नहीं। फिर कॉपी या डाउनलोड करें।
बोली की भाषा पहले 30 सेकंड से अपने-आप पहचानी जाती है। खुद चुनना तेज़ है और छोटी क्लिप में गलती से बचाता है। दूसरी भाषा की बोली से अंग्रेज़ी टेक्स्ट पाने के लिए अंग्रेज़ी में अनुवाद करें चुनें। मॉडल, भाषा, काम और फ़ॉर्मैट पेज के पते में सेव होते हैं, इसलिए शेयर बटन उन्हीं सेटिंग्स का लिंक देता है; आपकी फ़ाइल कभी लिंक का हिस्सा नहीं बनती।
उदाहरण
दो वाक्यों की क्लिप SRT में निर्यात करने पर ऐसी दिखती है:
1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.
2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.VTT में वही हिस्से होते हैं, साथ में WEBVTT हेडर और मिलीसेकंड से पहले डॉट; यही फ़ॉर्मैट HTML5 वीडियो प्लेयर पढ़ते हैं।
गोपनीयता, सटीकता और ज़रूरतें
मॉडल डाउनलोड होने के बाद सब कुछ आपके डिवाइस पर होता है, इसलिए यह टूल गोपनीय रिकॉर्डिंग के लिए भी ठीक है। इसके लिए WebAssembly वाला नया Chrome, Edge, Firefox या Safari चाहिए। जहाँ WebGPU उपलब्ध है (ज़्यादातर डेस्कटॉप पर Chrome और Edge), वहाँ यह अपने-आप इस्तेमाल होता है और काफ़ी तेज़ है; वरना टूल WebAssembly पर चलता है। लंबी फ़ाइलों को मेमोरी चाहिए: एक घंटे का ऑडियो डीकोड होने के बाद कुछ सौ मेगाबाइट लेता है, और Small को Tiny या Base से ज़्यादा मेमोरी चाहिए, इसलिए फ़ोन पर दूसरे भारी टैब बंद कर दें। काम पूरा होने तक टैब खुला रखें।
Whisper साफ़ बोली में अच्छा है और लहजे व बैकग्राउंड शोर को काफ़ी हद तक संभाल लेता है, लेकिन नाम और तकनीकी शब्द गलत सुन सकता है, और खामोशी या संगीत पर कभी-कभी कोई वाक्य दोहराता या गढ़ लेता है। प्रकाशित करने से पहले ट्रांसक्रिप्ट जाँच लें। टूल बोलने वालों की पहचान नहीं करता, और वीडियो तभी ट्रांसक्राइब होते हैं जब आपका ब्राउज़र उनका ऑडियो कोडेक डीकोड कर सके।
अक्सर पूछे जाने वाले सवाल
› क्या मेरा ऑडियो किसी सर्वर पर अपलोड होता है?
नहीं। फ़ाइल ब्राउज़र के अंदर ही डीकोड और ट्रांसक्राइब होती है। एकमात्र नेटवर्क अनुरोध Hugging Face से Whisper मॉडल फ़ाइलों का एक बार का डाउनलोड है; आपका ऑडियो, वीडियो और ट्रांसक्रिप्ट कभी डिवाइस से बाहर नहीं जाते।
› कौन सा मॉडल इस्तेमाल होता है और उसका लाइसेंस क्या है?
OpenAI Whisper (tiny, base या small), onnx-community द्वारा Hugging Face पर प्रकाशित ONNX संस्करणों में, Apache-2.0 लाइसेंस वाली transformers.js लाइब्रेरी से चलता है। OpenAI ने Whisper का कोड और वेट्स MIT लाइसेंस के तहत जारी किए हैं।
› डाउनलोड कितना बड़ा है और कितना समय लगता है?
Tiny के लिए लगभग 40 MB, Base के लिए 80 MB और Small के लिए 250 MB (WebGPU पर थोड़ा ज़्यादा, क्योंकि वहाँ एनकोडर पूरी प्रिसिज़न में चलता है)। यह एक बार डाउनलोड होता है और फिर ब्राउज़र कैश में रहता है। गति डिवाइस पर निर्भर है: WebGPU के साथ Base आम तौर पर वास्तविक समय से कई गुना तेज़ चलता है; WebAssembly पर यह वास्तविक समय के क़रीब हो सकता है।
› कौन सी भाषाएँ सपोर्ट होती हैं?
Whisper लगभग 99 भाषाएँ पहचानता है, और सूची में सबसे आम भाषाएँ हैं, जैसे हिन्दी, अंग्रेज़ी, बांग्ला, उर्दू, तमिल, चीनी और स्पैनिश। अंग्रेज़ी और ज़्यादा बोली जाने वाली भाषाओं में सटीकता सबसे अच्छी होती है और कम आम भाषाओं में घटती है, ख़ासकर Tiny और Base में। अपने-आप पहचान पहले 30 सेकंड सुनती है; अगर रिकॉर्डिंग संगीत या किसी दूसरी भाषा से शुरू होती है तो भाषा खुद चुनें।
› क्या यह सबटाइटल बना सकता है या बोलने वालों को अलग पहचान सकता है?
यह हर हिस्से के टाइमस्टैम्प के साथ SRT और WebVTT सबटाइटल बनाता है, जिन्हें आप YouTube, VLC या वीडियो एडिटर में लोड कर सकते हैं। यह बोलने वालों को अलग नहीं पहचानता, और टाइमस्टैम्प शब्द नहीं बल्कि वाक्यांश स्तर पर होते हैं।