অডিও থেকে টেক্সট কনভার্টার
যেকোনো রেকর্ডিংকে কপি করার মতো টেক্সটে বদলে নিন, বোনাস হিসেবে টাইম করা সাবটাইটেলও।
ইন্টারভিউ, লেকচার, পডকাস্ট, মিটিং, ভয়েস নোট: ফাইলটা ছেড়ে দিন আর পুরো টেক্সট পেয়ে যান। সাথে টাইমস্ট্যাম্পও আসে, তাই SRT বা VTT সাবটাইটেলও সেভ করতে পারবেন।
ট্রান্সক্রিপশন চলে আপনার ব্রাউজারের ভেতরে Whisper দিয়ে, যেটা OpenAI-এর ওপেন স্পিচ রিকগনিশন মডেল। আপনার অডিও কখনো আপলোড হয় না: শুধু মডেলটা একবার ডাউনলোড হয়, তারপর আপনার ব্রাউজার সেটা রেখে দেয়, তাই পরের ফাইলগুলো সাথে সাথেই শুরু হয়।
স্পিচ মডেল: OpenAI-এর Whisper (MIT)। চলে Transformers.js দিয়ে (Apache-2.0)।
কীভাবে কাজ করে
- ফাইল ছেড়ে দিন অডিও বা ভিডিও: MP3, M4A, WAV, MP4, MOV, WebM, OGG এবং আরও।
- ভাষা বাছুন যে ভাষায় কথা বলা হচ্ছে। শব্দ বেশি এমন রেকর্ডিং বা ভারী উচ্চারণের জন্য আরও নির্ভুল বাছুন।
- ট্রান্সক্রাইব করে সেভ করুন টেক্সট কপি করুন, অথবা TXT, SRT বা VTT সাবটাইটেল হিসেবে সেভ করুন।
সাধারণ প্রশ্ন
এটা কতটা নির্ভুল?
স্পষ্ট কথায় Whisper সাধারণত 90 %-এর অনেক বেশি শব্দ ঠিক ধরে। ব্যাকগ্রাউন্ড মিউজিক, একসাথে কয়েকজনের কথা আর ভারী উচ্চারণে এটা কমে; সেখানে আরও নির্ভুল মডেলটা সাহায্য করে।
আমার রেকর্ডিং কি আপলোড হয়?
না। এটা আপনার ডিভাইসেই ট্রান্সক্রাইব হয়। শুধু স্পিচ মডেলটা ডাউনলোড হয়, আপনার অডিও কখনো নয়।
দৈর্ঘ্যের কোনো লিমিট আছে?
আমরা কোনো লিমিট রাখি না। লম্বা ফাইলে বেশি সময় লাগে: Chrome বা Edge সহ নতুন কম্পিউটারে এক ঘণ্টার অডিওতে প্রায় 10 মিনিট লাগে। ফোন আর পুরোনো কম্পিউটারে আরও ধীরে হয়।
কোন কোন ভাষা কাজ করে?
Whisper প্রায় 100টি ভাষা বোঝে, যেমন বাংলা, ইংরেজি, স্প্যানিশ, জার্মান, ফরাসি, পর্তুগিজ, হিন্দি, আরবি, জাপানি আর ইন্দোনেশিয়ান। বহুল প্রচলিত ভাষায় নির্ভুলতা সবচেয়ে ভালো।
এটা কি ফ্রি?
হ্যাঁ। অ্যাকাউন্ট লাগে না, মিনিটের লিমিট নেই, ওয়াটারমার্ক নেই।