অডিও থেকে লেখা

না। কথা চেনার মডেল আপনার ব্রাউজারের ভেতরেই চলে, ব্রাউজার WebGPU সমর্থন করলে গ্রাফিক্স কার্ডে, নইলে প্রসেসরে। রেকর্ডিং কখনো ডিভাইসের বাইরে যায় না। শুধু মডেল ফাইল, যাতে কোনো ব্যক্তিগত তথ্য নেই, Hugging Face থেকে একবার ডাউনলোড হয় এবং ব্রাউজারে থেকে যায়।

ইংরেজিতে পরিষ্কার কথায় সব মডেলেই ভালো ফল আসে, আর “নির্ভুল” যতিচিহ্নও ভালো বসায়। বাংলা আলাদা। সাধারণ মডেলগুলো বাংলায় দুর্বল: “দ্রুত” শব্দগুলো ইংরেজি হরফে বা ভুল লিপিতে লেখে, আর “নির্ভুল” ও “সেরা” প্রায়ই ভুল বা বারবার একই শব্দ দেয়। বাংলার জন্য “শুধু বাংলা” মডেল বাছুন। মানুষের পড়া একটি সংবাদে আমাদের পরীক্ষায় লেখাটি পড়ার মতো এবং বেশিরভাগ ঠিক ছিল, তবে নাম, বিরল শব্দ ও লম্বা যৌগিক শব্দে ভুল হয়েছে, আর মাঝে মাঝে বাক্যাংশের শেষের কয়েকটি শব্দ এলোমেলো হয়েছে। বাংলা লেখাকে খসড়া ধরে রেকর্ডিংর সঙ্গে মিলিয়ে পড়ুন। ব্যাকগ্রাউন্ডের আওয়াজ, গান, জোরালো উচ্চারণের টান এবং একসঙ্গে অনেকের কথা বললে সব ভাষাতেই নির্ভুলতা কমে।

এটি OpenAI Whisper মডেল ব্যবহার করে, MIT লাইসেন্সে প্রকাশিত, যাতে বাণিজ্যিক ব্যবহার চলে। আপনার বানানো লেখা ও সাবটাইটেল আপনারই।

আমাদের দিক থেকে কোনো সীমা নেই। সীমা শুধু আপনার ডিভাইসের: লম্বা রেকর্ডিংয়ে বেশি সময় ও বেশি মেমরি লাগে। গ্রাফিক্স কার্ডওয়ালা কম্পিউটারে এক ঘণ্টার রেকর্ডিং চলে। ফোনে রেকর্ডিং ছোট রাখুন।

এগুলো সাবটাইটেল ফাইল, প্রতিটি লাইনের শুরু ও শেষের সময়সহ। SRT বেশিরভাগ ভিডিও এডিটর ও প্লেয়ারে চলে। VTT হলো ওয়েব সংস্করণ, HTML ভিডিওতে ব্যবহার হয়। দুটোই সাধারণ টেক্সট হিসেবে খোলা যায়।

না। এটি সময়সহ কথাগুলো ক্রমে লেখে, কিন্তু বক্তাকে আলাদা করে চিহ্নিত করে না।