অডিও থেকে লেখা
অডিও ফাইলের কথা লেখা ও সাবটাইটেলে বদলান।
ভিডিও থেকে লেখা
ভিডিওতে বলা কথা সময়সহ লেখা হিসেবে নিন, এবং সাবটাইটেল .srt বা .vtt ফাইলে সেভ করুন। AI চলে আপনার ডিভাইসেই, তাই ভিডিও কখনো আপলোড হয় না।
অথবা ভিডিও এখানে টেনে এনে ছাড়ুন
MP4, MOV, WebM বা MKV ভিডিও
আপনার ফাইল আপনার ডিভাইসেই থাকে
- 1ফাইল যোগ করুন
- 2ঠিক করুন
- 3ডাউনলোড
কীভাবে কাজ করে
- 1একটি ভিডিও বাছুন: MP4, MOV, WebM, MKV এবং আরও, সর্বোচ্চ 300 MB।
- 2কথার ভাষা বাছুন, অথবা “নিজে থেকে চিনুন” রেখে দিন। দ্রুত খসড়ার জন্য “দ্রুত”, কম ভুলের জন্য “নির্ভুল”, আর বাংলার জন্য “শুধু বাংলা” বাছুন।
- 3“লেখা বানান” চাপুন। আপনার ব্রাউজার ভিডিও থেকে শব্দ আলাদা করে, তারপর AI মডেল সেটি পড়ে। প্রথমবার মডেল একবার ডাউনলোড হয় এবং পরের বারের জন্য রেখে দেওয়া হয়।
- 4লেখা পড়ুন, কপি করুন, অথবা .txt, .srt বা .vtt ডাউনলোড করুন। সাবটাইটেল ফাইল আপনার ভিডিও এডিটর বা প্লেয়ারে ব্যবহার করুন।
অপশনগুলো কী করে
- মডেল
- “দ্রুত” ছোট ও তাড়াতাড়ি চলে, পরিষ্কার ইংরেজির জন্য যথেষ্ট। “নির্ভুল” বড়, উচ্চারণের টান, আওয়াজ ও বেশিরভাগ ভাষায় কম ভুল করে। “সেরা” সবচেয়ে বড় মডেল এবং WebGPU থাকা কম্পিউটার লাগে। “শুধু বাংলা” বাংলার জন্য বানানো মডেল: বাংলা কথার জন্য এটি বাছুন, কারণ বাকি মডেলগুলো বাংলায় ভালো নয়।
- কথার ভাষা
- ভিডিওতে বলা ভাষাটি বাছুন। নিজে থেকে চেনানো লম্বা পরিষ্কার কথায় কাজ করে, কিন্তু ছোট বা আওয়াজওয়ালা ক্লিপে পাশের কোনো ভাষা ধরে ফেলতে পারে, তাই নিজে বেছে দেওয়াই বেশি ভরসার।
- ফল
- “কথার ভাষায় লেখা” যা বলা হয়েছে তা-ই লেখে। “ইংরেজিতে অনুবাদ” যেকোনো ভাষার কথার ইংরেজি সাবটাইটেল লেখে।
- লেখায় সময় দেখান
- লেখার বাক্স ও .txt ফাইলের প্রতিটি লাইনের আগে শুরুর সময় যোগ করে। .srt ও .vtt সাবটাইটেল ফাইলে সময় সবসময় থাকে।
গোপনীয়তা
এই টুল আপনার ব্রাউজারেই চলে। আপনার ফাইল কখনো কোনো সার্ভারে আপলোড হয় না।
সবাই যা জানতে চান
আমার ভিডিও কি আপলোড হয়?
না। ভিডিও থেকে শব্দ আপনার ব্রাউজারেই আলাদা করা হয় এবং আপনার ডিভাইসে চলা কথা চেনার মডেল সেটি পড়ে, ব্রাউজার WebGPU সমর্থন করলে গ্রাফিক্স কার্ডে, নইলে প্রসেসরে। শুধু মডেল ফাইল, যাতে কোনো ব্যক্তিগত তথ্য নেই, Hugging Face থেকে একবার ডাউনলোড হয় এবং ব্রাউজারে থেকে যায়।
এটি কতটা নির্ভুল, আর বাংলার কী অবস্থা?
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 ভিডিওর সঙ্গে মিলিয়ে পড়ুন। ব্যাকগ্রাউন্ডের আওয়াজ, গান, জোরালো উচ্চারণের টান এবং একসঙ্গে অনেকের কথা বললে সব ভাষাতেই নির্ভুলতা কমে।
কোন AI মডেল ব্যবহার হয়, আর ফল কি বাণিজ্যিক কাজে ব্যবহার করা যায়?
এটি OpenAI Whisper মডেল ব্যবহার করে, MIT লাইসেন্সে প্রকাশিত, যাতে বাণিজ্যিক ব্যবহার চলে। আপনার বানানো লেখা ও সাবটাইটেল আপনারই।
সাবটাইটেল ফাইল কীভাবে ব্যবহার করব?
.srt বা .vtt ফাইলটি আপনার ভিডিওর সঙ্গে VLC-র মতো প্লেয়ারে খুলুন, অথবা ভিডিও এডিটরে ইমপোর্ট করুন। বেশিরভাগ প্লেয়ার ও এডিটর SRT নেয়, আর ওয়েব ভিডিও প্লেয়ার VTT নেয়। সাবটাইটেল ছবির সঙ্গে মিশিয়ে ফেলতে চাইলে আপনার এডিটর ব্যবহার করুন।
সময়ের কোনো সীমা আছে?
আমাদের দিক থেকে কোনো সীমা নেই, তবে ভিডিও সর্বোচ্চ 300 MB হতে পারে। লম্বা ভিডিওতে বেশি সময় লাগে, আর ফোনে প্রায় 100 MB-এর বেশি ফাইলে মেমরি কম পড়তে পারে।
কে কথা বলছে তা কি বলে দেয়?
না। এটি সময়সহ কথাগুলো ক্রমে লেখে, কিন্তু বক্তাকে আলাদা করে চিহ্নিত করে না।