ऑडियो से टेक्स्ट

नहीं। स्पीच मॉडल आपके ब्राउज़र के अंदर चलता है, आपके ब्राउज़र में WebGPU हो तो ग्राफ़िक्स कार्ड पर, वरना प्रोसेसर पर। रिकॉर्डिंग डिवाइस से बाहर नहीं जाती। सिर्फ़ मॉडल की फ़ाइलें, जिनमें कोई निजी जानकारी नहीं होती, Hugging Face से एक बार डाउनलोड होती हैं और ब्राउज़र उन्हें रख लेता है।

साफ़ अंग्रेज़ी बोली हर मॉडल के साथ अच्छा नतीजा देती है, और सटीक विराम-चिह्न भी अच्छे लिखता है। बांग्ला अलग है। सामान्य मॉडल बांग्ला में कमज़ोर हैं: तेज़ शब्दों को रोमन अक्षरों में या ग़लत लिपि में लिखता है, और सटीक व सबसे अच्छा अक्सर ग़लत या दोहराए गए शब्द देते हैं। बांग्ला के लिए सिर्फ़ बांग्ला मॉडल चुनें। इंसान की पढ़ी एक ख़बर पर हमारे परीक्षण में वह पढ़ने लायक और ज़्यादातर सही था, पर नामों, दुर्लभ शब्दों और लंबे संयुक्त शब्दों में उसने फिर भी ग़लतियाँ कीं, और कभी-कभी वाक्यांश के अंत के कुछ शब्द बिगाड़ दिए। बांग्ला टेक्स्ट को ड्राफ़्ट मानें और रिकॉर्डिंग से मिलाकर पढ़ें। पृष्ठभूमि का शोर, संगीत, तेज़ लहजा और एक साथ कई लोगों का बोलना हर भाषा में सटीकता घटाता है।

यह OpenAI Whisper मॉडल इस्तेमाल करता है, जो MIT लाइसेंस के तहत जारी हैं और व्यावसायिक उपयोग की इजाज़त देते हैं। आपके बनाए टेक्स्ट और सबटाइटल आपके हैं।

हमारी तरफ़ से कोई सीमा नहीं। सीमा सिर्फ़ आपके डिवाइस की है: लंबी रिकॉर्डिंग में ज़्यादा समय और मेमोरी लगती है। ग्राफ़िक्स कार्ड वाले कंप्यूटर पर एक घंटे की रिकॉर्डिंग चल जाती है। फ़ोन पर रिकॉर्डिंग छोटी रखें।

ये सबटाइटल फ़ाइलें हैं, जिनमें हर पंक्ति का शुरू और अंत का समय होता है। SRT ज़्यादातर वीडियो एडिटर और प्लेयर में चलती है। VTT HTML वीडियो में इस्तेमाल होने वाला वेब रूप है। दोनों सादे टेक्स्ट की तरह खुलती हैं।

नहीं। यह शब्दों को समय के साथ क्रम से लिखता है, पर बोलने वालों के लेबल नहीं लगाता।