ऑडियो से टेक्स्ट
ऑडियो फ़ाइल की आवाज़ को टेक्स्ट और सबटाइटल में बदलें।
वीडियो से टेक्स्ट
वीडियो में बोले गए शब्दों को टाइमस्टैम्प के साथ टेक्स्ट में पाएँ, और सबटाइटल .srt या .vtt के रूप में सेव करें। AI आपके डिवाइस पर चलता है, इसलिए वीडियो कभी अपलोड नहीं होता।
या वीडियो यहाँ खींचकर छोड़ें
MP4, MOV, WebM या MKV वीडियो
आपकी फ़ाइलें आपके डिवाइस पर ही रहती हैं
- 1फ़ाइलें जोड़ें
- 2सेटिंग बदलें
- 3डाउनलोड करें
यह कैसे काम करता है
- 1एक वीडियो चुनें: MP4, MOV, WebM, MKV और अन्य, 300 MB तक।
- 2बोली गई भाषा चुनें, या उसे पहचानने पर छोड़ दें। जल्दी ड्राफ़्ट के लिए तेज़ चुनें, कम ग़लतियों के लिए सटीक, और बांग्ला के लिए सिर्फ़ बांग्ला।
- 3लिखें चुनें। आपका ब्राउज़र वीडियो से आवाज़ निकालता है, फिर AI मॉडल उसे पढ़ता है। पहली बार मॉडल एक बार डाउनलोड होता है और अगली बार के लिए रखा जाता है।
- 4टेक्स्ट पढ़ें, कॉपी करें, या .txt, .srt या .vtt डाउनलोड करें। सबटाइटल फ़ाइलें अपने वीडियो एडिटर या प्लेयर में इस्तेमाल करें।
विकल्पों का मतलब
- मॉडल
- तेज़ छोटा और फुर्तीला है, और साफ़ अंग्रेज़ी के लिए ठीक है। सटीक बड़ा है और लहजे, शोर और ज़्यादातर भाषाओं में कम ग़लतियाँ करता है। सबसे अच्छा सबसे बड़ा मॉडल है और इसके लिए WebGPU वाला कंप्यूटर चाहिए। सिर्फ़ बांग्ला बांग्ला के लिए प्रशिक्षित मॉडल है: बांग्ला बोली के लिए इसे चुनें, क्योंकि बाक़ी मॉडल बांग्ला में अच्छे नहीं हैं।
- बोली गई भाषा
- वीडियो में बोली गई भाषा चुनें। अपने आप पहचानना लंबी साफ़ बोली के लिए ठीक चलता है, पर छोटी या शोर वाली क्लिप में यह पड़ोसी भाषा चुन सकता है, इसलिए भाषा ख़ुद चुनना ज़्यादा भरोसेमंद है।
- नतीजा
- बोली गई भाषा में टेक्स्ट वही लिखता है जो कहा गया है। अंग्रेज़ी में अनुवाद किसी भी भाषा की बोली के लिए अंग्रेज़ी सबटाइटल लिखता है।
- टेक्स्ट में समय दिखाएँ
- टेक्स्ट बॉक्स और .txt फ़ाइल की हर पंक्ति से पहले शुरू होने का समय जोड़ता है। .srt और .vtt सबटाइटल फ़ाइलों में समय हमेशा रहता है।
प्राइवेसी
यह टूल आपके ब्राउज़र में चलता है। आपकी फ़ाइलें किसी सर्वर पर अपलोड नहीं होतीं।
लोग अक्सर पूछते हैं
क्या मेरा वीडियो अपलोड होता है?
नहीं। आवाज़ आपके ब्राउज़र में वीडियो से निकाली जाती है और आपके डिवाइस पर चलने वाला स्पीच मॉडल उसे पढ़ता है, आपके ब्राउज़र में WebGPU हो तो ग्राफ़िक्स कार्ड पर, वरना प्रोसेसर पर। सिर्फ़ मॉडल की फ़ाइलें, जिनमें कोई निजी जानकारी नहीं होती, Hugging Face से एक बार डाउनलोड होती हैं और ब्राउज़र उन्हें रख लेता है।
यह कितना सटीक है, और बांग्ला का क्या?
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 वीडियो से मिलाकर पढ़ें। पृष्ठभूमि का शोर, संगीत, तेज़ लहजा और एक साथ कई लोगों का बोलना हर भाषा में सटीकता घटाता है।
कौन-सा AI मॉडल इस्तेमाल होता है, और क्या नतीजे व्यावसायिक उपयोग में आ सकते हैं?
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।
सबटाइटल फ़ाइलें कैसे इस्तेमाल करूँ?
.srt या .vtt फ़ाइल को अपने वीडियो के साथ VLC जैसे प्लेयर में खोलें, या अपने वीडियो एडिटर में इम्पोर्ट करें। ज़्यादातर प्लेयर और एडिटर SRT लेते हैं, और वेब वीडियो प्लेयर VTT लेते हैं। सबटाइटल को तस्वीर में जलाने (बर्न करने) के लिए अपने एडिटर का इस्तेमाल करें।
क्या समय की कोई सीमा है?
हमारी तरफ़ से कोई सीमा नहीं, पर वीडियो 300 MB तक हो सकता है। लंबे वीडियो में ज़्यादा समय लगता है, और फ़ोन पर लगभग 100 MB से बड़ी फ़ाइलों में मेमोरी कम पड़ सकती है।
क्या यह बताता है कि कौन बोल रहा है?
नहीं। यह शब्दों को समय के साथ क्रम से लिखता है, पर बोलने वालों के लेबल नहीं लगाता।