sqwartHome

ऑडियो को टेक्स्ट में बदलें

किसी भी रिकॉर्डिंग को Whisper AI से टेक्स्ट बनाएं, आपके अपने डिवाइस पर।

  • फ्री
  • कोई अपलोड नहीं
  • कोई वॉटरमार्क नहीं
  • साइन-अप की ज़रूरत नहीं
  • AI आपके डिवाइस पर चलता है
कैसे काम करता है

ऑडियो से टेक्स्ट: इस्तेमाल करने का तरीका

  1. 1

    Choose an audio or video file दबाकर ऑडियो (MP3, WAV, M4A, OGG, FLAC) या वीडियो चुनें।

  2. 2

    Spoken language में बोली गई भाषा चुनें या Detect automatically रहने दें, और Model में Fast, Balanced या Accurate चुनें।

  3. 3

    Transcribe दबाएं; Whisper जैसे-जैसे सुनता है, टेक्स्ट आता जाता है।

  4. 4

    Copy text दबाएं, या Download TXT, TXT with timestamps या SRT से फ़ाइल सेव करें।

पूरी जानकारी

यह आपके डिवाइस पर कैसे काम करता है

टूल आपके ब्राउज़र में Whisper चलाता है, OpenAI का खुला speech recognition मॉडल जो 6.8 लाख घंटे के ऑडियो पर ट्रेन हुआ है। आपकी फ़ाइल आपके कंप्यूटर पर ही 16 kHz mono ऑडियो में बदली जाती है, शांत पलों पर 30 सेकंड से छोटे टुकड़ों में काटी जाती है, और हर टुकड़ा शुरू और खत्म होने के समय के साथ लिखा जाता है। हर टुकड़ा पूरा होते ही टेक्स्ट दिखता है, इसलिए आप साथ-साथ पढ़ सकते हैं।

कुछ भी अपलोड नहीं होता: ऑडियो टैब से बाहर नहीं जाता। पहली बार ब्राउज़र Hugging Face से मॉडल एक बार डाउनलोड करता है (प्रोसेसर पर Fast 64 MB, Balanced 136 MB, Accurate 250 MB; graphics card पर थोड़ा ज़्यादा) और उसे रख लेता है, इसलिए अगली फ़ाइल तुरंत शुरू होती है। जहाँ ब्राउज़र में WebGPU है (ज़्यादातर लैपटॉप और कंप्यूटर पर नया Chrome और Edge) वहाँ मॉडल graphics card पर चलता है; बाकी जगह प्रोसेसर पर, जो धीमा है पर चलता है।

सटीकता, स्पीड और सीमाएं

  • Fast साफ़ अंग्रेज़ी के लिए ठीक है; Balanced अच्छा default है; Accurate accent, शोर वाले कमरे और हिंदी, तमिल, बंगाली जैसी भारतीय भाषाओं के लिए चुनें, जहाँ छोटे मॉडल बहुत गलतियाँ करते हैं।
  • आम लैपटॉप प्रोसेसर पर Balanced 10 मिनट की फ़ाइल करीब 3 से 5 मिनट में लिखता है; Accurate करीब ऑडियो जितना समय लेता है। WebGPU के साथ अक्सर कई गुना तेज़।
  • Whisper बोलने वालों को अलग-अलग नहीं पहचानता, और नाम, नंबर और तकनीकी शब्द गलत सुन सकता है। छापने से पहले टेक्स्ट एक बार पढ़ लें।
  • बहुत लंबी फ़ाइल को मेमोरी चाहिए: हर घंटे के ऑडियो के लिए करीब 60 MB, साथ में मॉडल। फ़ोन लंबी रिकॉर्डिंग पर अटक सकते हैं; लैपटॉप ज़्यादा सुरक्षित है।

आपको क्या मिलता है

पैराग्राफ़ में साफ़ transcript, जहाँ भी बोलने वाला दो सेकंड या ज़्यादा रुकता है वहाँ नया पैराग्राफ़, जिसे सीधे डॉक्यूमेंट, ब्लॉग या नोट्स में चिपका सकते हैं। हर लाइन पर समय के साथ भी सेव कर सकते हैं, जो इंटरव्यू और लेक्चर के लिए काम का है, या SRT subtitle फ़ाइल के रूप में।

FAQ

सवाल और जवाब

क्या यह सच में फ्री है, बिना मिनट की लिमिट के?

हाँ। मॉडल आपके अपने डिवाइस पर चलता है, इसलिए न साइन-अप, न वॉटरमार्क, न रोज़ की लिमिट। बस बहुत लंबी फ़ाइलों पर आपके डिवाइस की मेमोरी और धैर्य की सीमा है।

क्या मेरा ऑडियो कहीं अपलोड होता है?

नहीं। फ़ाइल आपके ब्राउज़र टैब में ही पढ़ी और लिखी जाती है। पहली बार सिर्फ़ Whisper मॉडल Hugging Face से डाउनलोड होता है।

कौन-सी भाषाएं चलती हैं?

Whisper करीब 99 भाषाओं पर ट्रेन हुआ है, जिनमें अंग्रेज़ी, हिंदी, उर्दू, बंगाली, तमिल, तेलुगु और मराठी भी हैं। सबसे अच्छी सटीकता अंग्रेज़ी में है; भारतीय भाषाओं के लिए Accurate मॉडल चुनें।

मेरे कंप्यूटर पर यह धीमा क्यों है?

WebGPU के बिना मॉडल प्रोसेसर पर चलता है। नए graphics chip वाले लैपटॉप पर Chrome या Edge कई गुना तेज़ है। Fast मॉडल सबसे तेज़ है, पर थोड़ी सटीकता कम।

क्या यह लिखते-लिखते अनुवाद कर सकता है?

हाँ, सिर्फ़ अंग्रेज़ी में। Translate to English चालू करें, तो Whisper किसी भी भाषा की बात को अंग्रेज़ी टेक्स्ट में लिखता है।

कौन-से ऑडियो फ़ॉर्मेट चलते हैं?

जो भी आपका ब्राउज़र चला सके (MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM) सीधे पढ़ा जाता है। बाकी फ़ॉर्मेट और बहुत बड़ी फ़ाइलें पहले ब्राउज़र में ffmpeg से बदली जाती हैं, जिसके लिए एक बार 31 MB और डाउनलोड होता है।

और देखें

और फ्री Audio टूल्स