इस टूल के बारे में
ट्रांसक्रिप्ट किसी वॉइस नोट, रिकॉर्ड की गई क्लास या मीटिंग की रिकॉर्डिंग को ऐसी चीज़ में बदल देती है जिसे खोजा, कोट किया और एडिट किया जा सके, और यह काम कान से करना, हर कुछ सेकंड में रोककर पीछे खींचना, उन कामों में से है जो फ़ोन से करवाना सबसे आसान होता है। यह टूल आपके लिए सुनता है, उसी डिवाइस पर जिस पर रिकॉर्डिंग पहले से मौजूद है।
इसके पीछे Whisper Tiny नाम का एक छोटा AI स्पीच-रिकग्निशन मॉडल है, जिसे यह पेज एक बार इसी साइट के सर्वर से डाउनलोड करता है और फिर पूरी तरह आपके ब्राउज़र के अंदर WebAssembly की मदद से चलाता है: ठीक वैसे ही जैसे ब्राउज़र किसी भी और बंडल किए गए कोड को एक सीमित दायरे में चलाता है। आपकी रिकॉर्डिंग आपके डिवाइस पर ही ऑडियो सैंपल में बदली जाती है और सीधे मेमोरी में उस मॉडल को दे दी जाती है। यह कभी नेटवर्क रिक्वेस्ट नहीं बनती। नेटवर्क पर सिर्फ़ एक चीज़ जाती है, वह भी सिर्फ़ पहली बार, ख़ुद मॉडल: 40 से 75 मेगाबाइट के आँकड़े, जिनका आपकी ऑडियो से कोई लेना-देना नहीं, और जिन्हें ब्राउज़र सहेज लेता है ताकि इसी डिवाइस पर हर अगली ट्रांसक्रिप्शन तुरंत शुरू हो सके।
ब्राउज़र टैब में चलने लायक़ छोटा होने की एक क़ीमत है, और उसे साफ़ बता देना ही ठीक है, छिपाना नहीं: Whisper Tiny, बड़े Whisper मॉडल या किसी पेड ट्रांसक्रिप्शन सेवा के मुक़ाबले काफ़ी कम सटीक है, यह नहीं जानता कि कई लोगों में से कब कौन बोल रहा है, और बैकग्राउंड शोर या भारी लहजा टेक्स्ट में ग़लतियों के रूप में दिखेगा। किसी वॉइस नोट, अकेले दिए गए लेक्चर या शांत माहौल में लिए गए फ़ोन इंटरव्यू के लिए यह सचमुच काम की चीज़ है। शोर-शराबे और एक साथ बोलती आवाज़ों से भरी बोर्डरूम रिकॉर्डिंग के लिए, नतीजे को अंतिम ट्रांसक्रिप्ट नहीं बल्कि कान से ठीक करने वाला पहला मसौदा मानें।
पूरी क्लिप एक ही भाषा में साफ़ बोली गई हो तो ऑटो-डिटेक्ट पर छोड़ना ठीक रहता है। भाषा ख़ुद चुनना (ख़ासकर हिन्दी और इस टूल में शामिल दूसरी भारतीय भाषाओं के लिए) आमतौर पर साफ़ बेहतर ट्रांसक्रिप्ट देता है, क्योंकि तब मॉडल की मेहनत सिर्फ़ ट्रांसक्राइब करने में लगती है, यह अंदाज़ा लगाने में नहीं कि वह सुन क्या रहा है।
इस टूल का इस्तेमाल कैसे करें
- अपनी रिकॉर्डिंग चुनें। MP3, WAV, M4A, OGG या WebM ऑडियो, या MP4, WebM या MOV वीडियो: वीडियो में से सिर्फ़ उसका ऑडियो हिस्सा इस्तेमाल होता है। 30 मिनट तक की क्लिप चलेगी।
- भाषा और काम चुनें। साफ़, एक ही भाषा वाली ऑडियो के लिए ऑटो-डिटेक्ट ठीक रहता है। भाषा ख़ुद चुनना (जैसे हिन्दी या कोई दूसरी भारतीय भाषा) अक्सर बेहतर नतीजा देता है। अगर किसी और भाषा की बोली का अंग्रेज़ी रूप चाहिए तो Transcribe की जगह Translate चुनें।
- टूल चलाएँ। पहली बार चलाने पर एक छोटा स्पीच-रिकग्निशन मॉडल डाउनलोड होता है, इसलिए थोड़ा समय लगता है। उसके बाद वह ब्राउज़र में सहेजा रहता है, और इसी डिवाइस पर अगली ट्रांसक्रिप्शन तुरंत शुरू होती है।
- पढ़ें, कॉपी करें या डाउनलोड करें। ट्रांसक्रिप्ट शब्दों की गिनती के साथ पेज पर दिखती है। इसे .txt फ़ाइल के रूप में, समय के साथ .srt सबटाइटल फ़ाइल के रूप में डाउनलोड करें, या टेक्स्ट सीधे कॉपी कर लें।
यह टूल क्या नहीं करता
- क्लिप 30 मिनट तक सीमित हैं। लंबी रिकॉर्डिंग को पहले छोटा करें।
- बोलने वालों के नाम नहीं मिलते। चाहे जितने लोग बोले हों, पूरा नतीजा एक ही ट्रांसक्रिप्ट में आता है।
- सटीकता किसी बड़ी क्लाउड ट्रांसक्रिप्शन सेवा से पीछे रहती है, ख़ासकर बैकग्राउंड शोर, एक साथ बोलने या भारी लहजे के साथ।
- पहली बार मॉडल डाउनलोड करने के लिए इंटरनेट चाहिए। उसके बाद यह इसी डिवाइस पर ऑफ़लाइन चलता है, जब तक ब्राउज़र अपना कैशे न मिटा दे।
- वीडियो में से सिर्फ़ ऑडियो हिस्सा इस्तेमाल होता है। तस्वीर से जुड़ी कोई चीज़ न पढ़ी जाती है, न सहेजी जाती है।
आम सवाल
क्या मेरी रिकॉर्डिंग कहीं अपलोड होती है?
नहीं। ऑडियो को पढ़ना और उसकी ट्रांसक्रिप्शन बनाना, दोनों पूरी तरह आपके ब्राउज़र के अंदर, आपके ही डिवाइस के प्रोसेसर से होते हैं। रिकॉर्डिंग से जुड़ी कोई भी चीज़ (न फ़ाइल, न ट्रांसक्रिप्ट) किसी सर्वर पर नहीं जाती। नेटवर्क पर सिर्फ़ स्पीच-रिकग्निशन मॉडल जाता है, जो एक बार इसी साइट से डाउनलोड होकर आपके ब्राउज़र में सहेजा जाता है। मॉडल यहीं रखा गया है, इसलिए आपका ब्राउज़र उसके लिए किसी तीसरी कंपनी से संपर्क नहीं करता।
पहली बार में ज़्यादा समय क्यों लगता है?
उस समय मॉडल डाउनलोड हो रहा होता है: Whisper Tiny, OpenAI का एक छोटा AI स्पीच-रिकग्निशन मॉडल, ब्राउज़र के कैशे के हिसाब से लगभग 40 से 75 MB का। यह सिर्फ़ एक बार होता है। उसके बाद इसी डिवाइस पर हर अगली बार टूल तुरंत शुरू हो जाता है, क्योंकि मॉडल पहले से मौजूद रहता है।
यह कितना सटीक है?
Whisper Tiny एक भरोसेमंद स्पीच मॉडल का सबसे छोटा वर्शन है, जिसे यहाँ इसलिए चुना गया क्योंकि इसे ब्राउज़र टैब के अंदर चलाना व्यावहारिक है। शांत माहौल में साफ़ बोली पर यह ठीक-ठाक काम करता है। बड़े Whisper मॉडल या किसी पेड क्लाउड ट्रांसक्रिप्शन सेवा के मुक़ाबले यह साफ़ तौर पर कम सटीक है, और बैकग्राउंड शोर, एक साथ बोलती कई आवाज़ों या भारी लहजे में इसकी ग़लतियाँ बढ़ जाती हैं।
क्या यह हिन्दी और दूसरी भारतीय भाषाओं के लिए काम करता है?
हाँ, ड्रॉपडाउन में दी गई भाषाओं के लिए, क्योंकि मॉडल को उन पर प्रशिक्षित किया गया है। हिन्दी, बंगाली, तमिल, तेलुगु, मराठी, गुजराती, कन्नड़, मलयालम, पंजाबी और उर्दू में इसकी सटीकता आम तौर पर अंग्रेज़ी से पीछे रहती है, और ऑटो-डिटेक्ट पर छोड़ने के बजाय भाषा ख़ुद चुनना अक्सर बेहतर नतीजा देता है।
Translate क्या करता है?
यह किसी दूसरी समर्थित भाषा की बोली का अंग्रेज़ी ट्रांसक्रिप्ट बनाता है: मॉडल के अपने अनुवाद मोड से, अलग से ट्रांसक्राइब करके फिर अनुवाद करने के बजाय। यह सिर्फ़ अंग्रेज़ी में अनुवाद करता है, किसी और भाषा-जोड़ी के बीच नहीं।
क्या यह बता सकता है कि किसने क्या कहा?
नहीं। यह एक लगातार चलने वाली ट्रांसक्रिप्ट देता है, बिना किसी बोलने वाले के नाम के, इसलिए इंटरव्यू हो या कई लोगों की मीटिंग, कितने भी लोग बोले हों, नतीजा एक ही बिना बँटे हुए टेक्स्ट की तरह दिखेगा।
क्या इसे लाइव कॉल या चालू मीटिंग में इस्तेमाल कर सकते हैं?
नहीं। यह उस फ़ाइल पर काम करता है जो आपके पास पहले से है, लाइव माइक्रोफ़ोन पर नहीं, और यह रीयल-टाइम कैप्शनिंग के लिए नहीं बना है।