टूल › डिवाइस पर AI
ऑटो सबटाइटल और स्पीच टू टेक्स्ट
वीडियो या रिकॉर्डिंग की आवाज़ को OpenAI के Whisper से सबटाइटल में बदलें, जो आपके ब्राउज़र में चलता है। कोई भी पंक्ति ठीक करें, फिर SRT, VTT या TXT डाउनलोड करें या वीडियो में जोड़ें।
स्पीच मॉडल एक बार आपके डिवाइस पर डाउनलोड होता है; आपकी रिकॉर्डिंग कभी डिवाइस से बाहर नहीं जाती। जब तक आप फ़ाइल नहीं चुनते, कुछ शुरू नहीं होगा।
यह कैसे काम करता है
- आवाज़ इसी डिवाइस पर डिकोड होकर 16 kHz मोनो में बदली जाती है, जिसे Whisper सुनता है।
- लंबी रिकॉर्डिंग स्वाभाविक ठहराव पर 30 सेकंड तक के हिस्सों में बँटती है, और हर हिस्सा टाइमस्टैम्प के साथ लिखा जाता है। हर हिस्सा पूरा होते ही पंक्तियाँ दिखने लगती हैं।
- भाषा पहली बोली से अपने-आप पहचानी जाती है, या आप खुद चुन सकते हैं। अंग्रेज़ी में अनुवाद, Whisper की 99 भाषाओं में से किसी की भी आवाज़ को अंग्रेज़ी सबटाइटल में बदल देता है।
- WebGPU हो तो यह ग्राफ़िक्स कार्ड पर चलता है, नहीं तो WebAssembly से प्रोसेसर पर।
सवाल
क्या मेरा वीडियो अपलोड होता है?
नहीं। स्पीच मॉडल Hugging Face से एक बार डाउनलोड होकर आपके डिवाइस पर सेव रहता है; आपकी फ़ाइल इस टैब से बाहर नहीं जाती।
डाउनलोड कितना बड़ा है?
WebGPU के बिना तेज़ मॉडल लगभग 41 MB और सटीक लगभग 77 MB है। WebGPU के साथ ग्राफ़िक्स कार्ड वाले संस्करण लगभग 120 MB और 206 MB हैं। दोनों अगली बार के लिए सेव रहते हैं।
कितना समय लगता है?
WebGPU के साथ आमतौर पर रिकॉर्डिंग की अवधि से कहीं कम। प्रोसेसर पर तेज़ मॉडल को रिकॉर्डिंग का लगभग आधा समय और सटीक को लगभग पूरा समय लगता है, साथ में पहली बार का डाउनलोड।
कौन-सा मॉडल इस्तेमाल होता है?
OpenAI का Whisper tiny (तेज़) और Whisper base (सटीक), MIT लाइसेंस के तहत, Hugging Face के ONNX संस्करणों में। सबटाइटल का व्यावसायिक इस्तेमाल किया जा सकता है।
क्या सबटाइटल मेरे वीडियो पर लग सकते हैं?
हाँ। "वीडियो में जोड़ें" दबाने पर सबटाइटल टूल आपकी पंक्तियों और वीडियो के साथ खुलता है, बस स्टाइल चुनकर एक्सपोर्ट करें।