ऑडियो को टेक्स्ट में बदलें

नहीं। फ़ाइल आपके ब्राउज़र के अंदर, आपके डिवाइस पर डिकोड और ट्रांसक्राइब होती है। सिर्फ़ स्पीच मॉडल इसी साइट से डाउनलोड होता है, और ब्राउज़र उसे अगली बार के लिए रख लेता है। आपका ऑडियो और उसका टेक्स्ट कभी कहीं नहीं भेजा जाता।

साफ़ आवाज़ पर यह अच्छा है, लेकिन परफ़ेक्ट नहीं। बैकग्राउंड शोर, म्यूज़िक, भारी लहजा, एक साथ बोलते लोग, नाम और तकनीकी शब्द गलतियाँ करवाते हैं। इस्तेमाल से पहले टेक्स्ट पढ़ें और वहीं ठीक करें। यह टूल अलग-अलग बोलने वालों को नहीं पहचानता।

50 से ज़्यादा, जिनमें हिंदी, अंग्रेज़ी, स्पैनिश, फ़्रेंच, जर्मन, पुर्तगाली, इतालवी, डच, पोलिश, रूसी, यूक्रेनी, तुर्की, अरबी, चीनी, जापानी, कोरियाई, इंडोनेशियाई, वियतनामी और थाई शामिल हैं। ज़्यादा बोली जाने वाली भाषाओं में सटीकता सबसे अच्छी होती है। ऑटोमैटिक पहचान पहले 30 सेकंड सुनती है।

यह आपके डिवाइस और रिकॉर्डिंग की लंबाई पर निर्भर करता है। आवाज़ की पहचान आपके प्रोसेसर पर चलती है, इसलिए नया कंप्यूटर पुराने फ़ोन से कहीं तेज़ है। पहली बार में, आपकी सहमति के बाद, मॉडल का एक बार का डाउनलोड भी शामिल होता है। आप कभी भी रद्द कर सकते हैं और जितना ट्रांसक्राइब हो चुका है, उसे रख सकते हैं।

ज़्यादातर ऑडियो और वीडियो फ़ाइलें: MP3, WAV, M4A, AAC, OGG, Opus, FLAC, MP4, WebM और MOV। जब ब्राउज़र कोई फ़ाइल खुद नहीं पढ़ पाता, तो टूल अपने बिल्ट-इन कन्वर्टर से कोशिश करता है। 2 GB तक की फ़ाइलें खुल सकती हैं; बहुत लंबी रिकॉर्डिंग को बहुत मेमोरी चाहिए।

आवाज़ की पहचान Whisper (base मॉडल) करता है, जिसे OpenAI ने MIT लाइसेंस के तहत जारी किया है, ONNX Community के ONNX वर्ज़न में। यह Hugging Face के Transformers.js (Apache-2.0 लाइसेंस) और Microsoft के ONNX Runtime Web (MIT लाइसेंस) से चलता है। जो फ़ाइलें आपका ब्राउज़र खुद डिकोड नहीं कर पाता, वे WebAssembly में कंपाइल किए गए FFmpeg (ffmpeg.wasm) से बदली जाती हैं, जिसका कोर GPL लाइसेंस के तहत है।