ऑडियो और वीडियो से सबटाइटल (AI)

Whisper से बोली को ब्राउज़र में ही SRT, VTT या टेक्स्ट में बदलें

आपके ब्राउज़र में चलता है

ऑडियो या वीडियो फ़ाइल छोड़ें

MP3, WAV, M4A, OGG, MP4, WebM और जो भी आपका ब्राउज़र चला सके

फ़ाइल आपके डिवाइस पर ही रहती है। सिर्फ़ AI मॉडल एक बार डाउनलोड होकर ब्राउज़र में रहता है।

पहली बार मॉडल डाउनलोड होता है, फिर तुरंत शुरू होता है। WebGPU के बिना लंबी फ़ाइलों में समय लगता है।

ब्राउज़र में AI ट्रांसक्रिप्शन कैसे काम करता है?

यह टूल OpenAI के खुले स्पीच-रिकग्निशन मॉडल Whisper को transformers.js से आपके अपने डिवाइस पर चलाता है। ब्राउज़र फ़ाइल का ऑडियो डिकोड करके 16 kHz में बदलता है, और मॉडल हर 30 सेकंड के हिस्से को शुरू और खत्म होने के समय के साथ टेक्स्ट में बदलता है। ये हिस्से SRT या WebVTT क्यू या सादा ट्रांसक्रिप्ट बनते हैं। मॉडल Hugging Face Hub से एक बार डाउनलोड होकर ब्राउज़र में सेव रहता है; ऑडियो कहीं नहीं भेजा जाता। WebGPU हो तो ग्राफ़िक्स कार्ड, नहीं तो प्रोसेसर इस्तेमाल होता है।

उपयोग

  • YouTube, TikTok, CapCut या Premiere वीडियो में बिना टाइप किए सबटाइटल जोड़ना
  • इंटरव्यू, लेक्चर, मीटिंग या पॉडकास्ट का ट्रांसक्रिप्ट पाना
  • वॉइस मैसेज या छोटे ऑडियो नोट को टेक्स्ट में बदलना
  • दूसरी भाषा की बोली को अंग्रेज़ी सबटाइटल में अनुवाद करना

कब इस्तेमाल करें?

लगभग एक घंटे तक की फ़ाइलों में साफ़ बोली के लिए अच्छा है। तेज़ मॉडल छोटे क्लिप और ड्राफ़्ट के लिए, संतुलित अच्छा डिफ़ॉल्ट, और सटीक लहजे व शोर में काफ़ी बेहतर है पर बड़ा डाउनलोड है और ग्राफ़िक्स कार्ड के बिना धीमा है। बोली की भाषा पता हो तो चुनें, क्योंकि छोटे क्लिप पर ऑटो पहचान गलत हो सकती है। प्रकाशित करने से पहले नतीजा ज़रूर पढ़ें: नाम और तकनीकी शब्द आम गलतियाँ हैं, और टाइमिंग बाद में सबटाइटल कन्वर्टर से खिसका सकते हैं।

उदाहरण

  1. वीडियो के लिए SRT सबटाइटल बनाएँ

    इनपुट

    हिंदी में 2 मिनट का MP4 इंटरव्यू। मॉडल: संतुलित। भाषा: हिंदी। आउटपुट: वही भाषा।

    आउटपुट

    लगभग 30 टाइम वाले हिंदी हिस्सों वाली .srt फ़ाइल, प्लेयर या एडिटर में तुरंत इस्तेमाल योग्य।

  2. भाषण को अंग्रेज़ी सबटाइटल में अनुवाद करें

    इनपुट

    स्पैनिश पॉडकास्ट का अंश (M4A)। मॉडल: सटीक। आउटपुट: अंग्रेज़ी में अनुवाद।

    आउटपुट

    मूल टाइमिंग के साथ अंग्रेज़ी सबटाइटल, SRT, VTT या टेक्स्ट में।

प्रश्न और उत्तर

क्या मेरा ऑडियो सर्वर पर अपलोड होता है?

नहीं। फ़ाइल ब्राउज़र में ही डिकोड और ट्रांसक्राइब होती है। सिर्फ़ Hugging Face Hub से AI मॉडल डाउनलोड होता है, जिसे ब्राउज़र सेव कर लेता है।

कौन सा मॉडल चुनूँ?

संतुलित से शुरू करें। छोटे क्लिप या धीमे कंप्यूटर के लिए तेज़, और लहजे, शोर या ज़रूरी काम के लिए सटीक, अगर बड़े डाउनलोड का इंतज़ार कर सकें।

यह धीमा क्यों है?

बोली पहचानना भारी काम है। WebGPU (नए Chrome, Edge, Safari) के साथ यह ग्राफ़िक्स कार्ड पर बहुत तेज़ चलता है, नहीं तो प्रोसेसर पर। पूरा होने तक टैब खुला रखें।

कौन सी भाषाएँ समर्थित हैं?

Whisper लगभग 100 भाषाएँ पहचानता है, अंग्रेज़ी, स्पैनिश, चीनी, जापानी और हिंदी जैसी आम भाषाओं में सबसे सटीक। अनुवाद हमेशा अंग्रेज़ी में होता है।

स्रोत और मानक

सभी टूल