संक्षेप में (BLUF): यह टूल ऑडियो या वीडियो को टेक्स्ट और सबटाइटल में बदल देता है: यह आपके ब्राउज़र में ही Whisper मॉडल से आवाज़ पहचानता है, रिकॉर्डिंग की भाषा खुद पता लगाता है या आपकी चुनी हुई भाषा लेता है, समय-मुहरें लगाता है और नतीजा TXT, SRT, VTT और JSON में देता है। वीडियो के लिए यह अलग से एक ऐसा क्लिप भी बनाता है जिसमें सबटाइटल सीधे फ़्रेमों में जला दिए जाते हैं। फ़ाइल कहीं नहीं अपलोड होती, कोई टोकन नहीं कटता और यहाँ कोई पेड API नहीं है।
टूल ऑडियो या वीडियो लेता है और आवाज़ को टेक्स्ट में बदल देता है। आप फ़ाइल अपलोड करते हैं और समय-मुहरों वाली ट्रांसक्रिप्ट, तैयार सबटाइटल और वीडियो होने पर वही क्लिप मिलती है जिसके फ़्रेमों में सबटाइटल जला दिए गए होते हैं।
पहचान Whisper मॉडल (खुला बहुभाषी मॉडल Xenova/whisper-tiny) से Transformers.js के ज़रिए चलती है: ब्राउज़र देने पर ग्राफ़िक कार्ड पर WebGPU से, वरना प्रोसेसर पर WASM से। फ़ाइल से ऑडियो ट्रैक स्थानीय रूप से, आपके ब्राउज़र की मेमरी में निकाली जाती है।
ऑडियो: MP3, WAV, M4A, AAC, OGG, Opus, FLAC। वीडियो: MP4, WebM, MOV, M4V, MKV, AVI, OGV। वीडियो से टूल ऑडियो ट्रैक खुद निकाल लेता है: उसे अलग से काटने की ज़रूरत नहीं।
ध्वनि मोनो 16 kHz में बदली जाती है — ठीक वही रूप जिसकी Whisper को उम्मीद होती है। लंबी रिकॉर्डिंग 30 सेकंड के खंडों में, 5 सेकंड के ओवरलैप के साथ पहचानी जाती है, ताकि जोड़ों पर कोई शब्द न छूटे।
फ़ाइल किसी सर्वर पर नहीं जाती: ध्वनि, पहचान और सबटाइटल बनाना — सब आपके ब्राउज़र के अंदर होता है। यहाँ कोई पेड API नहीं और कोई टोकन नहीं कटता।
मॉडल के वेट एक बार खुले Hugging Face कैटलॉग से डाउनलोड होते हैं और उसके बाद ब्राउज़र की कैश में रहते हैं — अगली आमदनी पर मॉडल बिना दोबारा डाउनलोड के खड़ा हो जाता है। सर्वर-साइड इन्फ़रेंस, CUDA या "हमारी ओर की रिज़र्व GPU" यहाँ बिल्कुल नहीं है।
Whisper 99 भाषाएँ पहचानता है। डिफ़ॉल्ट रूप से भाषा अपने-आप पहचानी जाती है और टूल बताता है कि उसने कौन-सी भाषा सुनी। रिकॉर्डिंग छोटी या मिश्रित हो तो भाषा सूची से मैन्युअल चुन लें — तब पहचान ज़्यादा सटीक होती है।
टेक्स्ट को एक बटन से कॉपी किया जा सकता है या चार फ़ॉर्मैट में डाउनलोड किया जा सकता है। TXT सिर्फ़ ट्रांसक्रिप्ट है, समय-मुहरों के साथ या बिना। SRT और VTT प्लेयर, वीडियो एडिटर और YouTube के लिए तैयार सबटाइटल हैं। JSON ट्रांसक्रिप्ट है जिसमें भाषा, अवधि और हर पंक्ति अपनी समय-मुहर के साथ रहती है — आगे की प्रक्रिया के लिए सुविधाजनक।
वीडियो फ़ाइल के लिए टूल एक नई क्लिप बनाता है जिसमें सबटाइटल सीधे फ़्रेमों में जला दिए जाते हैं। ऐसा वीडियो हर जगह चलता है, यहाँ तक कि जहाँ बाहरी सबटाइटल सपोर्ट नहीं करते: मैसेंजर, सोशल नेटवर्क और किसी भी प्लेयर में। मूल ध्वनि बरकरार रहती है।
वही सबटाइटल SRT और VTT फ़ाइलों के रूप में भी डाउनलोड होते हैं — उन्हें मूल वीडियो से जोड़ा जा सकता है, बिना उसे फिर से बनाए।
यह आवाज़ का दूसरी भाषा में अनुवाद नहीं करता: पहचान रिकॉर्डिंग की भाषा में चलती है, अनुवाद अलग काम है। यह बोलने वालों को आवाज़ से अलग नहीं करता और यह नहीं बताता कि किसने क्या कहा।
यह संगीत और शोर को आवाज़ की तरह नहीं संभालता: रिकॉर्डिंग में समझ आने वाली आवाज़ न हो तो ट्रांसक्रिप्ट खाली या असटीक होगी। गुणवत्ता रिकॉर्डिंग पर निर्भर है — साफ़ आवाज़, बिना शोर और इको के, नतीजा काफ़ी बेहतर देती है।
ऑडियो या वीडियो चुनें, ज़रूरत हो तो भाषा तय करें (या ऑटो-डिटेक्शन रहने दें) और «पहचानें आवाज़» दबाएँ। ट्रांसक्रिप्ट का इंतज़ार करें — प्रगति स्क्रीन पर दिखती है, पहचान रोकी जा सकती है।
फिर टेक्स्ट कॉपी करें या TXT, SRT, VTT, JSON डाउनलोड करें। वीडियो अपलोड किया था तो «सबटाइटल के साथ वीडियो बनाएँ» दबाकर तैयार क्लिप डाउनलोड करें।
वीडियो और पॉडकास्ट बनाने वालों को — पब्लिश करने के लिए सबटाइटल, डिस्क्रिप्शन के लिए ट्रांसक्रिप्ट। छात्रों और पत्रकारों को — लेक्चर, इंटरव्यू और डिक्टाफ़ोन रिकॉर्डिंग का टेक्स्ट। सबको जिन्हें रिकॉर्डिंग से जल्दी टेक्स्ट चाहिए, बिना उसे किसी और के सर्वर पर भेजे।
कहीं नहीं। ध्वनि पूरी तरह आपके ब्राउज़र में, आपके डिवाइस पर निकाली और पहचानी जाती है। हमारे सर्वर तक फ़ाइल कभी नहीं पहुँचती।
नहीं। यह मुफ़्त टूल है जो आपके डिवाइस पर चलता है: यहाँ कोई पेड API नहीं, इसलिए काटने को कुछ है ही नहीं।
मॉडल आपके डिवाइस पर गणना करता है। पहली बार ज़्यादा समय लगता है: मॉडल के वेट डाउनलोड होते हैं और ग्राफ़ गर्म होता है। उसके बाद मॉडल ब्राउज़र कैश से आता है और पहचान तेज़ होती है।
सूची से भाषा मैन्युअल चुनें और पहचान फिर से चलाएँ — छोटी रिकॉर्डिंग पर मैन्युअल चुनाव ऑटो-डिटेक्शन से ज़्यादा सटीक है।
हाँ। SRT या VTT डाउनलोड करके वीडियो से जोड़ें, या टूल में ही जले हुए सबटाइटल वाली क्लिप बनाएँ।