आवाज़ आपके कंप्यूटर पर ही रहती है
FILES ट्रांसक्रिप्शन के लिए Whisper इस्तेमाल करता है, जो बोली पहचानने का एक ओपन मॉडल है और आपके अपने प्रोसेसर या ग्राफ़िक्स कार्ड पर चलता है। रिकॉर्डिंग अपलोड नहीं होती, VoiceKeyboard में कोई अकाउंट नहीं है, और बाद में किसी के क्लाउड में कोई कॉपी नहीं रहती। बोर्ड मीटिंग, जॉब इंटरव्यू या वकील से बातचीत की रिकॉर्डिंग के लिए यही सबसे अहम बात है।
इंटरनेट सिर्फ़ शुरुआती सेटअप के लिए चाहिए: Whisper मॉडल (75 MB से लगभग 1 GB, एक बार) और FFmpeg के लिए। FFmpeg लगभग 73 MB का मुफ़्त प्रोग्राम है, जो आवाज़ को Whisper के लिए तैयार करता है और आपकी मंज़ूरी के बाद ही डाउनलोड होता है। उसके बाद डिस्क पर रखी फ़ाइलों का ट्रांसक्रिप्शन बिना नेटवर्क के होता है। काम के दौरान बनी कॉपियाँ Windows के temporary फ़ोल्डर में रहती हैं और काम खत्म होते ही मिट जाती हैं।
रिकॉर्डिंग का ट्रांसक्रिप्शन, स्टेप बाय स्टेप
- ऊपर की पट्टी में FILES दबाएँ और SOURCE & OUTPUT में FILE चुनें।
- «ब्राउज़ करें...» दबाकर रिकॉर्डिंग चुनें, या उसे File Explorer से खींचकर स्क्रीन पर छोड़ें।
- TRANSCRIPT DESTINATION देखें। ऐप रिकॉर्डिंग के पास ही एक .txt सुझाता है: meeting.m4a से meeting-transcript.txt बनती है। «इस रूप में सेव करें...» से दूसरी जगह चुन सकते हैं।
- LOCAL MODEL में «मॉडल चुनें…» दबाएँ और Whisper का साइज़ चुनें (नीचे देखें)। यह एक बार डाउनलोड होता है।
- LANGUAGE में भाषा चुनें या «ऑटो» पर छोड़ दें। हिंदी रिकॉर्डिंग के लिए «ऑटो» ही रखें।
- ▶ शुरू दबाएँ। वही बटन, जो अब ■ रद्द बन जाता है, काम रोक देता है।
जब रिकॉर्डिंग, सेव करने की जगह और मॉडल तैयार हों, तो SRC, OUT और MDL लैंप हरे हो जाते हैं। Whisper के काम करते समय वाक्यांश एक-एक करके TRANSCRIPT वाले हिस्से में आते जाते हैं, इसलिए लेक्चर का अंत बनने से पहले ही उसकी शुरुआत पढ़ सकते हैं। .txt पूरी फ़ाइल खत्म होने पर लिखी जाती है। उसी नाम की फ़ाइल पहले से हो, तो उसे छुआ नहीं जाता: नई फ़ाइल के नाम में (2) जुड़ जाता है।
FILES ये ऑडियो फ़ॉर्मैट लेता है: wav, mp3, m4a, flac, ogg, aac और wma; और ये वीडियो फ़ॉर्मैट: mp4, mkv, mov, webm, avi, wmv और m4v, जिनकी आवाज़ का ट्रांसक्रिप्शन होता है।
कौन-सा Whisper मॉडल चुनें
FILES हमेशा Whisper से चलता है। VoiceKeyboard के बाकी ऑफ़लाइन मॉडल (Parakeet, GigaAM, T-one, Vosk) सिर्फ़ लाइव डिक्टेशन के लिए हैं। Whisper के पाँच साइज़ हैं, और नियम सीधा है: बड़ा मॉडल कम गलतियाँ करता है, पर धीमा चलता है।
| FILES पर नाम | डाउनलोड | किसके लिए |
|---|---|---|
| तुरंत · Tiny | 75 MB | यह जाँचने के लिए कि सब चल रहा है; ठीक-ठाक सिर्फ़ साफ़ अंग्रेज़ी |
| तेज़ · Base | 142 MB | साफ़ आवाज़ वाली सरल रिकॉर्डिंग; अंग्रेज़ी के अलावा भाषाएँ काफ़ी कमज़ोर |
| संतुलित · Small | 466 MB | ग्राफ़िक्स कार्ड के बिना कंप्यूटर; बड़ी भाषाएँ ठीक-ठाक |
| सबसे अच्छा · Large v3 Turbo | 547 MB | सुझाया गया साइज़: लगभग Large v3 जितना सटीक, कई गुना तेज़ |
| सबसे सटीक · Large v3 | 1,031 MB | शोर, लहजे, कई आवाज़ें; धीमा |
शुरुआत Large v3 Turbo से करें; हिंदी रिकॉर्डिंग के लिए Turbo या Large v3 ही लें। अगर आपके PC पर एक घंटे की अंग्रेज़ी रिकॉर्डिंग बहुत देर ले, तो Small आज़माएँ; अगर शोर और कई आवाज़ों वाली रिकॉर्डिंग में गलतियाँ ज़्यादा हों, तो Large v3 लें। आपके पास पहले से Whisper मॉडल फ़ाइल (.bin या .gguf) है? उसी विंडो में «मेरी अपनी मॉडल फ़ाइल…» से उसे इस्तेमाल कर सकते हैं। साइज़ की विस्तार से तुलना «ऑफ़लाइन मॉडल डाउनलोड करना» पेज पर है।
ग्राफ़िक्स कार्ड या प्रोसेसर
VoiceKeyboard में Whisper ही वह हिस्सा है जिसकी रफ़्तार आपका हार्डवेयर तय करता है। SETUP → फ़ाइलें में चार विकल्प हैं: «अपने-आप (अनुशंसित)», «NVIDIA ग्राफ़िक्स कार्ड · CUDA», «तेज़ प्रोसेसर · BLAS» और «सामान्य प्रोसेसर · CPU»। «अपने-आप» हर फ़ाइल के लिए उपलब्ध विकल्पों में से सबसे तेज़ चुनता है। NVIDIA कार्ड के साथ Whisper प्रोसेसर से कई गुना तेज़ चलता है; CUDA और OpenBLAS इंजन आपके कहने पर डाउनलोड होते हैं, पहली बार जब वे काम आ सकते हों।
FILES पर चौथा लैंप, SRC, OUT और MDL के बगल में, बताता है कि अभी कौन काम कर रहा है। NVIDIA कार्ड के बिना लैपटॉप पर Large v3 Turbo के साथ एक घंटे की रिकॉर्डिंग में काफ़ी समय लगता है: या तो छोटा साइज़ चुनें, या ट्रांसक्रिप्शन तब शुरू करें जब कंप्यूटर की ज़रूरत न हो। हर विकल्प कैसे जाँचें, यह «फ़ाइल ट्रांसक्रिप्शन की रफ़्तार बढ़ाना» में है।
रिकॉर्डिंग की भाषा, और हिंदी
LANGUAGE शुरू में «ऑटो» पर रहता है: Whisper लगभग पहले 30 सेकंड सुनकर भाषा तय करता है और पूरी फ़ाइल के लिए वही भाषा रखता है। सूची में बारह भाषाएँ हैं (रूसी, अंग्रेज़ी, यूक्रेनी, जर्मन, स्पेनिश, फ़्रेंच, इतालवी, पुर्तगाली, पोलिश, तुर्की, जापानी, चीनी), पर हिंदी नहीं। इसलिए हिंदी रिकॉर्डिंग सिर्फ़ «ऑटो» पर चलती है, और अगर Whisper भाषा गलत पहचान ले, तो हिंदी को हाथ से चुनकर इसे ठीक नहीं किया जा सकता। ऐसा तब हो सकता है जब रिकॉर्डिंग अंग्रेज़ी अभिवादन या गाने से शुरू हो। मिली-जुली भाषा (Hinglish) वाली रिकॉर्डिंग में भी Whisper पूरी फ़ाइल के लिए एक ही भाषा चुनता है।
लंबी रिकॉर्डिंग और कई फ़ाइलें
- लंबाई। मुफ़्त प्लान 60 मिनट तक की रिकॉर्डिंग लेता है, Pro किसी भी लंबाई की। शुरू होने से पहले आवाज़ एक working फ़ाइल में बदलती है, जो हर घंटे के लिए लगभग 115 MB की होती है, इसलिए जिस ड्राइव पर Windows का temporary फ़ोल्डर है, उस पर जगह रखें। काम के बाद यह फ़ाइल मिट जाती है।
- कई फ़ाइलें। Pro में «ब्राउज़ करें...» विंडो में Ctrl दबाकर कई फ़ाइलें चुनें, या कई फ़ाइलें स्क्रीन पर छोड़ें; हर एक की अपनी .txt बनती है। BATCH PROGRESS हर फ़ाइल का चरण दिखाता है, और किसी लाइन पर क्लिक करने से उस फ़ाइल का टेक्स्ट दिखता है। CUDA के साथ फ़ाइलें ग्राफ़िक्स कार्ड से एक-एक करके गुज़रती हैं; प्रोसेसर पर, आठ या ज़्यादा logical processors वाले कंप्यूटर में, दो एक साथ चलती हैं।
- इस बीच। LIVE स्क्रीन पर बोलकर टाइप करना जारी रख सकते हैं। काम के दौरान ऐप बंद करने पर पहले पूछा जाता है: «एक फ़ाइल का ट्रांसक्रिप्शन चल रहा है। बंद करके इसे रद्द करें?»
अपने PC पर या क्लाउड में
| FILES, आपके PC पर Whisper | किसी ऑनलाइन सर्विस पर अपलोड | |
|---|---|---|
| आवाज़ कहाँ जाती है | कहीं नहीं; कंप्यूटर पर ही रहती है | सर्विस के सर्वर पर |
| रफ़्तार किससे तय होती है | आपके प्रोसेसर या ग्राफ़िक्स कार्ड से | सर्विस से |
| इंटरनेट | सिर्फ़ पहली बार के डाउनलोड के लिए | हर फ़ाइल अपलोड करने के लिए, चाहे कितनी भी बड़ी हो |
जब कंप्यूटर पुराना हो, उसमें NVIDIA कार्ड न हो और टेक्स्ट कुछ ही मिनटों में चाहिए, तब ऑनलाइन सर्विस बेहतर है, क्योंकि तब काम किसी और के हार्डवेयर पर होता है। VoiceKeyboard फ़ाइलें कहीं नहीं भेजता; उसके ऑनलाइन इंजन, Google और Soniox, सिर्फ़ माइक्रोफ़ोन से लाइव बोली टाइप करते हैं।
फ़ाइलों के लिए Free और Pro
| Free | Pro | |
|---|---|---|
| कितनी | रोज़ 1 फ़ाइल और 1 वीडियो लिंक | कोई सीमा नहीं |
| लंबाई | हर एक 60 मिनट तक | कोई भी |
| एक साथ | एक-एक करके | कई फ़ाइलें, लिंक की कतार |
| टाइमस्टैम्प | नहीं | हाँ, हर वाक्यांश से पहले [00:01:23] |
| Whisper साइज़, ग्राफ़िक्स कार्ड | सभी | सभी |
मुफ़्त सीमा आधी रात को फिर से शुरू होती है और सिर्फ़ पूरे हुए ट्रांसक्रिप्ट गिनती है: जो फ़ाइल नाकाम रहे, या 60 मिनट से लंबी निकले, उससे सीमा खर्च नहीं होती। FILES रोज़ के 2,000 मुफ़्त डिक्टेशन शब्दों को नहीं छूता। Pro की कीमत $14.99 महीना है, या सालाना भुगतान पर $9.99 महीना, और 14 दिन के अंदर रिफ़ंड मिल सकता है।
रिकॉर्डिंग के ट्रांसक्रिप्शन पर सवाल
एक घंटे की रिकॉर्डिंग में कितना समय लगता है?
यह कंप्यूटर और मॉडल पर निर्भर है, इसलिए VoiceKeyboard कोई वादा नहीं करता। CUDA वाला NVIDIA कार्ड प्रोसेसर से कई गुना तेज़ है, और Small, Large v3 Turbo से तेज़ है। स्टेटस लाइन पर DECODING… के बाद का प्रतिशत बताता है कि कितना काम हो चुका है।
क्या टेक्स्ट में दिखता है कि कौन बोल रहा है?
नहीं। यह बिना बोलने वालों के नाम का एक लगातार टेक्स्ट है। टाइमस्टैम्प (Pro) से आप रिकॉर्डिंग में वह जगह ढूँढकर सुन सकते हैं कि किसने क्या कहा।
क्या सबटाइटल या Word डॉक्यूमेंट बन सकता है?
सादी .txt फ़ाइल सेव होती है। उसे Word में खोलें, या «कॉपी करें» से टेक्स्ट कहीं भी पेस्ट करें। .srt सबटाइटल नहीं बनते।
वीडियो को सीधे उसके लिंक से टेक्स्ट में बदलना हो, तो YouTube वीडियो को अपने कंप्यूटर पर टेक्स्ट में बदलना देखें। VoiceKeyboard आपके कंप्यूटर पर क्या रखता है और क्या बाहर भेजता है, यह «प्राइवेसी: क्या आपके कंप्यूटर पर ही रहता है» पेज पर है।
