YouTube का अपना ट्रांसक्रिप्ट: कब यही काफ़ी है
कई वीडियो के डिस्क्रिप्शन में YouTube का «Show transcript» बटन होता है। इसे दबाते ही कैप्शन समय के साथ लाइन-दर-लाइन खुल जाते हैं, वीडियो चलने के साथ लिस्ट भी आगे खिसकती है, और किसी लाइन पर क्लिक करें तो वीडियो ठीक उसी जगह पहुँच जाता है। यह फ़्री है और कुछ इंस्टॉल नहीं करना पड़ता। अगर एक वीडियो में बस कोई एक पल ढूँढना है, तो यही इस्तेमाल करें।
लेकिन इसकी कुछ सीमाएँ हैं, और इन्हीं की वजह से लोग दूसरा तरीका ढूँढते हैं:
- यह सिर्फ़ उन्हीं वीडियो में मिलता है जिनमें कैप्शन हैं। YouTube की हेल्प में साफ़ लिखा है कि पूरा ट्रांसक्रिप्ट "any video that has captions" का दिखता है। कैप्शन नहीं, तो ट्रांसक्रिप्ट भी नहीं।
- ऑटो कैप्शन सिर्फ़ वीडियो की डिफ़ॉल्ट भाषा में बनते हैं। अगर बोलने वाला बीच में भाषा बदल दे, तो भी कैप्शन एक ही भाषा में रहेंगे।
- ट्रांसक्रिप्ट YouTube के पेज पर ही रहता है। सेव करना हो तो हाथ से सेलेक्ट करके कॉपी करना पड़ता है, और लाइनें वैसे ही टूटी हुई आती हैं जैसे कैप्शन में टूटी होती हैं।
हर लाइन के समय वाली टेक्स्ट फ़ाइल
VoiceKeyboard YouTube के कैप्शन नहीं पढ़ता। वह वीडियो की आवाज़ डाउनलोड करता है, फिर Whisper (आवाज़ पहचानने वाला मॉडल) उसे आपके कंप्यूटर पर ही सुनकर लिख देता है कि क्या बोला गया। इसलिए वीडियो में कैप्शन हों या न हों, या लेखक ने कोई भी भाषा डिफ़ॉल्ट रखी हो, कोई फ़र्क नहीं पड़ता।
Pro में FILES स्क्रीन पर «टेक्स्ट में टाइमस्टैम्प» पर टिक लगाएँ। फिर हर लाइन के आगे वह समय लिखा आता है जब वह बात वीडियो में शुरू होती है:
![अंग्रेज़ी इंटरफ़ेस में VoiceKeyboard की FILES स्क्रीन, Timestamps in the text पर टिक लगा है। TRANSCRIPT वाले हिस्से में एक लेक्चर की लाइनें हैं, हर लाइन अपने समय से शुरू होती है: [00:20:50], [00:20:56], [00:21:01], [00:21:06]।](/assets/img/shots/files-batch-en-1920.webp?v=7ed8c10de7)
नतीजा एक सादी UTF-8 .txt फ़ाइल होती है। वेब पेज की तुलना में इससे कुछ काम आसान हो जाते हैं:
- किसी बात का हवाला देना। Ctrl+F से वाक्य ढूँढें, उसका समय ठीक उसके आगे मिलेगा। इसे YouTube लिंक में जोड़ दें (जैसे
&t=12m05s), तो पढ़ने वाला सीधे उसी बात पर पहुँचेगा। - नोट्स और समरी। फ़ाइल ChatGPT, Claude या Gemini को दें और समय के साथ समरी माँगें; मॉडल सिर्फ़ उन्हीं पलों का ज़िक्र कर पाएगा जो टेक्स्ट में हैं।
- आर्काइव। ट्रांसक्रिप्ट वाले फ़ोल्डर में सालों बाद भी Windows search से खोज सकते हैं, भले ही वीडियो हट चुका हो।
Pro के बिना भी यही टेक्स्ट मिलता है, बस समय नहीं होता। सबटाइटल (.srt) या Word में एक्सपोर्ट नहीं होता: ऐप सिर्फ़ .txt बनाता है।
फ़ाइल कैसे पाएँ
वीडियो का लिंक कॉपी करें, VoiceKeyboard में FILES खोलें, LINK चुनें, लिंक पेस्ट करें और ▶ शुरू दबाएँ। पहली बार ऐप दो मुफ़्त हेल्पर प्रोग्राम (डाउनलोड के लिए yt-dlp, कन्वर्ज़न के लिए FFmpeg) और एक Whisper मॉडल डाउनलोड करने की इजाज़त माँगता है; जब तक आप हाँ न कहें, कुछ डाउनलोड नहीं होता। पूरा तरीका, और स्टेटस लाइन पर क्या-क्या दिखता है, YouTube वीडियो को टेक्स्ट में बदलने वाले लेख में है।
आवाज़ की पहचान आपके प्रोसेसर पर चलती है, और अगर NVIDIA ग्राफ़िक्स कार्ड है तो उस पर, जो कई गुना तेज़ है। वीडियो प्रोसेस होते-होते ही आप TRANSCRIPT वाले हिस्से में टेक्स्ट पढ़ सकते हैं।
जब लिंक काम न करे
YouTube, Instagram और Facebook जैसी सोशल मीडिया और वीडियो साइटें अपना कंटेंट डाउनलोड होने से रोकने की लगातार कोशिश करती हैं। इसलिए यह फ़ीचर हमेशा चलेगा, इसकी गारंटी नहीं है: जो लिंक आज चल रहा है, वह उनकी तरफ़ किसी बदलाव के बाद बंद हो सकता है।
जिन वीडियो के लिए लॉग-इन करना पड़ता है (प्राइवेट, सिर्फ़ मेंबर्स वाले, उम्र की पाबंदी वाले), वे डाउनलोड नहीं होते, क्योंकि VoiceKeyboard आपके ब्राउज़र वाला अकाउंट इस्तेमाल नहीं करता। अगर YouTube किसी पब्लिक वीडियो को मना कर दे, तो ऐप देखता है कि yt-dlp का नया वर्ज़न आया है या नहीं (yt-dlp YouTube के बदलावों के हिसाब से अपडेट होता रहता है), और लिंक एक बार फिर आज़माता है। फिर भी न चले, तो मैसेज में यही लिखा आता है, और आमतौर पर बाद में दोबारा कोशिश करना ही रास्ता है।
कौन-सी भाषाएँ
Whisper करीब 99 भाषाएँ समझता है। «ऑटो» पर वह शुरू के लगभग 30 सेकंड सुनकर भाषा तय करता है और पूरे वीडियो में वही रखता है। FILES की LANGUAGE लिस्ट में बारह भाषाएँ हैं (अंग्रेज़ी, स्पेनिश, रूसी और जापानी समेत), लेकिन हिंदी उनमें नहीं है, इसलिए हिंदी वीडियो «ऑटो» पर ही चलाएँ। अगर अंदाज़ा गलत निकले (जैसे वीडियो अंग्रेज़ी इंट्रो से शुरू हो), तो दूसरी भाषाओं के लिए आप लिस्ट से भाषा खुद चुन सकते हैं; हिंदी के लिए यह विकल्प नहीं है। Whisper वही भाषा लिखता है जो बोली गई है, अनुवाद नहीं करता।
Free और Pro
| Free | Pro | |
|---|---|---|
| वीडियो लिंक | रोज़ 1, 60 मिनट तक | कोई लिमिट नहीं, कितना भी लंबा, लिंक की कतार |
| टाइमस्टैम्प [00:12:05] | नहीं | हाँ |
| ट्रांसक्रिप्शन | आपके PC पर Whisper | आपके PC पर Whisper |
| नतीजा | .txt | .txt |
Pro $14.99 महीना है, या सालाना पेमेंट पर $9.99 महीना, और 14 दिन के अंदर रिफ़ंड लिया जा सकता है। अगर कोशिश नाकाम हो जाए या वीडियो लिमिट से लंबा निकले, तो दिन का फ़्री लिंक खर्च नहीं होता; सिर्फ़ पूरा हुआ ट्रांसक्रिप्ट गिना जाता है।
आम सवाल
क्या हर शब्द का टाइमस्टैम्प मिल सकता है?
नहीं। समय हर वाक्यांश का मिलता है, जो आमतौर पर एक वाक्य या उसका कुछ हिस्सा होता है।
क्या पूरी प्लेलिस्ट एक साथ हो सकती है?
प्लेलिस्ट के अंदर वाले वीडियो का लिंक सिर्फ़ उसी एक वीडियो का टेक्स्ट देता है। Pro में जिन वीडियो की ज़रूरत है, उनके लिंक लिस्ट की तरह पेस्ट कर दें; वे एक-एक करके ट्रांसक्राइब होंगे, और हर वीडियो की अलग फ़ाइल बनेगी।
क्या वीडियो किसी ट्रांसक्रिप्शन सर्विस पर भेजा जाता है?
नहीं। आवाज़ YouTube से सीधे आपके PC पर आती है और वहीं पहचानी जाती है। काम पूरा होते ही डाउनलोड की गई कॉपी मिटा दी जाती है; सिर्फ़ .txt फ़ाइल बचती है।
ज़्यादातर यह लेक्चर और कोर्स के लिए काम आता है: लेक्चर ट्रांसक्रिप्ट और वॉइस नोट्स से पढ़ाई में बताया है कि उनके साथ कैसे काम करें। Instagram के छोटे वीडियो के लिए Instagram Reel का टेक्स्ट देखें।
