YouTube वीडियो को अपने कंप्यूटर पर टेक्स्ट में कैसे बदलें

क्या चाहिए

• Windows 10 या 11 पर VoiceKeyboard, और आवाज़ डाउनलोड होने तक इंटरनेट।
• Whisper मॉडल, जो ऐप के अंदर एक बार डाउनलोड होता है। सुझाया गया साइज़ «सबसे अच्छा · Large v3 Turbo» 547 MB का है।
• दो मुफ़्त सहायक प्रोग्राम: yt-dlp (लगभग 17 MB) लिंक के पीछे की आवाज़ लाता है, और FFmpeg (लगभग 73 MB) उसे Whisper के लायक बनाता है। पहली बार एक विंडो हर प्रोग्राम का साइज़, स्रोत और लाइसेंस दिखाती है, और जब तक आप «डाउनलोड करें» नहीं दबाते, कुछ डाउनलोड नहीं होता।

लिंक से टेक्स्ट तक, सात स्टेप में

1. ब्राउज़र में वीडियो खोलें और पेज का पता (URL) कॉपी करें।
2. VoiceKeyboard में ऊपर की पट्टी में FILES दबाएँ और SOURCE & OUTPUT में LINK चुनें।
3. «पेस्ट करें» दबाएँ, या लिंक को ब्राउज़र से खींचकर FILES स्क्रीन पर छोड़ दें।
4. TRANSCRIPT DESTINATION में «इस रूप में सेव करें...» दबाएँ और .txt फ़ाइल का फ़ोल्डर और नाम चुनें।
5. LOCAL MODEL में अभी कोई मॉडल न हो, तो «मॉडल चुनें…» दबाकर एक मॉडल डाउनलोड करें।
6. LANGUAGE को «ऑटो» पर रहने दें। हिंदी वीडियो के लिए यही एक रास्ता है (नीचे देखें)।
7. ▶ शुरू दबाएँ।

स्टेटस लाइन पर पहले DOWNLOADING… के साथ प्रतिशत, साइज़ और स्पीड दिखती है। फिर DECODING… अपने प्रतिशत के साथ आता है, और यह भी कि काम कौन कर रहा है: NVIDIA ग्राफ़िक्स कार्ड हो तो CUDA, प्रोसेसर हो तो BLAS या CPU। टेक्स्ट TRANSCRIPT वाले हिस्से में वाक्यांश-दर-वाक्यांश आता जाता है, इसलिए आप अंत से काफ़ी पहले पढ़ना शुरू कर सकते हैं। वीडियो पूरा होते ही .txt सेव हो जाती है।

हिंदी वीडियो: भाषा «ऑटो» पर ही

LANGUAGE की सूची में बारह भाषाएँ हैं, पर हिंदी उनमें नहीं है। हिंदी वीडियो «ऑटो» पर चलता है: Whisper पहले लगभग 30 सेकंड सुनकर भाषा तय करता है और पूरे वीडियो में वही भाषा रखता है। अगर वीडियो अंग्रेज़ी इंट्रो या गाने से शुरू होता है, तो Whisper उसे अंग्रेज़ी मान सकता है, और तब हिंदी को हाथ से चुनने का कोई विकल्प नहीं है। Hinglish वीडियो में भी पूरी फ़ाइल के लिए एक ही भाषा चुनी जाती है। हिंदी के लिए Large v3 Turbo या Large v3 लें; Tiny और Base अंग्रेज़ी के अलावा दूसरी भाषाओं में काफ़ी गलतियाँ करते हैं।

वीडियो का क्या होता है

VoiceKeyboard साइट से सिर्फ़ आवाज़ का ट्रैक माँगता है, अगर साइट उसे अलग से देती है, और वीडियो का कुछ भी अपने पास नहीं रखता। FFmpeg आवाज़ को उस सादे फ़ॉर्मैट में बदलता है जो Whisper पढ़ता है, और Whisper आपके प्रोसेसर या ग्राफ़िक्स कार्ड पर टेक्स्ट लिखता है। काम के दौरान की कॉपियाँ Windows के temporary फ़ोल्डर में रहती हैं और काम खत्म होते ही मिटा दी जाती हैं, चाहे काम पूरा हुआ हो, गड़बड़ हुई हो या आपने उसे रद्द किया हो। आपके पास सिर्फ़ आपकी .txt बचती है।

इस पूरे काम में ऐप सिर्फ़ उसी वीडियो साइट से बात करता है जो आवाज़ भेजती है। आवाज़ किसी ट्रांसक्रिप्शन सर्विस को नहीं जाती।

टाइमस्टैम्प, कॉपी और टेक्स्ट फ़ाइल

Pro में «टेक्स्ट में टाइमस्टैम्प» पर टिक करें, तो हर वाक्यांश वीडियो में अपने समय से शुरू होगा, जैसे [00:12:05]। किसी बात को वीडियो में दोबारा ढूँढने का यह सबसे तेज़ तरीका है।

नतीजा एक सादी UTF-8 .txt फ़ाइल है। «कॉपी करें» पूरा टेक्स्ट क्लिपबोर्ड पर रख देता है, ताकि आप उसे Word, Google Docs या किसी AI चैट में पेस्ट करके सारांश बनवा सकें। सबटाइटल (.srt) या Word फ़ाइल नहीं बनती। ट्रांसक्रिप्ट किसी मौजूदा फ़ाइल को कभी नहीं बदलता: नाम पहले से मौजूद हो, तो नई फ़ाइल के नाम में (2) जुड़ जाता है।

एक साथ कई लिंक

Pro में पूरी सूची दी जा सकती है। लिंक हर लाइन में एक, या स्पेस या कॉमा से अलग करके पेस्ट करें; बॉक्स में पहला लिंक और «+N और» दिखेगा। लिंक एक-एक करके डाउनलोड होते हैं और बारी-बारी से चलते हैं, हर एक का अपना ट्रांसक्रिप्ट और अपनी फ़ाइल। यानी लेक्चर की पूरी सीरीज़ लगाकर बाद में लौट सकते हैं। मुफ़्त प्लान में पेस्ट की गई सूची का सिर्फ़ पहला लिंक रहता है।

कौन-सी साइटें चलती हैं

VoiceKeyboard लिंक को yt-dlp को सौंपता है, जो एक मुफ़्त, ओपन-सोर्स डाउनलोडर है और YouTube समेत बहुत-सी वीडियो और ऑडियो साइटों के साथ काम करता है। अगर yt-dlp किसी पेज की आवाज़ ला सकता है, तो FILES उसे टेक्स्ट में बदल सकता है। फिर भी कुछ लिंक नहीं चलते:

• जिन वीडियो के लिए लॉग-इन ज़रूरी है (प्राइवेट, सिर्फ़ मेंबर्स के लिए, या उम्र की पाबंदी वाले), वे डाउनलोड नहीं होते, क्योंकि ऐप आपके ब्राउज़र का लॉग-इन इस्तेमाल नहीं करता।
• किसी प्लेलिस्ट के अंदर के वीडियो का लिंक सिर्फ़ वही एक वीडियो देता है, पूरी प्लेलिस्ट नहीं।
• वीडियो साइटें बदलती रहती हैं, और ऐप वाला yt-dlp अपने-आप अपडेट नहीं होता। अगर ब्राउज़र में ठीक चलने वाला लिंक ERR: DOWNLOAD_FAILED पर रुक जाए, तो सबसे संभावित वजह साइट में हुआ बदलाव है।

FILES या ऑनलाइन इंजन

VoiceKeyboard में दो ऑनलाइन इंजन हैं, Google और Soniox, और वे LIVE स्क्रीन पर काम करते हैं: माइक्रोफ़ोन जो सुनता है, उसे बोलते-बोलते टाइप करते हैं। FILES का कोई ऑनलाइन मोड नहीं है। हर लिंक और हर फ़ाइल को आपके कंप्यूटर पर Whisper ही पहचानता है।

जब शब्द अभी माइक्रोफ़ोन में बोले जा रहे हों और उन्हें तुरंत टाइप होना हो, तो ऑनलाइन इंजन के साथ LIVE चुनें (Google मुफ़्त है, Soniox Pro में; इंजनों की तुलना हिंदी वॉइस टाइपिंग वाले लेख में है)। बात पहले से रिकॉर्ड हो, तो FILES चुनें। NVIDIA कार्ड के बिना पुराने लैपटॉप पर लंबा वीडियो काफ़ी समय लेता है; Whisper के छोटे साइज़ तेज़ हैं, पर गलतियाँ ज़्यादा करते हैं।

लिंक के लिए Free और Pro

मुफ़्त प्लान में रोज़ एक लिंक मिलता है, 60 मिनट तक, बिना टाइमस्टैम्प के, और साथ में आपकी डिस्क से एक ऑडियो या वीडियो फ़ाइल। वीडियो की लंबाई डाउनलोड के बाद ही पता चलती है, इसलिए इससे लंबा वीडियो FREE: UP TO 60 MIN लिखकर रुक जाता है। ऐसी कोशिश से, और नाकाम कोशिश से भी, दिन का लिंक खर्च नहीं होता: सिर्फ़ पूरा हुआ ट्रांसक्रिप्ट गिना जाता है, और सीमा आधी रात को फिर से शुरू होती है।

Pro सारी सीमाएँ हटा देता है: कोई भी लंबाई, लिंक की कतार, टाइमस्टैम्प। इसकी कीमत $14.99 महीना है, या सालाना भुगतान पर $9.99 महीना, और 14 दिन के अंदर रिफ़ंड मिल सकता है। दोनों प्लान की टेबल ऑडियो फ़ाइल को टेक्स्ट में बदलने वाले लेख में है।

वीडियो लिंक के बारे में सवाल

कंप्यूटर में पहले से रखी रिकॉर्डिंग, जैसे मीटिंग या वॉइस नोट, भी इसी स्क्रीन से चलती है: ऑडियो और वीडियो फ़ाइल को अपने PC पर टेक्स्ट में बदलना देखें। FILES के हर बटन का ब्योरा हेल्प पेज «फ़ाइलों और वीडियो लिंक का ट्रांसक्रिप्शन» में है।