whispertranscribe.ai সম্পাদকীয় দল · সর্বশেষ হালনাগাদ নভেম্বর 2026 · পড়তে 12 মিনিট
নিজের হাতে রেকর্ডিংয়ের সেটিংস থাকলে ট্রান্সক্রিপশনের সেরা ফরম্যাট হলো 16 kHz বা তার বেশি হারে মোনোতে রেকর্ড করা লসলেস WAV (16-বিট PCM) বা FLAC। MP3, M4A বা ভিডিও ফাইল আগে থেকেই থাকলে যেমন আছে আপলোড করুন। কমপ্রেসড ফাইল বদলালে হারানো তথ্য ফেরে না। মাইক্রোফোনের দূরত্ব ও শোরগোলের প্রভাব বেশি।
নিচে রেকর্ডের আগে কী বেছে নেবেন, হাতে পাওয়া ফাইল কীভাবে ব্যবহার করবেন, আকারের সূত্র, পরিস্থিতি অনুযায়ী সেটিংস, FFmpeg কমান্ড ও সমস্যার সমাধান আছে।
প্রকাশকের পরিচয়। নির্দেশিকাটি whispertranscribe.ai প্রকাশ করে। কারিগরি দাবির সূত্র Google Cloud, OpenAI-এর Whisper কোড, FFmpeg বা Library of Congress। মূল নিবন্ধের জন্য নির্ভুলতার পরীক্ষা করা হয়নি। কোনো ফরম্যাটে নির্দিষ্ট শতাংশ নির্ভুলতা বৃদ্ধির প্রতিশ্রুতি নেই।
সংক্ষিপ্ত উত্তর: ট্রান্সক্রিপশনের সেরা অডিও ফরম্যাট
একটি ফরম্যাটকে সব ক্ষেত্রে সেরা ধরে নেওয়ার বদলে কাজের ধাপ অনুযায়ী বেছে নিন।
| আপনার পরিস্থিতি | সেরা পছন্দ | কারণ |
|---|---|---|
| রেকর্ডার বা অ্যাপ সেট করছেন | WAV (16-বিট) বা FLAC, মোনো, 16 kHz বা বেশি | Google কথার স্বীকৃতির জন্য লসলেস FLAC বা LINEAR16-এর পরামর্শ দেয় |
| রেকর্ড করার সময় ছোট ফাইল দরকার | মাঝারি বিটরেটে কথার উপযোগী লসি কোডেক | কথার জন্য Google-এর পছন্দের লসি কোডেক ক্রমানুসারে AMR-WB, Ogg Opus, Speex |
| MP3, M4A বা Opus ফাইল আছে | মূল ফাইল আপলোড করুন | আবার এনকোড করলে হারানো তথ্য ফিরে আসে না |
| ভিডিও আছে (MP4, MOV, MKV) | আপলোড করুন, খুব বড় হলে অডিও আলাদা করুন | শুধু অডিও ট্র্যাক ব্যবহৃত হয় |
| বক্তাদের আলাদা ট্র্যাকে রেকর্ড করা হয়েছে | ট্র্যাকগুলো রাখুন | প্রত্যেকের নিজস্ব চ্যানেল থাকলে Google আলাদা করে প্রতিটি চ্যানেল পাঠাতে বলে |
যখন ফরম্যাট নিয়ে ভাবতে হবে না: ফোনের ভয়েস মেমো, প্রকাশিত পডকাস্ট পর্ব বা Zoom কিংবা Teams-এর রেকর্ডিং। আপলোড করুন, কথার সঠিক ভাষা বেছে নিন এবং নাম যাচাইয়ে সময় দিন।
ফরম্যাট, কোডেক ও কনটেইনার: ফাইলের এক্সটেনশনের আড়ালে কী থাকে?
এক্সটেনশন কনটেইনারের নাম বলে, কম্প্রেশনের ধরন সব সময় বলে না। Google-এর অডিও অপ্টিমাইজেশনের নির্দেশিকা স্পষ্ট বলছে, কোডেক ও ফাইলের ফরম্যাট আলাদা জিনিস। তিনটি পরিচিত উদাহরণ:
- WAV সাধারণত আনকমপ্রেসড লিনিয়ার PCM রাখে। অন্য এনকোডিংও রাখতে পারে (Library of Congress, WAVE)।
- M4A লসি AAC বা লসলেস Apple Lossless (ALAC) রাখতে পারে।
- OGG হলো কনটেইনার, যাতে সাধারণত Opus বা Vorbis থাকে। দুটিই লসি।
ফাইলের ভেতর কী আছে দেখতে FFmpeg-এর ffprobe দিয়ে শুধু অডিও স্ট্রিম বের করুন।
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
মূল লেখার সময় FFmpeg 7.1.5 দিয়ে ছোট পরীক্ষামূলক ভিডিওতে এটি চালানো হয়েছিল। প্রতি অডিও স্ট্রিমে একটি লাইন দেখা গিয়েছিল। অডিও বাদ দেওয়া কপিতে কোনো লাইন আসেনি। আপলোডের আগে অডিও ট্র্যাক আছে কি না বোঝার দ্রুত উপায় এটি।
ট্রান্সক্রিপশনের জন্য বিভিন্ন অডিও ফরম্যাটের তুলনা
নিচের সব ফরম্যাট ট্রান্সক্রাইব করা যায়। কত তথ্য বজায় আছে এবং ফাইল কত বড়, তা বদলায়। পরের অংশের সূত্র দিয়ে আকার হিসাব করা হয়েছে (1 MB = 1,000,000 বাইট)।
| ফরম্যাট | লসি না লসলেস | সাধারণ উৎস | প্রতি মিনিটের আকার (নমুনা সেটিংস) | ট্রান্সক্রিপশনে প্রভাব | কী করবেন |
|---|---|---|---|---|---|
| WAV (PCM) | আনকমপ্রেসড | মাঠপর্যায়ের রেকর্ডার, অডিও এডিটর | 16 kHz, 16-বিট মোনোতে 1.92 MB। 44.1 kHz, 16-বিট স্টেরিওতে 10.58 MB | মাইকের ধারণ করা সব তথ্য রাখে | মূল কপির জন্য সেরা। দীর্ঘ সেশনে আকার দেখুন |
| FLAC | লসলেস (কমপ্রেসড) | আর্কাইভ, এডিটর থেকে এক্সপোর্ট | একই WAV-এর চেয়ে ছোট। কতটা ছোট হবে তা বদলায় | সমতুল্য WAV-এর মতো অডিও | জায়গা বাঁচাতে WAV-এর বদলে ব্যবহার করুন |
| AIFF / ALAC / CAF | AIFF সাধারণত আনকমপ্রেসড, ALAC লসলেস, CAF দুটিই রাখতে পারে | Mac ও iPhone অ্যাপ | AIFF: একই সেটিংসে WAV-এর সমান | ভেতরের কোডেকের ওপর নির্ভর করে | যেমন আছে আপলোড করুন |
| MP3 | লসি | পডকাস্ট, ডাউনলোড | 128 kbps-এ 0.96 MB | Google বলছে, লসি কোডেকে নির্ভুলতা কমতে পারে | যেমন আছে আপলোড করুন |
| M4A / AAC | সাধারণত লসি (AAC) | ভয়েস মেমো, ভিডিও সাউন্ডট্র্যাক | 64 kbps-এ 0.48 MB | MP3-এর মতোই সতর্কতা | মূল ফাইল আপলোড করুন |
| OGG / Opus | লসি | মেসেজিং অ্যাপের ভয়েস নোট, ওয়েব কল | 32 kbps-এ 0.24 MB | কথার জন্য Google-এর পছন্দের লসি কোডেকের তালিকায় Opus আছে | যেমন আছে আপলোড করুন |
| AMR (ন্যারোব্যান্ড) | লসি, শুধু কথার জন্য | পুরোনো ফোন ও কল রেকর্ডার | 12.2 kbps-এ প্রায় 0.09 MB | শুধু 200 থেকে 3,400 Hz রাখে (Library of Congress, AMR) | যেমন আছে আপলোড করুন। আপস্যাম্পল করবেন না |
ভিডিওতেও একইভাবে কাজ হয়। টুল অডিও ট্র্যাক পড়ে। কেবল আপলোড বড় হয়।
অডিও ফাইল কত বড় হবে? হিসাবের সূত্র
রেকর্ড বা আপলোডের আগে ফাইলের আকার অনুমান করতে দুটি সূত্র ব্যবহার করুন।
আনকমপ্রেসড PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
হিসাবের উদাহরণ:
- 16 kHz, 16-বিট, মোনো: 16,000 × 2 × 1 = সেকেন্ডে 32,000 বাইট। × 60 = 1,920,000 বাইট, অর্থাৎ মিনিটে প্রায় 1.92 MB, বা ঘণ্টায় 115.2 MB।
- 44.1 kHz, 16-বিট, স্টেরিও: 44,100 × 2 × 2 = সেকেন্ডে 176,400 বাইট, অর্থাৎ মিনিটে প্রায় 10.58 MB, বা ঘণ্টায় 635 MB।
- 48 kHz, 24-বিট, স্টেরিও: 48,000 × 3 × 2 = সেকেন্ডে 288,000 বাইট, বা ঘণ্টায় 1,036.8 MB।
স্থির বিটরেটে লসি (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (অর্থাৎ kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 বাইট, অর্থাৎ মিনিটে প্রায় 0.96 MB, বা ঘণ্টায় 57.6 MB।
- 64 kbps: মিনিটে 0.48 MB। 32 kbps: মিনিটে 0.24 MB।
ফাইল হেডারের কারণে বাস্তবে আকার কিছুটা বেশি। পরিবর্তনশীল বিটরেটে গড়ের আশপাশে আকার ওঠানামা করে। কম্পিউটারে বাইনারি একক (MiB) দেখালে সংখ্যা প্রায় 5% কম দেখায়।
5GB ও 10 ঘণ্টার আপলোড সীমায় এই সংখ্যার অর্থ
whispertranscribe.ai 5GB ও 10 ঘণ্টা পর্যন্ত ফাইল নেয়। 5GB মানে 5,000,000,000 বাইট ধরে প্রচলিত সেটিংসে হিসাব নিচে।
| সেটিংস | 1 ঘণ্টা | 10 ঘণ্টা | 10 ঘণ্টা কি 5GB-এর মধ্যে? |
|---|---|---|---|
| WAV, 16 kHz, 16-বিট, মোনো | 115.2 MB | 1.15 GB | হ্যাঁ |
| WAV, 44.1 kHz, 16-বিট, স্টেরিও | 635 MB | 6.35 GB | না, প্রায় 7.9 ঘণ্টা ধরে |
| WAV, 48 kHz, 24-বিট, স্টেরিও | 1.04 GB | 10.37 GB | না, প্রায় 4.8 ঘণ্টা ধরে |
| MP3, 128 kbps | 57.6 MB | 576 MB | হ্যাঁ |
| Opus, 32 kbps | 14.4 MB | 144 MB | হ্যাঁ |
প্রচলিত WAV-এর নিজস্ব ঊর্ধ্বসীমা আছে। আকারের 32-বিট ফিল্ডে প্রায় 4 GB পর্যন্ত ধরে। আরও দীর্ঘ রেকর্ডিংয়ে RF64 এক্সটেনশন দরকার (Library of Congress)। দীর্ঘ লসলেস রেকর্ডিংয়ে FLAC বা 16 kHz মোনো WAV দুটো সমস্যাই এড়াতে পারে।
অডিও ফরম্যাটের চেয়ে কী বেশি গুরুত্বপূর্ণ?
মাইক্রোফোনের কাছে স্পষ্ট কণ্ঠে রেকর্ড করা MP3 সাধারণত শোরগোলের ঘরের অন্য প্রান্ত থেকে রেকর্ড করা লসলেস ফাইলের চেয়ে ভালো ফল দেয়। নিচের সেটিংস ও অভ্যাসই বেশি প্রভাব ফেলে।
স্যাম্পল রেট: 16 kHz যথেষ্ট?
কথার জন্য যথেষ্ট। Google কমপক্ষে 16,000 Hz-এর পরামর্শ দেয় (সেরা পদ্ধতি)। তাদের নির্দেশিকা অনুযায়ী কম রেটে 8 kHz-এর ওপরের তথ্য সামান্য বা একেবারেই থাকে না। OpenAI-এর ওপেন সোর্স Whisper কোড মডেলে দেওয়ার আগে প্রতিটি ইনপুট 16,000 Hz মোনোতে রূপান্তর করে (whisper/audio.py)। 44.1 বা 48 kHz-এ রেকর্ড করা যায়, শুধু ফাইল বড় হবে।
পরে রেট বাড়ালে লাভ নেই। Google বলছে, 8 kHz ফাইল 44.1 kHz-এ আপস্যাম্পল করলেও ফ্রিকোয়েন্সির পরিসর প্রায় 4 kHz-ই থাকে। সাধারণত 8,000 Hz-এর ফোন অডিও মূল রেটেই আপলোড করুন।
বিট ডেপথ: 16-বিট না 24-বিট?
Google অন্তত 16 বিটের পরামর্শ দেয়। রেকর্ডিংয়ের সময় ডায়নামিক রেঞ্জ ঠিক হয়ে যায়, তাই 8-বিটকে 16-বিটে বদলে লাভ নেই। রেকর্ডারে 24-বিট থাকলে রেখে দিন। 16-বিটকে 24-বিট করলে তথ্য বাড়ে না।
কমপ্রেসড ফাইলের বিটরেট
কোনো মানদণ্ড এমন বিটরেট ঠিক করে না যা ভালো ট্রান্সক্রিপশন নিশ্চিত করে। Google-এর নির্দেশনা কোডেক নিয়ে। লসি কোডেকে নির্ভুলতা কমতে পারে, আর শোরগোল বা প্রতিধ্বনির ক্ষতি লসি কম্প্রেশনে বাড়ে। কমপ্রেস করতেই হলে মাঝারি সেটিংসে একবার করুন। WAV থেকে MP3, তারপর OGG-এর মতো ধারাবাহিক রূপান্তর এড়ান।
মাইক্রোফোনের দূরত্ব, শোরগোল ও লেভেল
Google-এর প্রাক-প্রক্রিয়াকরণের পরামর্শ:
- মাইক্রোফোন যতটা সম্ভব বক্তার কাছে রাখুন, বিশেষ করে পেছনে শোরগোল থাকলে।
- ক্লিপিং এড়ান। বিকৃত হয়ে যাওয়া জোরালো অংশ পরে ঠিক করা যায় না।
- অ্যাপে সম্ভব হলে স্বয়ংক্রিয় গেইন নিয়ন্ত্রণ ও শব্দ হ্রাস বন্ধ করুন। Google-এর মতে স্বীকৃতির আগে শব্দ হ্রাস সাধারণত নির্ভুলতা কমায়।
মোনো না স্টেরিও?
একটি মাইক ভাগ করে নিলে মোনো যথেষ্ট। Whisper স্টেরিও মিশিয়ে মোনো করে। দুই পাশে একই কণ্ঠ থাকলে স্টেরিও কেবল ফাইল দ্বিগুণ করে। অনেক কল রেকর্ডারে বা প্রতি চ্যানেলে একটি ল্যাভালিয়ার মাইকে দুই পাশে আলাদা ব্যক্তি থাকেন। তখন স্টেরিও রাখুন। Google আলাদা চ্যানেল আলাদা পাঠাতে এবং মিশ্র রেকর্ডিং যেমন আছে তেমন পাঠাতে বলে।
মাল্টিট্র্যাক রেকর্ডিং
পডকাস্ট ও দূরবর্তী সাক্ষাৎকারের টুল প্রায়ই প্রতি ব্যক্তিকে আলাদা ট্র্যাকে রেকর্ড করে। একটি মিশ্র ট্র্যাক এক্সপোর্ট করে বক্তার লেবেল চালু করুন (সবচেয়ে সহজ)। অথবা প্রতিটি ট্র্যাক আলাদা ট্রান্সক্রাইব করে টাইমস্ট্যাম্প ধরে লেখা মেলান (অডিও সবচেয়ে পরিষ্কার, তবে মেলাতে হবে নিজে)।
পরিস্থিতি অনুযায়ী ফরম্যাট ও সেটিংস
সাধারণত ফাইল আগে থেকেই থাকে। সে ক্ষেত্রে বেশির ভাগ সময় সরাসরি আপলোড করলেই হয়।
| পরিস্থিতি | রেকর্ডের সেটিংস (বেছে নিতে পারলে) | ফাইল আগে থেকে থাকলে | আপলোডের আগে | সতর্কতা |
|---|---|---|---|---|
| সরাসরি সাক্ষাৎকার | WAV বা FLAC, মাইকপ্রতি মোনো, 44.1 বা 48 kHz | ফোনের M4A বা MP3 | নাম ও পরিভাষা লিখুন | অতিথির কণ্ঠ সাক্ষাৎকারগ্রহীতার চেয়ে নিচু |
| দূরের সাক্ষাৎকার বা পডকাস্ট, পৃথক ট্র্যাক | প্রত্যেক বক্তার নিজস্ব লসলেস ট্র্যাক | পৃথক WAV ও মিশ্র MP3 | মিশ্র বা পৃথক ট্র্যাক বেছে নিন | মিশ্র ট্র্যাকে একসঙ্গে কথা |
| মিটিং রেকর্ডিং (Zoom, Teams, Meet) | প্রয়োজনীয় সম্মতি ও আয়োজকের অনুমতি নিয়ে প্ল্যাটফর্মের অডিও বিকল্প, থাকলে | MP4 বা M4A | ভিডিও খুব বড় হলেই অডিও আলাদা করুন | পুরো কক্ষের জন্য একটি ল্যাপটপের মাইক |
| ফোনের ভয়েস মেমো | অ্যাপের ডিফল্ট সেটিংস | .m4a | মূল ফাইল এক্সপোর্ট করুন | রেকর্ডের সময় পকেটে ফোন |
| প্রকাশিত পডকাস্ট পর্ব | প্রযোজ্য নয় | প্রকাশিত MP3 | প্রকাশের আগের WAV বা FLAC থাকলে ব্যবহার করুন | শুরুতে সংগীত। ভাষা ঠিক করুন |
| লেকচার বা সেমিনার | মোনো, 16-বিট, বক্তার কাছে মাইক | দীর্ঘ MP3 বা ভিডিও | দৈর্ঘ্য 10 ঘণ্টার মধ্যে কি না দেখুন | শ্রোতাদের প্রশ্ন মাইকের বাইরে |
| ফোন কল রেকর্ডিং | রেকর্ডারের ডিফল্ট | AMR, M4A বা 8 kHz WAV | মূল স্যাম্পল রেট রাখুন | রেকর্ডের আগে প্রয়োজনীয় সম্মতি নিন, আপস্যাম্পল করবেন না |
কল রেকর্ডে সম্মতি নিয়ে প্রশ্ন থাকে। ফোন কল রেকর্ড করার উপায় ও অঙ্গরাজ্য অনুযায়ী কল রেকর্ডিংয়ের আইন নির্দেশিকায় তা আলোচনা করা হয়েছে। নির্দিষ্ট পরিস্থিতিতে আইনি পরামর্শ নিন।
FFmpeg দিয়ে ট্রান্সক্রিপশনের জন্য অডিও রূপান্তর
কারণ থাকলেই রূপান্তর করুন। যেমন ফাইল খুব বড়, ভিডিও থেকে ছোট অডিও আপলোড চাই, টুল কোডেক নেয় না বা বক্তাদের জন্য আলাদা ফাইল দরকার। শুধু ফরম্যাট পাল্টে মান বাড়ানো যায় না।
মূল লেখার সময় FFmpeg 7.1.5 দিয়ে 11 সেকেন্ডের পাবলিক ডোমেইনের কথার ক্লিপ ও সেটি থেকে বানানো ছোট পরীক্ষামূলক ভিডিওতে প্রতিটি কমান্ড চালানো হয়েছিল। শুধু কমান্ড শেষ হয়েছে কি না এবং ffprobe-তে প্রত্যাশিত কোডেক, স্যাম্পল রেট ও চ্যানেল এসেছে কি না দেখা হয়েছিল। বিকল্পগুলো FFmpeg নথিতে ব্যাখ্যা করা আছে।
1. যেকোনো ফাইল থেকে 16 kHz মোনো 16-বিট WAV (Whisper ভেতরে যে বিন্যাসে রূপান্তর করে):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. যেকোনো ফাইল থেকে 16 kHz মোনো FLAC (লসলেস এবং সাধারণত WAV-এর চেয়ে ছোট):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. ভিডিও থেকে ছোট মোনো MP3 (একটি লসি ধাপ যোগ হয়। আকার সবচেয়ে জরুরি হলে ব্যবহার করুন):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. পুনরায় এনকোড ছাড়াই ভিডিও থেকে অডিও বের করুন (অডিও AAC হলে কাজ করে, যা MP4-তে প্রচলিত):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. দুই চ্যানেলের রেকর্ডিং থেকে প্রতি বক্তার জন্য একটি ফাইল বানান (channelsplit ফিল্টার ব্যবহার করে):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| বিকল্প | কী করে |
|---|---|
-ac 1 |
অডিও মিশিয়ে একটি চ্যানেল করে |
-ar 16000 |
আউটপুট স্যাম্পল রেট 16,000 Hz করে |
-c:a pcm_s16le |
16-বিট আনকমপ্রেসড PCM লেখে (সাধারণ WAV) |
-vn |
ভিডিও স্ট্রিম বাদ দেয় |
-c:a copy |
অডিওর মান অপরিবর্তিত রেখে কপি করে |
-b:a 64k |
লসি বিটরেট ঠিক করে |
ভিডিওর অডিও আগে থেকেই AAC হলে কমান্ড 3-এর বদলে 4 বেছে নিন। এতে মূল মান থাকে। 8 kHz ফোন অডিওতে আপস্যাম্পলিং এড়াতে -ar 16000 বাদ দিন।
কমান্ড লাইন ব্যবহার করতে চান না? whispertranscribe.ai-এর অডিও ও ভিডিও থেকে MP3 কনভার্টার ব্রাউজারেই MP4, MOV, MKV, WEBM বা AVI থেকে অডিও ট্র্যাক বের করে। পৃষ্ঠা বলছে, এটি WebAssembly ব্যবহার করে এবং ফাইল ব্রাউজারেই প্রক্রিয়া হয়। সার্ভারে আপলোড হয় না।
বড় ফাইল 5GB ও 10 ঘণ্টার মধ্যে রাখবেন যেভাবে
- আকার বেশি, কিন্তু 10 ঘণ্টার কম: সাধারণত ভিডিও বা উচ্চ রেজোলিউশনের WAV। অডিও বের করুন (কমান্ড 4 বা ব্রাউজার কনভার্টার) অথবা WAV থেকে FLAC করুন (কমান্ড 2)।
- 10 ঘণ্টার বেশি: আপলোড পৃষ্ঠার বার্তার অর্থ, ‘বর্তমানে সর্বোচ্চ 10 ঘণ্টার ফাইল প্রক্রিয়া করা যায়। ফাইলটি 10 ঘণ্টা বা তার কম করে আবার চেষ্টা করুন।’ ফাইলটি ভাগ করুন। আমাদের MP3 থেকে টেক্সট নির্দেশিকার পুনরায় এনকোড না করে ভাগ করার কমান্ডটি WAV-এও কাজ করে। মূল লেখার সময় নমুনা WAV-এ চালিয়ে দেখা হয়েছিল। লেখা জোড়ার সময় সংযোগস্থলগুলো যাচাই করুন।
- ইন্টারনেট ধীর: 64 kbps MP3-তে এক ঘণ্টা প্রায় 28.8 MB, আর CD-মানের স্টেরিও WAV-তে 635 MB। আর্কাইভে মূল লসলেস ফাইল রাখুন।
অডিও ফরম্যাটের সমস্যা ও সমাধান
| সমস্যা | সম্ভাব্য কারণ | কী চেষ্টা করবেন |
|---|---|---|
| ‘অডিও শনাক্ত হয়নি। ফাইলটি নষ্ট হতে পারে। যাচাই করে আবার চেষ্টা করুন।’ (আমাদের আপলোড পৃষ্ঠার বার্তা) | ক্ষতিগ্রস্ত ফাইল, শব্দ ছাড়া এক্সপোর্ট বা খালি অডিও ট্র্যাক | ডিভাইসে চালান। ওপরের ffprobe পরীক্ষা করুন (আউটপুট না থাকলে অডিও স্ট্রিম নেই)। মূল অ্যাপ থেকে আবার এক্সপোর্ট করুন |
| দৈর্ঘ্যের কারণে আপলোড নেয় না | ফাইল 10 ঘণ্টার বেশি | 10 ঘণ্টা বা কমের অংশে ভাগ করুন |
| ফাইল খুব বড় | ভিডিও বা উচ্চ রেজোলিউশনের মাল্টিচ্যানেল WAV | অডিও বের করুন বা WAV থেকে FLAC করুন |
| 4 GB-এর বেশি WAV খোলে না বা আপলোড হয় না | প্রচলিত WAV-এর আকারসীমা | RF64 বা FLAC-এ আবার এক্সপোর্ট করুন, অথবা ভাগ করুন |
| একজনের কণ্ঠ অন্যজনের চেয়ে অনেক নিচু | প্রত্যেকে ভিন্ন চ্যানেলে ভিন্ন লেভেলে রেকর্ড হয়েছেন | চ্যানেল ভাগ করুন (কমান্ড 5) ও প্রতিটি ফাইল ট্রান্সক্রাইব করুন |
| জোরালো অংশে বিকৃত বা খসখসে আওয়াজ | রেকর্ডিংয়ের সময় ক্লিপিং | বিকৃতি ঠিক করা যায় না। পরের বার ইনপুট গেইন কমান |
| 48 kHz করার পরও ফোন অডিও খারাপ | আপস্যাম্পলিংয়ে তথ্য যোগ হয় না | মূলটি আপলোড করুন। ভাষার জন্য থাকলে ‘Noise / Low-Quality Audio/Video’ বিকল্প ব্যবহার করুন |
whispertranscribe.ai কোথায় কাজে লাগে?
whispertranscribe.ai ব্রাউজারে চলে এবং OpenAI-এর Whisper মডেলের সাহায্যে ট্রান্সক্রাইব করে। অ্যাপ, API বা মানুষের প্রুফরিডিং নেই। বিনামূল্যের অডিও থেকে টেক্সট কনভার্টার ও অন্যান্য আপলোড পৃষ্ঠায় এই ফরম্যাটগুলো তালিকাভুক্ত: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG ও MPEG।
- সীমা: 5GB ও 10 ঘণ্টা পর্যন্ত ফাইল।
- ভাষা: 130+ ভাষা, অনেকগুলোতে ‘Noise / Low-Quality Audio/Video’ বিকল্প।
- নির্ভুলতা: পরিষ্কার অডিওতে 99% পর্যন্ত। শোরগোল, দূরত্ব, উচ্চারণ ও একসঙ্গে কথায় কমে।
- বক্তা: ট্রান্সক্রাইবের আগে Speaker Detection চালু করুন।
- এক্সপোর্ট: DOCX, PDF, TXT, CSV, SRT ও VTT।
- গোপনীয়তা: গোপনীয়তা নীতি বলছে, প্রক্রিয়ার পর মূল আপলোড মুছে ফেলা হয় এবং বের করা MP3 ফাইল সাধারণত 30 দিন রাখা হয়।
নির্দিষ্ট রেকর্ডিংয়ের জন্য MP3 ফাইল, ভয়েস মেমো, ফোন কল, সাক্ষাৎকার এবং লেকচার ও সেমিনারের পৃষ্ঠা দেখুন। অ্যাকাউন্ট ছাড়া ফ্রি পৃষ্ঠায় একটি ফাইল চেষ্টা করুন (সীমা সেখানে দেওয়া আছে)। পেইড প্ল্যান বার্ষিক বিলিংয়ে মাসে $9.99 থেকে (মূল্য)। বাকি সব সুবিধার পৃষ্ঠায় আছে।
প্রায় জিজ্ঞাসিত প্রশ্ন
ট্রান্সক্রিপশনের সেরা অডিও ফরম্যাট কোনটি?
রেকর্ডিং আপনার নিয়ন্ত্রণে থাকলে WAV বা FLAC সেরা। সম্ভব হলে মোনো, 16 kHz বা তার বেশি এবং 16-বিট ডেপথ রাখুন। MP3, M4A বা Opus-এর মতো কমপ্রেসড ফাইল থাকলে রূপান্তরের বদলে যেমন আছে আপলোড করুন। মাইক কাছে রাখা, পেছনের শব্দ কমানো ও ক্লিপিং এড়ানো সাধারণত ফরম্যাট বাছার চেয়ে বেশি গুরুত্বপূর্ণ।
ট্রান্সক্রিপশনে WAV কি MP3-এর চেয়ে ভালো?
উৎস থেকে রেকর্ড করা WAV, MP3-এর চেয়ে বেশি তথ্য রাখে। Google জানায়, MP3-এর মতো লসি কোডেকে স্বীকৃতির নির্ভুলতা কমতে পারে। স্পষ্ট কথায় ব্যবধান প্রায়ই কম, শোরগোলের রেকর্ডিংয়ে বেশি। MP3 থেকে বানানো WAV সেই MP3-এর মান বাড়ায় না, কারণ বাদ পড়া তথ্য আর নেই। সম্ভব হলে WAV বা FLAC-এ রেকর্ড করুন ও MP3 যেমন আছে আপলোড করুন।
ট্রান্সক্রিপশনের জন্য কত স্যাম্পল রেট ব্যবহার করব?
16 kHz বা বেশি ব্যবহার করুন। Google কথা শনাক্তকরণের জন্য অন্তত 16,000 Hz সুপারিশ করে। OpenAI-এর Whisper প্রক্রিয়ার আগে সব অডিও 16 kHz মোনো করে। 44.1 বা 48 kHz-এ রেকর্ড করা প্রচলিত এবং গ্রহণযোগ্য। পরে নিচু রেট বাড়াবেন না। 8 kHz ফোন রেকর্ডিং 8 kHz-এই আপলোড করুন। আপস্যাম্পলিং ফাইল বড় করে, কথার তথ্য বাড়ায় না।
ট্রান্সক্রিপশনের জন্য মোনো না স্টেরিওতে রেকর্ড করব?
সবাই একটি মাইক ভাগ করলে মোনোতে রেকর্ড করুন। Whisper স্টেরিও মিশিয়ে মোনো করে, তাই একই কণ্ঠের স্টেরিও কপি শুধু আকার দ্বিগুণ করে। কল রেকর্ডার বা অতিথিপ্রতি আলাদা মাইকে প্রত্যেকে আলাদা চ্যানেলে থাকলে স্টেরিও বা মাল্টিট্র্যাক রাখুন। Google পৃথক চ্যানেল আলাদা করে ট্রান্সক্রাইব করার পরামর্শ দেয়। FFmpeg দিয়ে চ্যানেল ভাগ করতে পারেন।
প্রতি মিনিটে WAV ফাইল কত বড়?
সেটিংসের ওপর নির্ভর করে। স্যাম্পল রেট, প্রতি স্যাম্পলের বাইট ও চ্যানেল সংখ্যা গুণ করলে সেকেন্ডপ্রতি বাইট পাবেন। 16 kHz, 16-বিট মোনো WAV হলো 16,000 × 2 × 1 = সেকেন্ডে 32,000 বাইট, মিনিটে প্রায় 1.92 MB বা ঘণ্টায় 115.2 MB। CD-মানের 44.1 kHz, 16-বিট স্টেরিও মিনিটে প্রায় 10.58 MB বা ঘণ্টায় 635 MB।
অডিও না বের করে ভিডিও ফাইল আপলোড করতে পারি?
হ্যাঁ। ট্রান্সক্রিপশন টুল অডিও ট্র্যাক পড়ে। MP4, MOV, MKV বা WEBM থেকে তার বের করা অডিওর মতোই ট্রান্সক্রিপ্ট আসে। ভিডিও আপলোডের আকার বাড়ায়। ফাইল সীমার কাছাকাছি হলে বা সংযোগ ধীর হলে অডিও বের করুন। যেমন FFmpeg-এর -vn -c:a copy মূল অডিওর মান রাখে। whispertranscribe.ai-এ ভিডিও যেমন আছে আপলোড করে DOCX, TXT, SRT বা VTT এক্সপোর্ট করা যায়।
রেকর্ডিং প্রস্তুত? whispertranscribe.ai-এর বিনামূল্যের অডিও থেকে টেক্সট কনভার্টারে যেমন আছে আপলোড করুন। 130+ ভাষা থেকে বেছে নিন, Speaker Detection চালু করুন, তারপর DOCX, TXT, SRT বা VTT ডাউনলোড করুন। সর্বোচ্চ 5GB এবং 10 ঘণ্টার ফাইল।
তথ্যসূত্র
- Google Cloud: Speech-to-Text-এর সেরা পদ্ধতি (কথার ডেটা দেওয়া)
- Google Cloud: Speech-to-Text-এর জন্য অডিও ফাইল অপ্টিমাইজ করা
- OpenAI: Whisper GitHub রিপোজিটরিতে whisper/audio.py
- FFmpeg: ffmpeg কমান্ড-লাইন নথি ও channelsplit ফিল্টার
- Library of Congress: WAVE অডিও ফাইল ফরম্যাট (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
