লিখেছেন whispertranscribe.ai সম্পাদকীয় দল · সর্বশেষ হালনাগাদ নভেম্বর 2026 · পড়তে 12 মিনিট
MP3 থেকে লেখা তৈরি করতে AI প্রতিলিপি টুলে ফাইলটি দিন, রেকর্ডিংয়ের ভাষা বেছে নিন এবং DOCX, TXT বা SRT হিসেবে এক্সপোর্ট করুন। Microsoft Word-এর Transcribe সুবিধা ব্যবহার করতে পারেন, নিজে টাইপ করতে পারেন অথবা ওপেনএআইয়ের বিনামূল্যের Whisper মডেল নিজের কম্পিউটারে চালাতে পারেন। চূড়ান্ত লেখার নির্ভুলতা অনেকটাই MP3-এর মানের ওপর নির্ভর করবে।
নিচে চারটি পদ্ধতির ধাপ, বিটরেট ও স্যাম্পল রেট বোঝার উপায়, অডিও যাচাইয়ের তালিকা, দীর্ঘ রেকর্ডিং ও একাধিক বক্তা সামলানোর পরামর্শ এবং তিন দফা সম্পাদনার পদ্ধতি রয়েছে।
সংক্ষিপ্ত উত্তর: MP3 থেকে কীভাবে লেখা তৈরি করবেন
অধিকাংশের জন্য অনলাইন টুল দ্রুততম। এটি MP3 ফাইল সরাসরি গ্রহণ করে, বক্তাদের আলাদা করে চিহ্নিত করে এবং সম্পাদনাযোগ্য ফাইল দেয়। Microsoft 365-এর সাবস্ক্রিপশন থাকলে Word ব্যবহার করুন, ছোট ক্লিপ নিজে টাইপ করুন এবং অডিও ডিভাইসের বাইরে পাঠানো না গেলে নিজের কম্পিউটারে Whisper চালান।
- ফাইল যাচাই করুন। 30 সেকেন্ড শুনে কণ্ঠগুলো স্পষ্ট কি না দেখুন।
- আপলোড করে সেটিংস ঠিক করুন। কথার ভাষা বেছে নিন। একাধিক ব্যক্তি কথা বললে বক্তা শনাক্তকরণ চালু করুন।
- সম্পাদনা করে এক্সপোর্ট করুন। নাম ও সংখ্যা ঠিক করুন। নথির জন্য DOCX বা TXT এবং ক্যাপশনের জন্য SRT বা VTT নামান।
কোন পদ্ধতি ব্যবহার করবেন?
অডিওর দৈর্ঘ্য, বক্তার পরিচয় উল্লেখ করার প্রয়োজন এবং কোথায় অডিও পাঠানো যাবে, এই তিনটি বিবেচনা করুন। Microsoft-সংক্রান্ত তথ্যের যাচাই নভেম্বর 2026-এ করা হয়েছে।
| পদ্ধতি | খরচ | বক্তার পরিচয় | অডিও কোথায় যায় | যে কাজে উপযোগী |
|---|---|---|---|---|
| 1. অনলাইন প্রতিলিপি টুল | অনেক টুলে বিনামূল্যে শুরু, বেশি কাজের জন্য পেইড প্ল্যান | অধিকাংশ টুলে আছে | সেবাদাতার সার্ভারে | সাক্ষাৎকার, পডকাস্ট, লেকচার, নিয়মিত কাজ |
| 2. Microsoft Word Transcribe | Microsoft 365-এর অন্তর্ভুক্ত, মাসে সর্বোচ্চ 300 মিনিট আপলোড | আছে (Speaker 1, Speaker 2) | Microsoft-এর সার্ভারে, ফাইল নিজের OneDrive-এ থাকে | আগে থেকেই Word ব্যবহার করলে মাঝেমধ্যে ফাইল থেকে লেখা নেওয়ার জন্য |
| 3. নিজে টাইপ | বিনামূল্যে, তবে কয়েক ঘণ্টা লাগতে পারে | নিজে যোগ করবেন | নিজের ডিভাইসে | ছোট ক্লিপ ও হুবহু উদ্ধৃতি |
| 4. নিজের কম্পিউটারে Whisper | বিনামূল্যে, ওপেন সোর্স | অফিসিয়াল টুলে নেই | নিজের ডিভাইসে | গোপনীয় রেকর্ডিং, কারিগরি দক্ষ ব্যবহারকারী, একসঙ্গে অনেক ফাইল |
শুরুর আগে 60 সেকেন্ডে MP3 যাচাই করুন
MP3 একটি লসি বা কিছু তথ্য বাদ দেওয়া ফরম্যাট। Library of Congress-এর ফরম্যাট বর্ণনায় বলা হয়েছে, মানুষের কানে কম ধরা পড়ে এমন শব্দ এতে বাদ যায়। 128 kbit/s-এর MP3 ফাইল CD মানের অডিওর প্রায় এগারো ভাগের এক ভাগ। হারানো তথ্য ফেরত পাওয়া যায় না, তাই ফাইলটির মান আগে বুঝে নিন।
Windows-এ Properties → Details আর Mac-এ Get Info খুলুন। FFmpeg ইনস্টল করা থাকলে নিচের কমান্ডে কোডেক, স্যাম্পল রেট, চ্যানেল, বিটরেট ও দৈর্ঘ্য পাবেন।
ffprobe -v error -select_streams a:0 -show_entries stream=codec_name,sample_rate,channels,bit_rate -show_entries format=duration -of default=noprint_wrappers=1 interview.mp3
ইংরেজি মূল নিবন্ধে বলা হয়েছে, কমান্ডটি ঠিক কি না দেখতে FFmpeg 7.1 দিয়ে একটি ছোট নমুনা MP3-তে পরীক্ষা করা হয়েছিল। আউটপুটে sample_rate=44100 ও bit_rate=128000-এর মতো লাইন আসে। সেগুলোর অর্থ নিচে দেওয়া হলো।
| মান | কী বোঝায় | প্রতিলিপির জন্য অর্থ |
|---|---|---|
| bit_rate | কম্প্রেশনের পর প্রতি সেকেন্ডে কত ডেটা আছে | খুব কম বিটরেটে কম তথ্য থাকে, যা পরে যোগ করা যায় না |
| sample_rate | প্রতি সেকেন্ডে কতবার শব্দের নমুনা নেওয়া হয়েছে | কথা শনাক্ত করতে Google 16,000 Hz বা বেশি সুপারিশ করে |
| channels | মোনো (1) বা স্টেরিও (2) | স্টেরিও ব্যবহার করা যায়। Whisper অডিও লোড করার সময় মোনোতে মেশায় |
| duration | রেকর্ডিংয়ের দৈর্ঘ্য | টুলের ফাইলের দৈর্ঘ্য বা মিনিটের সীমা ছাড়াবে কি না বোঝা যায় |
MP3-এর বিটরেট কি প্রতিলিপির নির্ভুলতায় প্রভাব ফেলে?
ফেলতে পারে। Google Cloud-এর কথা শনাক্তকরণের নির্দেশিকায় বলা হয়েছে, MP3-সহ লসি কোডেক নির্ভুলতা কমাতে পারে। লসি কোডেকের সঙ্গে আশপাশের শব্দ ও প্রতিধ্বনি থাকলে প্রভাব আরও বেশি। বিটরেটের কোনো নির্দিষ্ট সীমা প্রকাশিত নেই, তাই এটিকে কয়েকটি বিষয়ের একটি হিসেবে ধরুন। উচ্চ বিটরেটের চেয়ে মাইক্রোফোনের কাছে স্পষ্ট কণ্ঠ বেশি গুরুত্বপূর্ণ।
আপনার কাছে থাকা সবচেয়ে ভালো মানের ফাইল ব্যবহার করুন। মূল WAV বা FLAC ফাইল থাকলে সেটি দিন। 96 kbps ফাইলকে 320 kbps-এ পুনরায় এনকোড করলে বা WAV হিসেবে সেভ করলে ফাইল বড় হবে, হারানো তথ্য ফিরবে না।
কথা শনাক্ত করতে কত স্যাম্পল রেট লাগে?
সাধারণত 16 kHz যথেষ্ট। OpenAI-এর ওপেন সোর্স Whisper কোড FFmpeg দিয়ে প্রতিটি ফাইল লোড করে, মোনোতে রূপান্তর করে এবং মডেলে দেওয়ার আগে 16,000 Hz-এ রিস্যাম্পল করে (GitHub-এ whisper/audio.py)। Google-ও নিজে রিস্যাম্পল করতে নিষেধ করে। 8,000 Hz-এ ধারণ করা ফোন রেকর্ডিং যেমন আছে তেমনই দিন, এর স্যাম্পল রেট বাড়াবেন না।
সাধারণ MP3-এর 44.1 kHz বা 48 kHz প্রয়োজনের চেয়েও বেশি। আপলোডের আগে স্যাম্পল রেট বদলাবেন না।
অডিওর মান যাচাইয়ের তালিকা
গুরুত্বপূর্ণ কাজের আগে এই বিষয়গুলো দেখুন।
- শুরুর অংশ ও মাঝখান থেকে কিছুটা শুনুন। সঠিক ভাষা কি না এবং সবাইকে শোনা যায় কি না দেখুন।
- ভলিউম পরীক্ষা করুন।
ffmpeg -i interview.mp3 -af volumedetect -f null -কমান্ড গড় ও সর্বোচ্চ ভলিউম দেখায়। সর্বোচ্চ মান 0 dB-এর কাছাকাছি হলে ক্লিপিং হয়ে থাকতে পারে। শব্দের বিকৃত শীর্ষ ঠিক করা কঠিন। - মাত্রাতিরিক্ত নয়েজ রিডাকশন এড়িয়ে চলুন। Google-এর নির্দেশিকা অনুযায়ী, কথা শনাক্ত করার আগে নয়েজ রিডাকশন করলে সাধারণত নির্ভুলতা কমে।
- নাম, সংক্ষিপ্ত রূপ ও বিশেষ পরিভাষার তালিকা করুন, যাতে পরে মিলিয়ে নিতে পারেন।
- মূল ফাইল সংরক্ষণ করুন যতক্ষণ না প্রতিলিপি চূড়ান্ত হয়।
পদ্ধতি 1: অনলাইন প্রতিলিপি টুলে MP3 আপলোড করুন
লম্বা MP3 থেকে দ্রুত সম্পাদনাযোগ্য লেখা বানাতে অনলাইন টুল ব্যবহার করুন। মডেল সেবাদাতার সার্ভারে চলে, তাই কিছু ইনস্টল করতে হয় না। এখানে whispertranscribe.ai দিয়ে ধাপগুলো দেখানো হয়েছে। whispertranscribe.ai হলো OpenAI-এর Whisper-ভিত্তিক ওয়েব টুল। 130+ ভাষার অডিও ও ভিডিওকে লেখায় রূপান্তর করে এবং সর্বোচ্চ 5GB ও 10 ঘণ্টার ফাইল গ্রহণ করে। অন্য টুলেও পদ্ধতি কাছাকাছি, তবে মেনু আলাদা।
ধাপ 1: MP3 প্রতিলিপির পৃষ্ঠা খুলে ভাষা বেছে নিন
MP3 থেকে লেখা তৈরির পৃষ্ঠায় গিয়ে Step 1-এর অধীনে রেকর্ডিংয়ের ভাষা বেছে নিন। 130+ ভাষা, English (India)-এর মতো আঞ্চলিক রূপ এবং অস্বচ্ছ রেকর্ডিংয়ের জন্য Noise / Low-Quality Audio/Video বিকল্প আছে।
ধাপ 2: MP3 আপলোড করুন
Step 2-এ ফাইল টেনে ছেড়ে দিন বা ব্রাউজ করে বেছে নিন। ফাইল সর্বোচ্চ 5GB হতে পারে এবং প্ল্যানগুলো সর্বোচ্চ 10 ঘণ্টার রেকর্ডিং সমর্থন করে। WAV, M4A, FLAC, MP4 ও MOV-ও চলে।
ধাপ 3: প্রয়োজন হলে Speaker Detection চালু করুন
সাক্ষাৎকার, মিটিং ও পডকাস্টে Enable Speaker Detection চালু করুন, যাতে প্রত্যেকের বক্তব্য আলাদা করে চিহ্নিত হয়।
ধাপ 4: প্রতিলিপি শুরু করুন
Transcribe MP3 to text চাপুন। স্পষ্ট অডিওতে নির্ভুলতা সর্বোচ্চ 99% হতে পারে। আশপাশের শব্দ, ভারী উচ্চারণ ও একই সময়ে একাধিক ব্যক্তির কথা নির্ভুলতা কমায়। তাই লেখা সম্পাদনা করার সময় রাখুন।
ধাপ 5: প্রতিলিপি এক্সপোর্ট করুন
নথি ও বিশ্লেষণের জন্য DOCX, PDF, TXT বা CSV ডাউনলোড করুন। সময়চিহ্নসহ ক্যাপশন দরকার হলে SRT বা VTT নিন। সরাসরি সাবটাইটেল তৈরির জন্য MP3 থেকে SRT রূপান্তরকারী ব্যবহার করুন।
প্ল্যান বেছে নেওয়ার আগে অ্যাকাউন্ট ছাড়াই বিনামূল্যে ব্যবহার করে দেখুন। পেইড প্ল্যানের মূল্য বছরে বিল পরিশোধ করলে মাসে $9.99 থেকে শুরু। মূল্যতালিকা দেখুন। বড় ভিডিও ফাইল আগে অডিও ও ভিডিও থেকে MP3 রূপান্তরকারী দিয়ে ছোট করতে পারেন। Google Drive বা Dropbox-এ রাখা MP3-এর লিংক সরাসরি Transcribe from URL-এ দিন।
খেয়াল রাখুন: অনলাইন টুল অডিও সেবাদাতার সার্ভারে আপলোড করে। গোপনীয় রেকর্ডিং হলে আগে গোপনীয়তা নীতি পড়ুন, অথবা পদ্ধতি 3 বা 4 ব্যবহার করুন।
পদ্ধতি 2: Microsoft Word-এর Transcribe ব্যবহার করুন
Microsoft 365 থাকলে Word-এ MP3-এর প্রতিলিপি তৈরি করা যায়। নভেম্বর 2026-এ যাচাই করা Microsoft Support অনুযায়ী, Transcribe .mp3, .wav, .m4a ও .mp4 ফাইল গ্রহণ করে এবং বক্তাদের আলাদা করে।
- Microsoft 365-এ সাইন ইন করে Word-এর ওয়েব সংস্করণে (নতুন Microsoft Edge বা Chrome) অথবা Windows-এ Word for Microsoft 365-এ নথি খুলুন।
- Home → Dictate ড্রপডাউন থেকে → Transcribe-এ যান।
- Transcribe প্যানেলে Upload audio চেপে MP3 বেছে নিন।
- কাজ শেষ না হওয়া পর্যন্ত প্যানেল খোলা রাখুন। Microsoft-এর মতে, রেকর্ডিংয়ের দৈর্ঘ্যের সমান সময় লাগতে পারে।
- পর্যালোচনার সময় কোনো অংশ সর্বোচ্চ 2x গতিতে চালাতে, লেখা সম্পাদনা করতে এবং “Speaker 1” নামটি একবারে সব জায়গায় বদলাতে পারবেন।
- পাতায় প্রতিলিপি যোগ করতে Add all to document বেছে নিন, তারপর DOCX হিসেবে সেভ করুন।
সীমাগুলো খেয়াল রাখুন: Microsoft 365 ব্যবহারকারীরা মাসে সর্বোচ্চ 300 মিনিট অডিও আপলোড করতে পারেন। এক নথিতে একটি প্রতিলিপি থাকে। আপলোডগুলো OneDrive-এর Transcribed Files ফোল্ডারে সেভ হয়। Microsoft জানায়, Windows ডেস্কটপ সংস্করণে সুবিধাটি আপাতত বাণিজ্যিক টেন্যান্টে সীমাবদ্ধ। সহায়তা পৃষ্ঠায় SRT বা VTT এক্সপোর্ট নেই, তাই Word নথির কাজে বেশি উপযোগী।
পদ্ধতি 3: নিজে টাইপ করে MP3 প্রতিলিপি বানান
নিজে টাইপ করলে খরচ নেই এবং অডিও নিজের ডিভাইসেই থাকে। তবে সময় বেশি লাগে। ছোট ক্লিপ, হুবহু উদ্ধৃতি ও স্বয়ংক্রিয় প্রতিলিপিতে ভুল হওয়া অংশের জন্য এই পদ্ধতি ব্যবহার করুন।
- এমন প্লেয়ারে MP3 খুলুন যেখানে গতি কমানো যায় এবং শর্টকাট দিয়ে পেছনে যাওয়া যায়। পাশে খালি নথি রাখুন।
- প্লেব্যাকের গতি প্রায় 0.75x রাখুন এবং ছোট অংশে কাজ করুন। অল্প কিছু শুনুন, থামান, টাইপ করুন, প্রয়োজনে পেছনে যান।
- বক্তা বদলালে পরিচয় লিখুন, যেমন
সাক্ষাৎকারগ্রহীতা:ওমারিয়া:। W3C-এর প্রতিলিপির নির্দেশিকায় বলা হয়েছে, পডকাস্টের প্রতিলিপিতে বক্তাদের চিহ্নিত করে সাধারণ অনুচ্ছেদ দিলেই চলে। - যা শোনা যায়নি তা চিহ্নিত করুন সময়চিহ্ন দিয়ে, যেমন
[শোনা যায়নি 00:14:32]। এতে পরে সহজে ফিরে যেতে পারবেন। - শেষবার স্বাভাবিক গতিতে শুনুন এবং পাশাপাশি পড়ুন, যাতে একই রকম শোনায় এমন ভুল শব্দ ধরতে পারেন।
চাইলে টুল দিয়ে খসড়া বানিয়ে শুধু গুরুত্বপূর্ণ অংশেই এইভাবে যাচাই করুন।
পদ্ধতি 4: নিজের কম্পিউটারে Whisper চালান
Whisper হলো OpenAI-এর ওপেন সোর্স কথা শনাক্তকরণ মডেল। OpenAI-এর গবেষণাপত্র অনুযায়ী এটি 680,000 ঘণ্টার বহুভাষিক অডিও দিয়ে প্রশিক্ষিত। নিজের কম্পিউটারে চালাতে টাকা লাগে না, আর কোনো ফাইল আপলোড হয় না। সেটআপ করতে Python ও FFmpeg লাগবে এবং ধীর কম্পিউটারে বেশি সময় লাগতে পারে।
অফিসিয়াল রিপোজিটরি অনুযায়ী ইনস্টল করুন।
pip install -U openai-whisper
FFmpeg-ও ইনস্টল করে PATH-এ রাখতে হবে। এরপর প্রতিলিপি তৈরি করুন।
whisper interview.mp3 --model turbo --language English --output_format srt
শুধু লেখার জন্য --output_format txt দিন। TXT, VTT, SRT, TSV ও JSON একসঙ্গে পেতে ওই ফ্ল্যাগ বাদ দিন। CPU-তে চালালে সতর্কবার্তা এড়াতে --fp16 False যোগ করুন। ইংরেজি মূল নিবন্ধে বলা হয়েছে, কমান্ডের সিনট্যাক্স যাচাই করতে openai-whisper 20250625 ও tiny মডেল দিয়ে পাবলিক ডোমেইনের একটি ছোট ক্লিপে পরীক্ষা করা হয়েছিল।
| মডেল | প্যারামিটার | আনুমানিক VRAM (OpenAI-এর মতে) | large-এর তুলনায় গতি (OpenAI-এর মতে) |
|---|---|---|---|
| tiny | 39 M | প্রায় 1 GB | প্রায় 10x |
| small | 244 M | প্রায় 2 GB | প্রায় 4x |
| medium | 769 M | প্রায় 5 GB | প্রায় 2x |
| turbo (ডিফল্ট) | 809 M | প্রায় 6 GB | প্রায় 8x |
| large | 1550 M | প্রায় 10 GB | 1x |
OpenAI-এর মতে, turbo হলো large-v3-এর দ্রুততর সংস্করণ, যার নির্ভুলতা সামান্য কমে। এটি অনুবাদের জন্য প্রশিক্ষিত নয়।
সীমাবদ্ধতা: অফিসিয়াল টুলে বক্তা চিহ্নিত করার সুবিধা, এডিটর বা DOCX ও PDF এক্সপোর্ট নেই। OpenAI জানায়, ভাষাভেদে ফলাফলে বড় পার্থক্য হয়। কমিউনিটির কিছু প্রকল্প এসব ঘাটতি মেটায়, প্রতিটির আলাদা সেটআপ আছে।
দীর্ঘ MP3, একাধিক বক্তা ও অন্যান্য ভাষা সামলানোর উপায়
দীর্ঘ রেকর্ডিং
আপলোডের আগে সীমা দেখে নিন। whispertranscribe.ai-এর প্ল্যানগুলো সর্বোচ্চ 10 ঘণ্টা ও 5GB-এর ফাইল গ্রহণ করে। Word মাসে মোট পাঁচ ঘণ্টা দেয়। অন্য টুলের সীমা কম হলে FFmpeg দিয়ে MP3 পুনরায় এনকোড না করেই এক ঘণ্টার অংশে কাটতে পারেন।
ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3
বাক্যের মাঝখানে কাটতে পারে, তাই লেখা জোড়া দেওয়ার সময় অংশগুলোর সংযোগ যাচাই করুন। ক্লাস ও বক্তব্যের জন্য লেকচারের প্রতিলিপি দেখুন।
একাধিক বক্তা
বক্তা শনাক্তকরণ চালু করুন। প্রতিলিপি শেয়ার করার আগে সাধারণ লেবেলগুলোর জায়গায় আসল নাম দিন। বক্তাদের কণ্ঠ কাছাকাছি হলে বা একজন অন্যজনের কথা কেটে বললে লেবেলে ভুল বেশি হয়। প্রত্যেকের কয়েকটি বক্তব্য যাচাই করুন। পরের সেশনে প্রত্যেককে আলাদা মাইক্রোফোন দিন।
অন্যান্য ভাষা ও উচ্চারণ
স্বয়ংক্রিয় শনাক্তকরণের বদলে ভাষা বেছে নিন, বিশেষত ফাইলের শুরুতে সংগীত থাকলে। ইংরেজি, স্প্যানিশ, ফরাসি, জার্মান, হিন্দি, রুশ, পর্তুগিজ, জাপানি, ইতালীয় ও ডাচ ভাষার মধ্যে বদল হয় এমন রেকর্ডিংয়ের জন্য whispertranscribe.ai-তে Multilingual Mix আছে। অন্য ভাষার MP3 থেকে ইংরেজি লেখা চাইলে আলাদা করে প্রতিলিপি ও অনুবাদ করার বদলে অডিও থেকে ইংরেজি অনুবাদ ব্যবহার করুন।
3 দফায় MP3 প্রতিলিপি সম্পাদনা করবেন যেভাবে
AI-এর খসড়ায় কিছু নির্দিষ্ট জায়গায় ভুল হওয়ার প্রবণতা থাকে। তাই সাধারণত পুরো ফাইল আবার শুনতে হয় না।
দফা 1: আগে খুঁজে সংশোধন করুন। নাম ও পরিভাষার তালিকা দিয়ে খুঁজে প্রতিস্থাপনের সুবিধায় একবারেই সব ভুল বানান ঠিক করুন।
দফা 2: যেসব অংশে ভুল বেশি হয় সেগুলো শুনুন। নিচের অংশগুলো অডিওর সঙ্গে মিলিয়ে দেখুন।
| যেখানে নজর দেবেন | সাধারণ ভুল | যাচাইয়ের উপায় |
|---|---|---|
| সংখ্যা ও তারিখ | “পনেরো” ও “পঞ্চাশ” গুলিয়ে ফেলা, দশমিক বাদ পড়া | যে সংখ্যাগুলো উদ্ধৃত করবেন সেগুলো আবার শুনুন |
| নাম ও ব্র্যান্ড | উচ্চারণ অনুযায়ী বানান লেখা | পরিভাষার তালিকার সঙ্গে মেলান |
| একসঙ্গে একাধিক ব্যক্তির কথা | দুটি বাক্য মিশে যাওয়া বা একটি বাদ পড়া | প্রথমে স্বাভাবিক গতিতে, পরে ধীরগতিতে শুনুন |
| বক্তা বদল | অন্য ব্যক্তির নামে বক্তব্য দেখানো | প্রতি পরিবর্তনের পর প্রথম লাইন দেখুন |
| নিচু বা দূরের কণ্ঠ | শব্দ বাদ পড়া | অংশটির ভলিউম বাড়ান |
| প্রথম ও শেষ কয়েক মিনিট | সৌজন্যমূলক কথা, সংগীত, ভাষা ভুল শনাক্ত করা | প্রয়োজন অনুযায়ী বাদ দিন বা ঠিক করুন |
দফা 3: নথি হিসেবে পড়ুন। অডিও ছাড়া একবার পড়ুন। যেখানে অর্থ মিলছে না, আবার শুনুন। তবুও বোঝা না গেলে আন্দাজ করার বদলে [অস্পষ্ট] লিখুন।
কোন এক্সপোর্ট ফরম্যাট প্রয়োজন?
লেখাটি এরপর কোথায় ব্যবহার হবে তা দেখে বেছে নিন। নথির জন্য DOCX বা TXT আর ভিডিওতে দেখানোর জন্য SRT বা VTT।
| ফরম্যাট | ব্যবহার |
|---|---|
| DOCX | সম্পাদনা, প্রতিবেদন, নিবন্ধ, অনুষ্ঠানের নোট |
| শেয়ার বা সংরক্ষণের জন্য নির্দিষ্ট বিন্যাসে অনুলিপি | |
| TXT | অন্য অ্যাপ বা AI সারাংশ টুলে পেস্ট করা |
| CSV | স্প্রেডশিট ও গবেষণা বিশ্লেষণ |
| SRT | YouTube, ভিডিও এডিটর ও প্লেয়ারে সাবটাইটেল |
| VTT | HTML5 ওয়েব ভিডিও প্লেয়ারে ক্যাপশন |
ফোনের ভয়েস নোটের জন্য ভয়েস মেমোর প্রতিলিপি পৃষ্ঠায় একই এক্সপোর্ট বিকল্প আছে।
সাধারণ প্রশ্ন
বিনামূল্যে কি MP3 থেকে লেখা তৈরি করা যায়?
হ্যাঁ। নিজে টাইপ করতে কোনো খরচ নেই। OpenAI-এর ওপেন সোর্স Whisper নিজের কম্পিউটারে চালাতে সেটআপের সময় ও হার্ডওয়্যার ছাড়া খরচ নেই। অনেক অনলাইন টুলেও বিনামূল্যে শুরু করা যায়। নিজের অডিওর ফল পরীক্ষা করতে whispertranscribe.ai-তে অ্যাকাউন্ট ছাড়াই বিনামূল্যের বিকল্প আছে। বিনামূল্যের বিকল্পে সাধারণত দৈর্ঘ্য বা সুবিধা সীমিত। নিয়মিত কাজের জন্য পেইড প্ল্যানগুলোর তুলনা করুন। whispertranscribe.ai-তে বছরে বিল পরিশোধ করলে মাসে $9.99 থেকে শুরু।
MP3 ফাইলের প্রতিলিপি করতে কত সময় লাগে?
AI টুলে সাধারণত অডিওর দৈর্ঘ্যের চেয়ে অনেক কম সময় লাগে। সময় ফাইল ও সেবার ওপর নির্ভর করে। Microsoft-এর মতে, Word-এর Transcribe-এ ফাইলের দৈর্ঘ্যের প্রায় সমান সময় লাগতে পারে। নিজের কম্পিউটারে Whisper চালালে হার্ডওয়্যার ও মডেল অনুযায়ী সময় বদলায়। ছোট মডেল দ্রুত হলেও ভুল বেশি করে। নিজে টাইপ করতে অডিওর দৈর্ঘ্যের কয়েক গুণ সময় লাগে। এ কারণে বেশির ভাগ মানুষ শুধু ছোট ক্লিপ নিজে টাইপ করেন।
MP3-কে WAV-এ বদলালে কি নির্ভুলতা বাড়ে?
না। MP3-কে WAV হিসেবে সেভ করলে বা বেশি বিটরেটে আবার এনকোড করলে ফাইল বড় হয়। MP3 তৈরির সময় বাদ দেওয়া তথ্য এতে ফেরত আসে না। MP3 একটি লসি ফরম্যাট। মূল WAV বা FLAC রেকর্ডিং থাকলে সেটি ব্যবহার করুন। নইলে MP3 যেমন আছে তেমনই আপলোড করুন। Whisper-এর মতো কথা শনাক্তকরণ টুল নিজেই 16 kHz মোনোতে রিস্যাম্পল করে। তাই নিজে স্যাম্পল রেট বদলালেও সুবিধা হয় না।
একাধিক বক্তা থাকলে MP3-এর প্রতিলিপি কীভাবে করব?
বক্তা শনাক্ত করতে পারে এমন টুল বেছে নিন এবং শুরু করার আগে সুবিধাটি চালু করুন। প্রতিলিপিতে প্রতিটি বক্তব্য Speaker 1-এর মতো নম্বরযুক্ত পরিচয় পাবে। পরে সেগুলো প্রকৃত নামে বদলে নিন। Microsoft Word-এর Transcribe এবং whispertranscribe.ai বক্তাদের চিহ্নিত করে। অফিসিয়াল Whisper কমান্ড লাইন টুলে এই সুবিধা নেই। একজন আরেকজনের কথা কেটে বললে লেবেল মিশে যাওয়ার সম্ভাবনা বেশি, তাই সেসব অংশ যাচাই করুন।
MP3 থেকে কি Word নথি তৈরি করা যায়?
হ্যাঁ। অনলাইন টুলে MP3-এর প্রতিলিপি তৈরি করে DOCX হিসেবে এক্সপোর্ট করলে সরাসরি Word বা Google Docs-এ খুলতে পারবেন। Microsoft 365 থাকলে Word-এ Home, Dictate, Transcribe ও Upload audio দিয়ে MP3 আপলোড করে Add all to document বেছে নিতে পারেন। Microsoft 365 সাবস্ক্রিপশনে মাসে সর্বোচ্চ 300 মিনিট অডিও আপলোড করা যায়।
MP3 থেকে কি প্রতিলিপির বদলে সাবটাইটেল বানানো যায়?
হ্যাঁ। DOCX বা TXT-এর বদলে SRT বা VTT হিসেবে প্রতিলিপি এক্সপোর্ট করুন। এই দুই ফরম্যাটেই প্রতিটি লাইনের সময় সংরক্ষিত থাকে, তাই প্লেয়ার বা ভিডিও এডিটর সঠিক সময়ে লেখা দেখাতে পারে। whispertranscribe.ai-তে প্রতিলিপির পর SRT বা VTT এক্সপোর্ট করুন অথবা MP3 থেকে SRT রূপান্তরকারী ব্যবহার করুন। Whisper-এর কমান্ড লাইন টুলেও আউটপুট ফরম্যাটের বিকল্প দিয়ে SRT বা VTT ফাইল বানানো যায়।
ব্যবহার করে দেখতে চান? whispertranscribe.ai-এর MP3 থেকে লেখা তৈরির টুলে ফাইল আপলোড করুন। অন্য ফরম্যাটের জন্য বিনামূল্যে অডিও থেকে লেখা তৈরির টুল ব্যবহার করুন। দুটিই 130+ ভাষায় কাজ করে। দুটোতেই বক্তার পরিচয় এবং DOCX, PDF, TXT, CSV, SRT ও VTT এক্সপোর্ট আছে।
তথ্যসূত্র
- Library of Congress: MP3 (MPEG Layer III অডিও এনকোডিং)
- Google Cloud: Speech-to-Text API-তে ডেটা দেওয়ার নির্দেশিকা
- Microsoft Support: রেকর্ডিংয়ের প্রতিলিপি তৈরি করুন
- OpenAI: GitHub-এ Whisper (README ও
whisper/audio.py) - Radford ও সহলেখক, OpenAI: বৃহৎ পরিসরে দুর্বল তত্ত্বাবধানের মাধ্যমে নির্ভরযোগ্য কথার শনাক্তকরণ
- W3C Web Accessibility Initiative: প্রতিলিপি
