লিখেছেন whispertranscribe.ai সম্পাদকীয় দল · সর্বশেষ হালনাগাদ নভেম্বর 2026 · পড়তে 12 মিনিট
স্পিচ টু টেক্সট অনুবাদে এক ভাষার রেকর্ডিং থেকে অন্য ভাষায় লেখা তৈরি হয়। দুটি উপায় আছে। আগে মূল ভাষায় ট্রান্সক্রাইব করে সেটি অনুবাদ করতে পারেন। অথবা এমন মডেল ব্যবহার করতে পারেন যা অডিও থেকে সরাসরি কাঙ্ক্ষিত ভাষায় লেখে। প্রথমটি যাচাই করা সহজ, দ্বিতীয়টি দ্রুত।
এখানে দুই পদ্ধতি ও তাদের সীমাবদ্ধতা, বহুভাষিক SRT ও VTT সাবটাইটেলসহ চারটি ব্যবহারিক পদ্ধতি, মানে প্রভাব ফেলা কারণের টেবিল, অনুবাদের পর যাচাই এবং কখন পেশাদার অনুবাদক নেওয়া ভালো, তা পাবেন।
সংক্ষিপ্ত উত্তর: স্পিচ টু টেক্সট অনুবাদ কীভাবে করবেন?
বেশির ভাগ রেকর্ডিংয়ে প্রথমে মূল ভাষায় ট্রান্সক্রাইব করুন, ট্রান্সক্রিপ্ট ঠিক করুন এবং সংশোধিত লেখা অনুবাদ করুন। শুধু ইংরেজি দরকার এবং দ্রুত করতে হলে সরাসরি কথা থেকে ইংরেজি টুল প্রথম খসড়ার জন্য যথেষ্ট। দুই পদ্ধতিতেই প্রকাশ বা গুরুত্বপূর্ণ ব্যবহারের আগে উভয় ভাষা জানেন এমন কাউকে দিয়ে মিলিয়ে নিন।
- কথার ভাষায় ট্রান্সক্রাইব করুন। স্বয়ংক্রিয় শনাক্তকরণের ওপর নির্ভর না করে নিজেই ভাষা বেছে নিন।
- মূল ট্রান্সক্রিপ্ট ঠিক করুন। আগে নাম, সংখ্যা ও পরিভাষা।
- অনুবাদ ও যাচাই করুন। লেখা অনুবাদ করে মূল লেখা ও অডিওর সঙ্গে মেলান।
স্পিচ টু টেক্সট অনুবাদ কী?
ভাষা A-তে কথা থেকে শুরু হয়ে ভাষা B-তে লেখা তৈরি হয়, এমন যেকোনো পদ্ধতি স্পিচ টু টেক্সট অনুবাদ। সাধারণ ট্রান্সক্রিপশনে ভাষা একই থাকে। সাধারণ অনুবাদ লেখা থেকে শুরু হয়। এই কাজে দুটোই হয়। কীভাবে করা হয়, তার ওপর যাচাইয়ের সুবিধা নির্ভর করে।
দুই পদ্ধতি: ধাপে ধাপে ও সরাসরি
গবেষকেরা প্রথম পদ্ধতিকে ক্যাসকেড বলেন। আগে বাক্স্বীকৃতি, পরে লেখা অনুবাদ। দ্বিতীয়টি সরাসরি বা এন্ড-টু-এন্ড অনুবাদ। একটি মডেল অডিও থেকে কাঙ্ক্ষিত ভাষায় সরাসরি লেখে। OpenAI-এর Whisper সরাসরি অনুবাদ করতে পারে, তবে শুধু ইংরেজিতে।
| ট্রান্সক্রাইব করে অনুবাদ (ক্যাসকেড) | কথার সরাসরি অনুবাদ | |
|---|---|---|
| দৃশ্যমান ধাপ | দুটি, মূল ট্রান্সক্রিপ্ট ও পরে অনুবাদ | একটি, অডিও দিয়ে কাঙ্ক্ষিত ভাষায় লেখা |
| অনুবাদের ভাষা | টেক্সট অনুবাদক যে ভাষা সমর্থন করে | প্রায়ই সীমিত। Whisper-এর অনুবাদের আউটপুট শুধু ইংরেজি |
| মূল ভাষার লেখা | হাতে থাকে | সাধারণত তৈরি হয় না |
| কোথায় ভুল ধরা যায় | দুই ধাপের মাঝে, মূল লেখায় | ফল অডিওর সঙ্গে মিলিয়ে |
| পরে আবার অনুবাদ | সংশোধিত ট্রান্সক্রিপ্ট আবার ব্যবহার | অডিও আবার চালান বা ইংরেজি থেকে অনুবাদ করুন |
| উপযোগী ক্ষেত্র | গবেষণা, প্রকাশনা, একাধিক ভাষায় সাবটাইটেল, উদ্ধৃতি | রেকর্ডিং ইংরেজিতে দ্রুত বোঝা |
দুই পদ্ধতিতে কী ভুল হতে পারে?
ক্যাসকেডে ভুল পরের ধাপে যায়। বক্তা «পনেরো» বললেও ট্রান্সক্রিপ্টে «পঞ্চাশ» থাকলে অনুবাদ নিখুঁত ব্যাকরণে ভুল সংখ্যাটিই দেবে। অনুবাদের আগে ট্রান্সক্রিপ্ট ঠিক করা সহজ সমাধান।
সরাসরি অনুবাদে যাচাই করার মতো মূল লেখা থাকে না। ভুল শোনা এবং ভুল অনুবাদ ফলাফলে একই রকম দেখায়। তাই যাচাইকারীকে অডিওতে ফিরতে হয়। সরাসরি ফল ভুল থাকলেও সাবলীল দেখাতে পারে এবং ত্রুটি ধরা কঠিন হয়।
কোন পদ্ধতি ব্যবহার করবেন?
লেখার কাজ এবং কত ভাষা দরকার, তা দেখে বেছে নিন।
| পরিস্থিতি | প্রস্তাবিত পদ্ধতি | কারণ |
|---|---|---|
| বিদেশি ভাষার রেকর্ডিং দ্রুত বুঝতে হবে | পদ্ধতি 2, সরাসরি ইংরেজিতে ট্রান্সক্রাইব | এক ধাপে পড়ার মতো খসড়া |
| নিবন্ধ বা প্রতিবেদনে বক্তাকে উদ্ধৃত করবেন | পদ্ধতি 1, গুরুত্বপূর্ণ উদ্ধৃতির জন্য পদ্ধতি 4 | মূল শব্দ যাচাই করতে পারবেন |
| দুই বা তার বেশি ভাষায় সাবটাইটেল দরকার | পদ্ধতি 3, মূল SRT বা VTT বানিয়ে ক্যাপশনের লেখা অনুবাদ | এক সেট সময়চিহ্ন সব ভাষায় চলে |
| গবেষণার সাক্ষাৎকার বিশ্লেষণ ও উদ্ধৃতি | পদ্ধতি 1 | কোডিং ও উদ্ধৃতি মূল ট্রান্সক্রিপ্টের সঙ্গে যুক্ত থাকে |
| চুক্তি, আদালতের উপকরণ, চিকিৎসা বা অভিবাসনের নথি | যোগ্য পেশাদারসহ পদ্ধতি 4 | ভুলের গুরুতর প্রভাব থাকতে পারে |
পদ্ধতি 1: মূল ভাষায় ট্রান্সক্রাইব করে লেখা অনুবাদ করুন
এটি সবচেয়ে নমনীয় উপায়। সংশোধিত ট্রান্সক্রিপ্ট মূল কপি হয় এবং প্রতিটি অনুবাদ সেখান থেকে শুরু হয়।
ধাপ 1: কথার ভাষায় ট্রান্সক্রাইব করুন
ট্রান্সক্রিপশন টুলে ফাইল আপলোড করে শুরু করার আগে ভাষা দিন। whispertranscribe.ai হলো OpenAI Whisper-চালিত ব্রাউজারভিত্তিক টুল। 130+ ভাষা, আঞ্চলিক রূপ এবং খারাপ রেকর্ডিংয়ের জন্য Noise / Low-Quality Audio/Video মোড আছে। স্প্যানিশ অডিও ও চীনা অডিও-র মতো প্রচলিত উৎসের জন্য আলাদা পৃষ্ঠা আছে। বক্তা ভাষা বদলালে Multilingual Mix-এ ইংরেজি, স্প্যানিশ, ফরাসি, জার্মান, হিন্দি, রুশ, পর্তুগিজ, জাপানি, ইতালীয় ও ডাচ চলে।
Google Drive, Dropbox, Vimeo বা YouTube-এ থাকা রেকর্ডিং ডাউনলোড না করে URL থেকে ট্রান্সক্রাইব করুন। সাক্ষাৎকার ও সভার জন্য বক্তা শনাক্তকরণ চালু করুন।
ধাপ 2: মূল ট্রান্সক্রিপ্ট ঠিক করুন
অনুবাদের আগে ট্রান্সক্রিপ্ট ঠিক করুন, কারণ যে ভুল রয়ে যায় তা প্রতিটি ভাষায় চলে যায়। আগে নাম, পণ্যের পরিভাষা ও সংক্ষিপ্ত রূপ খুঁজুন। যে সংখ্যাগুলো রাখবেন সেগুলো আবার শুনুন। পরিষ্কার অডিওতে নির্ভুলতা 99% পর্যন্ত। পটভূমির আওয়াজ, প্রবল টান ও একসঙ্গে কথা বলায় তা কমে। তাই যাচাইয়ের সময় রাখুন।
ধাপ 3: সংশোধিত লেখা অনুবাদ করুন
DOCX বা TXT-এ ট্রান্সক্রিপ্ট রপ্তানি করে টেক্সট অনুবাদক দিয়ে চালান। আগে ফরম্যাটের সীমা দেখুন। নভেম্বর 2026 অনুযায়ী নিচের সীমা প্রযোজ্য ছিল।
- Google Translate .docx, .pdf, .pptx ও .xlsx-এ সর্বোচ্চ 10 MB-এর নথি অনুবাদ করে। PDF-এ সর্বোচ্চ 300 পৃষ্ঠা, Google Translate সহায়তা অনুযায়ী। তালিকায় সাবটাইটেল ফাইল নেই।
- DeepL-এর ফাইল বিন্যাস পৃষ্ঠায় DOCX, PDF ও TXT আছে। Pro Individual, Pro Team, Pro Business ও API পরিকল্পনায় SRT ও VTT-ও রয়েছে। সাবটাইটেল ফাইলপ্রতি সীমা 150 KB বা 200 KB। DeepL-এর বিনা মূল্যের অ্যাকাউন্টে TXT চলে না।
টুলে সুযোগ থাকলে অনুবাদককে জানান কে বলছেন, শ্রোতা কারা এবং লেখা কতটা আনুষ্ঠানিক হওয়া উচিত।
ধাপ 4: দুই সংস্করণ পাশাপাশি রাখুন
উৎস ও অনুবাদ মিল আছে এমন নামে জোড়া করে রাখুন, যেমন interview-04_es_v2.docx ও interview-04_en_v2.docx। কোনো লাইন নিয়ে প্রশ্ন উঠলে মূল বক্তব্যে ফিরতে পারবেন।
পদ্ধতি 2: সরাসরি ইংরেজিতে ট্রান্সক্রাইব করুন
কাঙ্ক্ষিত ভাষা ইংরেজি হলে এবং মূলত রেকর্ডিং বোঝা বা সারসংক্ষেপ দরকার হলে সরাসরি টুল একটি ধাপ বাঁচায়।
অডিও ইংরেজিতে অনুবাদের পৃষ্ঠা ব্যবহার
whispertranscribe.ai-এর অডিও ইংরেজিতে অনুবাদ পৃষ্ঠা অন্য ভাষার কথাকে ইংরেজি লেখায় বদলায়। পৃষ্ঠায় লক্ষ্যের ভাষার তালিকা নেই, কারণ ফল ইংরেজি।
- কথার ভাষা বেছে নিন। পৃষ্ঠায় ধাপ 1-এ রেকর্ডিংয়ের ভাষা চাওয়া হয়। সঠিক ভাষা বেছে নিলে ইংরেজি বেশি নির্ভুল হয় বলে পৃষ্ঠায় জানানো হয়েছে। ফল সন্তোষজনক না হলে অন্য বিকল্প চেষ্টা করতে বলা হয়েছে।
- ফাইল আপলোড করুন। ধাপ 2-এ MP3, WAV, M4A, MP4, MOV ও MKV-সহ প্রচলিত অডিও ও ভিডিও বিন্যাস নেওয়া হয়।
- একাধিক জন কথা বললে বক্তা শনাক্তকরণ চালু করুন। অনুবাদের পৃষ্ঠায়ও সুবিধাটি তালিকাভুক্ত।
- Translate audio to English বেছে নিন, তারপর ইংরেজি লেখা যাচাই করে রপ্তানি করুন।
ফলকে কাজের খসড়া হিসেবে ব্যবহার করুন। অনুবাদের মানের নিশ্চয়তা নেই। মূল ভাষার ট্রান্সক্রিপ্টও দরকার হলে সাধারণ ট্রান্সক্রিপশন চালান।
নিজের কম্পিউটারে ওপেন সোর্স Whisper ব্যবহার
OpenAI-এর Whisper রিপোজিটরিতে ইংরেজি লেখার অনুবাদ কমান্ড দেখানো হয়েছে।
whisper japanese.wav --model medium --language Japanese --task translate
README অনুযায়ী ডিফল্ট turbo অনুবাদের জন্য প্রশিক্ষিত নয় এবং --task translate দিলেও মূল ভাষায় লেখে। তাই medium বা large ব্যবহার করুন। ফল শুধু ইংরেজি। জার্মান অডিও থেকে ফরাসি লেখা করতে আলাদা টেক্সট অনুবাদ লাগবে।
এর মান কেমন? Whisper-এর গবেষণাপত্র অনুযায়ী, প্রশিক্ষণের ডেটায় X→ইংরেজি অনুবাদের 125,000 ঘণ্টা ছিল। পরীক্ষার বেঞ্চমার্ক CoVoST2-তে প্রশিক্ষণ ছাড়াই Whisper 29.1 BLEU পেয়েছিল। গবেষকদের মতে, তখন এটি ছিল সেরা ফল। BLEU মেশিনের ফল ও রেফারেন্স অনুবাদের মিল মাপে। এটি সঠিক বাক্যের শতকরা হার নয়। একই গবেষণাপত্রে বলা হয়েছে, সমৃদ্ধ ডেটার ভাষাগুলোর জন্য সরাসরি প্রশিক্ষিত আগের ব্যবস্থার তুলনায় Whisper এখনও পিছিয়ে। আর বেশি প্রশিক্ষণ ডেটা দিয়ে ট্রান্সক্রিপশনের মান যতটা অনুমান করা যায়, অনুবাদের মান ততটা যায় না।
পদ্ধতি 3: একাধিক ভাষায় সাবটাইটেল তৈরি করুন (SRT ও VTT)
ভিডিওর মূল ভাষায় একটি সাবটাইটেল ফাইল বানান, তারপর প্রতিটি ক্যাপশন ব্লকের শুধু লেখা অনুবাদ করুন। সব ভাষায় সময় এক থাকবে।
ধাপ 1: মূল সাবটাইটেল ফাইল তৈরি করুন
সাবটাইটেল জেনারেটর বা MP4 থেকে SRT কনভার্টার দিয়ে কথার ভাষায় SRT অথবা VTT রপ্তানি করুন। আগে এই ফাইলের লেখা ও সময় ঠিক করুন। এটিই সব ভাষার টেমপ্লেট।
ধাপ 2: শুধু ক্যাপশনের লেখা অনুবাদ করুন
SRT ক্যাপশন ব্লকে নম্বর, টাইমকোডের লাইন এবং লেখা থাকে। শুধু লেখা বদলাবে। নিচে স্প্যানিশ থেকে ইংরেজি অনুবাদের উদাহরণের বাংলা উপস্থাপনা। প্রথমটিতে চব্বিশ ঘণ্টার সময়, দ্বিতীয়টিতে বারো ঘণ্টার সময় রয়েছে।
12
00:01:04,200 --> 00:01:07,900
সভা শুরু হবে 3 মে, 15:00-তে।
12
00:01:04,200 --> 00:01:07,900
সভা শুরু হবে 3 মে, বিকেল 3টায়।
ক্যাপশনের নম্বর ও সময়চিহ্ন একই থাকে। তারিখ ও সময় পাঠকের প্রচলন অনুযায়ী সাজান। অনুবাদক শুধু নথি নিলে লেখাটি টেবিলে কপি করে পরে ক্যাপশন ধরে ফেরত বসান। ওপরের তালিকা অনুযায়ী, DeepL-এর Pro পরিকল্পনা সরাসরি SRT ও VTT নিতে পারে।
ধাপ 3: পড়ার জন্য দৈর্ঘ্য যাচাই করুন
অনূদিত লাইন মূলের চেয়ে লম্বা হতে পারে। 3.7 সেকেন্ডে আগে আরামে পড়া যেত এমন ক্যাপশন তখন নাও আঁটতে পারে। দীর্ঘ ক্যাপশন ভাগ করুন অথবা ভাষা সংক্ষিপ্ত করুন। অডিওর সঙ্গে আবার যাচাই না করে সময়চিহ্ন সরাবেন না।
ধাপ 4: প্রতিটি ভাষা আলাদা ট্র্যাক হিসেবে আপলোড করুন
ভাষার কোড দিয়ে ফাইলের নাম রাখুন। যেমন talk.en.srt ও talk.es.srt। প্রতিটি প্ল্যাটফর্মে আলাদা সাবটাইটেল ট্র্যাক হিসেবে আপলোড করুন। এই ধরনের আলাদা সাবটাইটেল ট্র্যাকে দর্শক ভাষা বদলাতে পারেন।
পদ্ধতি 4: মানুষের যাচাই যোগ করুন
যা প্রকাশ, উদ্ধৃতি বা সিদ্ধান্তে ব্যবহৃত হবে তা দুই ভাষা জানেন এমন কাউকে দিয়ে উৎসের সঙ্গে মিলিয়ে নিন। যন্ত্রের ফল ভুল হলেও প্রায়ই সাবলীল পড়ায়।
একটি সাধারণ যাচাইয়ের ছক কাজটি দ্রুত করে। উদাহরণের স্প্যানিশ উৎস ও ইংরেজি অনুবাদ এখানে বাংলায় অর্থসহ দেখানো হয়েছে।
| ক্যাপশন | উৎসের লাইন | অনুবাদ | চিহ্ন | যাচাইকারীর মন্তব্য |
|---|---|---|---|---|
| #37 | সোমবার আমরা চুক্তি চূড়ান্ত করব | আমরা সোমবার চুক্তি চূড়ান্ত করব | ঠিক | — |
| #81 | এটা হেলাফেলার বিষয় নয় | এটা টার্কির নাকের সর্দি নয় | বাগ্ধারা | «এটা মোটেই ছোট ব্যাপার নয়» ব্যবহার করুন |
| #126 | আমরা 1,5 মিলিয়নের চালান দিয়েছি | আমরা 1.5 মিলিয়নের চালান দিয়েছি | সংখ্যা | বক্তার কাছ থেকে মুদ্রা নিশ্চিত করুন |
যাচাইকারীকে নাম, সংখ্যা, উদ্ধৃতি, আইনি বা চিকিৎসা পরিভাষা এবং অস্পষ্ট হিসেবে চিহ্নিত অংশ দেখান। whispertranscribe.ai মানুষের ট্রান্সক্রিপশন বা অনুবাদ সেবা দেয় না। ধাপটি আপনি বা একজন পেশাদার করবেন।
স্পিচ টু টেক্সট অনুবাদের মানে কী প্রভাব ফেলে?
মান দুবার নির্ধারিত হয়। একবার কথা লেখায় বদলানোর সময়, আরেকবার লেখার ভাষা বদলানোর সময়। কিছু কারণ উভয় ধাপে প্রভাব ফেলে।
| কারণ | ট্রান্সক্রিপশনে প্রভাব | অনুবাদে প্রভাব | কী করবেন |
|---|---|---|---|
| অডিওর মান (আওয়াজ, প্রতিধ্বনি, দূরত্ব) | শব্দ বাদ যায় বা ভুল শোনা হয় | সব ভাষায় ভুল চলে যায় | মাইকের কাছে রেকর্ড করুন এবং সবচেয়ে পরিষ্কার মূল ফাইল নিন |
| টান ও উপভাষা | আঞ্চলিক কথায় বেশি ভুল | আঞ্চলিক শব্দ আক্ষরিক অনুবাদ হতে পারে | থাকলে আঞ্চলিক ভাষার বিকল্প নিন |
| কারিগরি পরিভাষা | শুনে আন্দাজ করে বানান | ভুল বা অসংগত সমতুল্য শব্দ | শব্দকোষ বানিয়ে উৎসে পরিভাষা ঠিক করুন |
| ভাষার জোড়া | কথার ভাষার ওপর নির্ভর করে | প্রচলিত জোড়ায় সাধারণত ভালো ফল | কম প্রচলিত ভাষায় বেশি যাচাইয়ের সময় রাখুন |
| বিশেষ নাম | নাম সাধারণ শব্দ হয়ে যায় | নাম «অনুবাদ» বা বদলে যায় | আগে নামের তালিকা করুন, খুঁজে ঠিক করুন |
| ভাষা বদল | বাক্যের মাঝখানে ভুল ভাষা অনুমান | মিশ্র লেখা অনুবাদককে বিভ্রান্ত করে | মিশ্র ভাষা মোড নিয়ে প্রতিটি ভাষা চিহ্নিত করুন |
| একসঙ্গে কথা | লাইন জুড়ে যায় বা বাদ যায় | বক্তার অর্থ হারায় | আলাদা মাইক নিন, বাধা বা কথার কাটাকাটিতে লেবেল দেখুন |
Google-এর স্পিচ ডেটার উত্তম পদ্ধতি অনুযায়ী, MP3 ও M4A-এর মতো তথ্য হারায় এমন কোডেকে নির্ভুলতা কমতে পারে। এ ধরনের কোডেকের সঙ্গে আওয়াজ ও প্রতিধ্বনির প্রভাবও বেশি। OpenAI-এর README জানায়, ভাষাভেদে Whisper-এর ফল অনেকটা বদলায়। তাই বড় ব্যাচের আগে ছোট নমুনা পরীক্ষা করুন।
অনুবাদের পর যাচাইয়ের তালিকা
দলের বাইরে কাউকে দেখানোর আগে প্রতিটি অনুবাদে তালিকাটি মিলিয়ে নিন।
- সংখ্যা। প্রতিটি সংখ্যা অডিওর সঙ্গে মেলে। দশমিকের কমা দেখুন। অনেক ইউরোপীয় ভাষার «1,5» ইংরেজিতে 1.5।
- মুদ্রা ও একক। রূপান্তর জানানো না হলে বক্তার মুদ্রা রাখুন। কিছু না বলে কিলোমিটারকে মাইলে বদলাবেন না।
- নাম ও পদবি। ব্যক্তি, কোম্পানি ও স্থানের নাম তাদের নিজেদের বানানে রাখুন, অনুবাদ করবেন না।
- তারিখ ও সময়। দেশভেদে দিন ও মাসের ক্রম আলাদা। 03/04 অর্থ 3 এপ্রিল বা মার্চের 4 তারিখ হতে পারে। গুরুত্বপূর্ণ হলে মাসের নাম লিখুন।
- উদ্ধৃতি। সরাসরি উদ্ধৃতি অডিওর সঙ্গে মিলান। শুধু ট্রান্সক্রিপ্ট দেখলেই হবে না।
- বাগ্ধারা ও রসিকতা। আক্ষরিক অনুবাদ সরিয়ে স্বাভাবিক সমতুল্য ব্যবহার করুন বা চিহ্নিত করুন।
- সাংস্কৃতিক প্রসঙ্গ। অন্য ভাষায় বোঝা যায় না এমন উল্লেখ নীরবে বদলে না দিয়ে ছোট নোট দিন।
- সম্বোধনের ধরন। আনুষ্ঠানিক বা অনানুষ্ঠানিক সম্বোধন (tú/usted, du/Sie) বক্তাদের সম্পর্কের সঙ্গে মেলে।
- বক্তার লেবেল। প্রতিটি লাইন সঠিক ব্যক্তির নামে আছে।
- অস্পষ্ট অংশ। অনুমান না করে দুই ভাষায়
[unclear](অস্পষ্ট) লিখুন।
পেশাদার অনুবাদক কখন দরকার?
ভুলের ফলে অর্থ, স্বাস্থ্য, আইনি অবস্থান বা আস্থার ক্ষতি হতে পারে এমন কাজে যোগ্য মানব অনুবাদক নিন। এটি আইনি পরামর্শ নয়। দেশ, আদালত ও সংস্থাভেদে শর্ত আলাদা। যে প্রতিষ্ঠান নথি নেবে তাদের কাছে যাচাই করুন।
| পরিস্থিতি | যন্ত্রের অনুবাদ কেন যথেষ্ট নয় |
|---|---|
| অভিবাসনের নথি | যুক্তরাষ্ট্রের নিয়ম (8 CFR 103.2(b)(3)) অনুযায়ী USCIS-এ বিদেশি ভাষার নথির সঙ্গে পূর্ণ ইংরেজি অনুবাদ লাগে। অনুবাদককে প্রত্যয়ন করতে হয় যে অনুবাদ সম্পূর্ণ ও নির্ভুল এবং তিনি অনুবাদের যোগ্য |
| আদালতের প্রমাণ ও জবানবন্দি | কে অনুবাদ বা প্রত্যয়ন করতে পারেন, তার নিয়ম আদালত নির্ধারণ করতে পারে |
| চুক্তি ও সমঝোতা | একটি ভুল শব্দ দায়িত্ব বদলে দিতে পারে |
| চিকিৎসার পরামর্শ ও নথি | মাত্রা, লক্ষণ ও সম্মতির তথ্য হুবহু সঠিক হতে হয় |
| প্রকাশিত উদ্ধৃতি ও সংবাদ উপকরণ | ভুল উদ্ধৃতিতে আস্থা নষ্ট হয় এবং দায় তৈরি হতে পারে |
অভ্যন্তরীণ নোট, গবেষণার খসড়া বা ভিডিও বোঝার মতো কম ঝুঁকির কাজে যান্ত্রিক অনুবাদ ও নিজের যাচাই সাধারণত যথেষ্ট।
কোন রপ্তানি বিন্যাস দরকার?
পরের কাজ অনুযায়ী বিন্যাস বেছে নিন। whispertranscribe.ai-তে ট্রান্সক্রিপ্ট DOCX, PDF, TXT, CSV, SRT ও VTT-তে রপ্তানি করা যায়।
| বিন্যাস | যে কাজে ব্যবহার করবেন |
|---|---|
| DOCX | Word, DeepL বা Google Translate-এ অনুবাদ এবং মন্তব্যসহ সম্পাদনা |
| TXT | অনুবাদক বা অন্য অ্যাপে পেস্ট |
| অনুমোদিত অনুবাদের স্থির কপি | |
| CSV | পাশাপাশি যাচাইয়ের টেবিল ও গবেষণায় কোডিং |
| SRT | YouTube, ভিডিও সম্পাদক ও প্লেয়ারের সাবটাইটেল ট্র্যাক |
| VTT | HTML5 ওয়েব ভিডিও প্লেয়ারের ক্যাপশন |
সচরাচর জিজ্ঞাসা
স্পিচ টু টেক্সট ও স্পিচ টু টেক্সট অনুবাদের পার্থক্য কী?
স্পিচ টু টেক্সটে ভাষা একই থাকে। স্প্যানিশ অডিও থেকে স্প্যানিশ লেখা হয়। স্পিচ টু টেক্সট অনুবাদে ভাষা বদলায়, যেমন স্প্যানিশ অডিও থেকে ইংরেজি লেখা। আগে ট্রান্সক্রাইব করে পরে লেখা অনুবাদ করে দুই ধাপে এটি হয়। অথবা অডিও থেকে সরাসরি লক্ষ্যের ভাষায় লেখে এমন মডেল দিয়ে এক ধাপেও করা যায়। দুই ধাপে যাচাই সহজ, কারণ অনুবাদের আগে উৎসের লেখা ঠিক করতে পারেন। পরে অন্য ভাষার জন্যও মূলটি ব্যবহার করা যায়।
Whisper কি ইংরেজি ছাড়া অন্য ভাষায় অডিও অনুবাদ করতে পারে?
Whisper-এর অন্তর্নির্মিত অনুবাদের ফল কেবল ইংরেজিতে আসে। বহু ভাষার কথা দিতে পারেন, কিন্তু লেখা ইংরেজি হয়। অন্য লক্ষ্যভাষার জন্য মূল ভাষায় অডিও ট্রান্সক্রাইব করে টেক্সট অনুবাদকের মাধ্যমে লেখাটি অনুবাদ করুন। OpenAI-এর README-তে আরও বলা আছে, ডিফল্ট turbo অনুবাদের জন্য প্রশিক্ষিত নয়। অনুবাদ চাইলে সেটি মূল ভাষাতেই লেখে। অনুবাদে medium বা large মডেল নিন।
আগে ট্রান্সক্রাইব করে পরে অনুবাদ করা ভালো?
সাধারণত হ্যাঁ, বিশেষ করে ফল প্রকাশ, উদ্ধৃতি বা একাধিক ভাষায় অনুবাদ করলে। আগে ট্রান্সক্রাইব করলে সংশোধনযোগ্য মূল লেখা পান। তাই ভুল শোনা নাম বা সংখ্যা সব অনুবাদে আলাদাভাবে বদলানোর দরকার হয় না। সরাসরি ইংরেজি দ্রুত এবং কেবল রেকর্ডিং বোঝার জন্য ভালো কাজ করে। বহু ভাষার সাবটাইটেলের জন্য সংশোধিত মূল SRT বা VTT দিয়ে শুরু করা সুবিধাজনক।
স্পিচ টু টেক্সট অনুবাদ কতটা নির্ভুল?
অডিও, ভাষার জোড়া ও বিষয়ের ওপর নির্ভর করে। সব ক্ষেত্রে এক নির্ভুলতার হার নেই। পরিষ্কার অডিওর ট্রান্সক্রিপশন খুব নির্ভুল হতে পারে। whispertranscribe.ai পরিষ্কার অডিওতে 99% পর্যন্ত পৌঁছায়। আওয়াজ ও উচ্চারণের টান তা কমায়। অনুবাদের নিজস্ব ভুলও যোগ হয়, বিশেষ করে বাগ্ধারা, নাম ও কারিগরি পরিভাষায়। প্রচলিত ভাষার জোড়ায় সাধারণত বিরল জোড়ার চেয়ে ভালো ফল হয়। সংখ্যা, নাম ও উদ্ধৃতি নিজে যাচাই করুন এবং গুরুত্বপূর্ণ অংশ দুই ভাষা জানেন এমন কাউকে দিয়ে মিলিয়ে নিন।
টাইমস্ট্যাম্প রেখে সাবটাইটেল অনুবাদ করা যায়?
হ্যাঁ। প্রতিটি ক্যাপশনের শুধু লেখা অনুবাদ করুন। নম্বর ও টাইমকোড অপরিবর্তিত রাখুন। হাতে করতে পারেন, অনুবাদক টুলে ক্যাপশন পেস্ট করে আবার ফেরত আনতে পারেন, অথবা সাবটাইটেল ফাইল নেয় এমন টুল নিতে পারেন। DeepL-এর Pro Individual, Pro Team, Pro Business ও API পরিকল্পনায় SRT ও VTT তালিকাভুক্ত। Google Translate-এর নথি অনুবাদে সাবটাইটেল বিন্যাস তালিকায় নেই। অনুবাদের পরে লম্বা লাইন নির্ধারিত সময়ে পড়া যায় কি না মিলিয়ে নিন।
আইনি বা চিকিৎসার রেকর্ডিংয়ে যান্ত্রিক অনুবাদ ব্যবহার করতে পারি?
প্রাথমিকভাবে বোঝার জন্য ব্যবহার করতে পারেন। চূড়ান্ত নথিতে আইনি, চিকিৎসা, চুক্তি ও অভিবাসনের উপকরণের জন্য প্রায়ই যোগ্য মানব অনুবাদক দরকার। কিছু সংস্থা প্রত্যয়িত অনুবাদ চায়। যেমন, যুক্তরাষ্ট্রের অভিবাসন নিয়মে অনুবাদককে বলতে হয় ইংরেজি অনুবাদ সম্পূর্ণ ও সঠিক। দেশ ও প্রতিষ্ঠানভেদে শর্ত বদলায়, তাই প্রাপকের কাছে যাচাই করুন। এটি সাধারণ তথ্য, আইনি পরামর্শ নয়।
শুরু করতে চান? অডিও ইংরেজিতে অনুবাদ পৃষ্ঠায় রেকর্ডিং আপলোড করুন। সাবটাইটেল বা অন্য লক্ষ্যভাষার জন্য আগে মূল ভাষায় ট্রান্সক্রাইব করুন। অ্যাকাউন্ট ছাড়াই বিনা মূল্যে চেষ্টা করতে পারেন। সশুল্ক পরিকল্পনা বার্ষিক বিলিংয়ে মাসে $9.99 থেকে। মূল্য দেখুন। whispertranscribe.ai-তে API, মানুষের ট্রান্সক্রিপশন বা মিটিং বট নেই।
তথ্যসূত্র
- Radford ও সহকর্মীরা, OpenAI: বৃহৎ পরিসরে দুর্বল তত্ত্বাবধানের মাধ্যমে নির্ভরযোগ্য বাক্স্বীকৃতি (ধারা 1, 2.1 ও 3.5, টেবিল 4)
- OpenAI: GitHub-এ Whisper (README, কমান্ড লাইনের ব্যবহার)
- Google Translate সহায়তা: নথি ও ওয়েবসাইট অনুবাদ
- DeepL সহায়তা কেন্দ্র: ফাইলের বিন্যাস
- Google Cloud: Speech-to-Text API-কে ডেটা দেওয়ার উত্তম পদ্ধতি
- eCFR: 8 CFR 103.2, সুবিধার অনুরোধ দাখিল ও নিষ্পত্তি
