ভয়েস টু টেক্সট কী? এটি কীভাবে কাজ করে ও কখন ব্যবহার করবেন

লিখেছেন whispertranscribe.ai সম্পাদকীয় দল · সর্বশেষ হালনাগাদ নভেম্বর 2026 · পড়তে 12 মিনিট · বিভাগ ট্রান্সক্রিপশনের প্রাথমিক ধারণা

ভয়েস টু টেক্সট কী? এটি এমন সফটওয়্যার যা উচ্চারিত কথা শুনে সম্পাদনাযোগ্য লেখা তৈরি করে। এর অন্য নাম স্পিচ টু টেক্সট এবং স্বয়ংক্রিয় বাক্‌স্বীকৃতি (ASR)। দুইভাবে এটি ব্যবহার করা যায়। লাইভ মোডে কথা বলার সময়ই লেখা দেখা যায়। রেকর্ডিং মোডে আগে থেকে থাকা অডিও বা ভিডিও ফাইল থেকে ট্রান্সক্রিপ্ট তৈরি হয়।

ব্রাউজারভিত্তিক ট্রান্সক্রিপশন সেবা whispertranscribe.ai আমরা তৈরি করি। প্রযুক্তি সম্পর্কে এই লেখার তথ্যের সূত্র Google, Microsoft, Apple, W3C এবং একটি গবেষণা পর্যালোচনা।

সংক্ষিপ্ত উত্তর: ভয়েস টু টেক্সট কী?

ভয়েস টু টেক্সট স্বয়ংক্রিয়ভাবে কথাকে লেখায় বদলায়। সফটওয়্যার অডিও গ্রহণ করে, বাক্‌স্বীকৃতি মডেল সবচেয়ে সম্ভাব্য শব্দ বেছে নেয় এবং সফটওয়্যার বিরামচিহ্ন যোগ করে।

  • অন্য নাম: স্পিচ টু টেক্সট, বাক্‌স্বীকৃতি, ASR, ভয়েস টাইপিং ও টক-টু-টেক্সট।
  • দুটি মোড: টাইপিং ও ক্যাপশনের জন্য লাইভ (স্ট্রিমিং) এবং আগের রেকর্ডিংয়ের জন্য ফাইলভিত্তিক (ব্যাচ)।
  • সীমাবদ্ধতা: নির্ভুলতা অনেকটাই অডিওর ওপর নির্ভর করে। আওয়াজ, মাইক্রোফোন থেকে দূরত্ব, প্রবল টান, বিশেষায়িত শব্দ এবং একসঙ্গে কথা বলায় ভুল বাড়ে।

ভয়েস টু টেক্সট, স্পিচ টু টেক্সট, ডিক্টেশন ও ট্রান্সক্রিপশনের পার্থক্য

ভয়েস টু টেক্সট আর স্পিচ টু টেক্সট একই অর্থে ব্যবহৃত হয়। ডিক্টেশনে কথা বলে কোনো লেখার ঘর পূরণ করা হয়। ট্রান্সক্রিপশনে রেকর্ডিং থেকে লিখিত নথি তৈরি হয়। «ভয়েস রিকগনিশন» বক্তার পরিচয় শনাক্ত করে।

W3C-এর ওয়েব অ্যাক্সেসিবিলিটি ইনিশিয়েটিভ কথাকে লেখায় বদলানোকে «স্পিচ রিকগনিশন» বলে। «ভয়েস রিকগনিশন» বা «স্পিকার রিকগনিশন» বলতে কী বলা হয়েছে তার বদলে কে বলছেন তা শনাক্ত করা বোঝায়।

পরিভাষা সাধারণ অর্থ সাধারণ ফলাফল
ভয়েস টু টেক্সট কথাকে লেখায় বদলানোর প্রচলিত নাম পর্দায় বা ফাইলে লেখা
স্পিচ টু টেক্সট (STT) একই ধারণা, সফটওয়্যারের নথিতে বেশি প্রচলিত লেখা, প্রায়ই টাইমস্ট্যাম্পসহ
স্বয়ংক্রিয় বাক্‌স্বীকৃতি (ASR) প্রযুক্তির ক্ষেত্র এবং এর মডেল সবচেয়ে সম্ভাব্য শব্দক্রম
ডিক্টেশন বা ভয়েস টাইপিং টাইপ করার বদলে লেখার ঘরে কথা দিয়ে লেখা কার্সরের অবস্থানে লেখা
ট্রান্সক্রিপশন রেকর্ডিং বা ঘটনার লিখিত নথি সম্পাদনা, অনুসন্ধান ও রপ্তানিযোগ্য ট্রান্সক্রিপ্ট
লাইভ ক্যাপশন অডিও চলার সময় দেখানো লেখা পর্দার ক্যাপশন, সাধারণত সংরক্ষিত হয় না
কণ্ঠ বা বক্তা শনাক্তকরণ কে কথা বলছেন তা চেনা বক্তার লেবেল

ডিক্টেশন ভয়েস টু টেক্সটের একটি ব্যবহার। 90 মিনিটের সাক্ষাৎকারের জন্য ট্রান্সক্রিপশন দরকার। হাত ব্যবহার না করে ইমেইলের উত্তর দিতে ডিক্টেশন কাজে লাগে।

ভয়েস টু টেক্সট কীভাবে কাজ করে?

প্রতিটি ভয়েস টু টেক্সট ব্যবস্থা অডিও গ্রহণ করে, শব্দকে সংখ্যায় প্রকাশিত বৈশিষ্ট্যে রূপান্তর করে, প্রশিক্ষিত মডেল দিয়ে সম্ভাব্য শব্দ খুঁজে বের করে এবং ফলাফল সাজায়। গত দশকে মডেল তৈরির পদ্ধতি বদলেছে।

  1. অডিও গ্রহণ। মাইক্রোফোন বা অডিও ফাইল ডিজিটাল সংকেত দেয়। সুযোগ থাকলে Google Cloud Speech-to-Text-এর নথি 16,000 Hz-এ রেকর্ড করার পরামর্শ দেয়। কম হারে নির্ভুলতা কমতে পারে। আরও বেশি হারে চোখে পড়ার মতো পার্থক্য হয় না।
  2. বৈশিষ্ট্য বের করা। সংকেতকে ছোট ফ্রেমে ভাগ করে বৈশিষ্ট্য বের করা হয়। সাধারণত স্পেকট্রোগ্রামে দেখানো হয় সময়ের সঙ্গে বিভিন্ন কম্পাঙ্কে শব্দের শক্তি কীভাবে বদলায়।
  3. স্বীকৃতি। মডেল ওই বৈশিষ্ট্য থেকে সবচেয়ে সম্ভাব্য শব্দক্রম নির্ধারণ করে।
  4. বিন্যাস। ব্যবস্থা বিরামচিহ্ন, বড় হাতের অক্ষর, আর কখনও টাইমস্ট্যাম্প বা বক্তার লেবেল যোগ করে।

প্রচলিত পদ্ধতি: ধ্বনি মডেল ও ভাষা মডেল

দশকের পর দশক ধরে বাক্‌স্বীকৃতি আলাদা ধাপে ভাগ করা হতো। এন্ড-টু-এন্ড বাক্‌স্বীকৃতি নিয়ে 2023 সালের একটি পর্যালোচনা প্রচলিত ব্যবস্থার চারটি অংশ বর্ণনা করে। সেগুলো হলো ধ্বনিগত বৈশিষ্ট্য বের করা, ধ্বনি মডেলিং, ভাষা মডেলিং এবং অনুসন্ধান, যা সামগ্রিকভাবে সেরা উত্তর বেছে নেয়।

  • ধ্বনি মডেল অডিওর প্রতিটি অংশে কোন ধ্বনি আছে তা অনুমান করে। বলার গতির পার্থক্য সামলাতে প্রচলিত ব্যবস্থা এই ধাপে হিডেন মার্কভ মডেল ব্যবহার করত।
  • উচ্চারণ অভিধান ধ্বনিগুলোর সঙ্গে শব্দের মিল খোঁজে।
  • ভাষা মডেল শব্দের কোন ক্রমটি বেশি সম্ভাব্য তা নির্ধারণ করে। যেমন, কাছাকাছি শোনানো অর্থহীন শব্দের বদলে «কথা শনাক্ত করা» বেছে নেয়।

আধুনিক পদ্ধতি: এন্ড-টু-এন্ড মডেল

নতুন ব্যবস্থাগুলো মূলত এন্ড-টু-এন্ড। ট্রান্সক্রাইব করা কথার ওপর প্রশিক্ষিত একটি নিউরাল নেটওয়ার্ক অডিও থেকে লেখা তৈরির পুরো প্রক্রিয়া শেখে। একই পর্যালোচনা জানায়, আগের মডেলের তুলনায় ডিপ লার্নিং শব্দের ত্রুটির হার 50%-এর বেশি কমিয়েছে এবং এন্ড-টু-এন্ড মডেল এখন প্রধান পদ্ধতি হয়ে উঠেছে। OpenAI-এর Whisper এর একটি পরিচিত উদাহরণ। আমাদের Whisper AI কী নিবন্ধে মডেলটি ব্যাখ্যা করা হয়েছে।

প্রচলিত প্রক্রিয়া এন্ড-টু-এন্ড মডেল
কাঠামো আলাদা ধ্বনি মডেল, উচ্চারণ অভিধান ও ভাষা মডেল অডিও থেকে লেখা পর্যন্ত একটি নিউরাল নেটওয়ার্ক
প্রশিক্ষণের উপকরণ হাতে তৈরি শব্দতালিকা ও ধ্বনির সেট, সঙ্গে প্রশিক্ষণের কয়েকটি ধাপ বিপুল পরিমাণ ট্রান্সক্রাইব করা কথা
সাধারণ দুর্বলতা আলাদাভাবে প্রশিক্ষিত অংশে ভুল ও খরচ বাড়তে পারে প্রচুর ট্রান্সক্রিপ্টসহ অডিও দরকার। শুধু লেখা ব্যবহার করা কঠিন
ভাষাজ্ঞান আলাদা ভাষা মডেল নেটওয়ার্ক নিজেই শেখে, বাইরের মডেলও যোগ করা যায়

রিয়েল-টাইম ও ফাইল ট্রান্সক্রিপশনের পার্থক্য কী?

রিয়েল-টাইম (স্ট্রিমিং) ভয়েস টু টেক্সটে কেউ কথা বলার সময়ই লেখা দেখা যায়। এটি ডিক্টেশন ও লাইভ ক্যাপশনে কাজে লাগে। ফাইল (ব্যাচ) ট্রান্সক্রিপশনে সম্পূর্ণ রেকর্ডিং প্রক্রিয়া করে পুরো ট্রান্সক্রিপ্ট পরে দেওয়া হয়। এটি সাক্ষাৎকার, সভা ও বক্তৃতায় সুবিধাজনক।

Google Cloud Speech-to-Text-এ তিন ধরনের অনুরোধ আছে। 1 মিনিট বা কম অডিওর জন্য সিঙ্ক্রোনাস, 480 মিনিট পর্যন্ত ফাইলের জন্য অ্যাসিঙ্ক্রোনাস এবং কথা চলার সময় অন্তর্বর্তী ফল দেখানোর জন্য স্ট্রিমিং। Microsoft Azure Speech-এর নথিতেও রিয়েল-টাইম, দ্রুত এবং ব্যাচ ট্রান্সক্রিপশন আলাদা করা হয়েছে (উভয় সূত্র নভেম্বর 2026-এ যাচাই করা)।

লাইভ (স্ট্রিমিং) ভয়েস টু টেক্সট ফাইলভিত্তিক (ব্যাচ) ট্রান্সক্রিপশন
কখন লেখা দেখা যায় কথা বলার সময়। আরও অডিও এলে অন্তর্বর্তী শব্দ বদলাতে পারে রেকর্ডিং প্রক্রিয়ার পরে
সাধারণ ব্যবহার ডিক্টেশন, লাইভ ক্যাপশন, ভয়েস অ্যাসিস্ট্যান্ট সাক্ষাৎকার, সভা, বক্তৃতা, পডকাস্ট ও ভিডিও সাবটাইটেল
কী সংরক্ষণ করতে পারবেন লেখার ঘর বা ক্যাপশন উইন্ডোতে যা আসে সম্পাদনা ও রপ্তানিযোগ্য ট্রান্সক্রিপ্ট
মূল সুবিধা ও সীমা দ্রুত ফল, পরে সংশোধন লাগতে পারে অপেক্ষা লাগে, তবে ভিন্ন সেটিংসে আবার ফাইল চালানো যায়

লেখা সঙ্গে সঙ্গে দরকার না হলে পরিষ্কার অডিও রেকর্ড করে পরে ফাইল ট্রান্সক্রাইব করুন। মূল অডিও রেখে দিলে যেকোনো লাইন মিলিয়ে দেখা যায়। রেকর্ড করার আগে প্রয়োজনীয় সম্মতি নিন এবং অনলাইন সেশনের ক্ষেত্রে আয়োজকের অনুমতি নিন।

ভয়েস টু টেক্সট কী কাজে লাগে?

মানুষ ভয়েস টু টেক্সট দিয়ে টাইপ না করে লেখেন, রেকর্ডিং থেকে অনুসন্ধানযোগ্য নোট বানান, ভিডিওতে ক্যাপশন দেন এবং কথ্য বিষয়বস্তু আরও মানুষের কাছে পৌঁছে দেন। Microsoft-এর নথিতে কল শেষের পর বিশ্লেষণসহ যোগাযোগকেন্দ্রের ব্যবহারও উল্লেখ আছে।

ব্যবহার সাধারণ মোড
কথা বলে ইমেইল, বার্তা ও খসড়া লেখা লাইভ ডিক্টেশন
সভা ও সাক্ষাৎকারের নোট ফাইল ট্রান্সক্রিপশন বা দ্রুত নোটের জন্য লাইভ
বক্তৃতা ও সেমিনারের নোট রেকর্ডিং, তারপর ফাইল ট্রান্সক্রিপশন
ভিডিও ক্যাপশন ও সাবটাইটেল SRT বা VTT রপ্তানিসহ ফাইল ট্রান্সক্রিপশন
ভয়েস মেমো ও রেকর্ড করা কল ফাইল ট্রান্সক্রিপশন
বধির, কম শোনেন বা কিবোর্ড ব্যবহার করতে পারেন না, এমন মানুষের প্রবেশগম্যতা লাইভ ক্যাপশন ও ডিক্টেশন

শ্রেণিকক্ষে ব্যবহারের জন্য বক্তৃতা রেকর্ড করার অ্যাপ দেখুন।

ফোন বা কম্পিউটারে ভয়েস টু টেক্সট কোথায় পাবেন?

বেশির ভাগ ডিভাইসেই কথা বলে টাইপ করার ব্যবস্থা আছে। Windows 11-এ Windows লোগো কী + H, Mac ও iPhone-এ Dictation, আর Android-এ Google Gboard কিবোর্ডের মাইক্রোফোন ব্যবহার করুন। এগুলো সক্রিয় লেখার ঘরে লেখে। আগে থেকে থাকা রেকর্ডিং ট্রান্সক্রাইব করতে ফাইলভিত্তিক টুল দরকার।

প্ল্যাটফর্ম আগে থেকেই থাকা সুবিধা শুরু করবেন যেভাবে (অফিশিয়াল সহায়তা অনুযায়ী) ইন্টারনেট লাগে? (সহায়তা পৃষ্ঠা অনুযায়ী)
Windows 11 ভয়েস টাইপিং লেখার ঘরে কার্সর রেখে Windows লোগো কী + H চাপুন হ্যাঁ। Microsoft অনুযায়ী এটি Azure Speech-চালিত অনলাইন বাক্‌স্বীকৃতি ব্যবহার করে
Mac Dictation System Settings, Keyboard, Dictation থেকে চালু করুন। Microphone কী, Dictation শর্টকাট বা Edit, Start Dictation দিয়ে শুরু করুন পরিস্থিতির ওপর নির্ভর করে। সাধারণ ডিক্টেশন Mac-এ প্রক্রিয়া হচ্ছে কি না Keyboard সেটিংসে দেখা যায়
iPhone Dictation Settings, General, Keyboard, Enable Dictation। তারপর কিবোর্ডে মাইক্রোফোনে ট্যাপ করুন প্রায়ই লাগে না। Apple জানায়, অনেক ভাষায় Dictation ইন্টারনেট ছাড়াই iPhone-এ চলে
Android Gboard ভয়েস টাইপিং লেখা যায় এমন অ্যাপে কিবোর্ডের ওপরের মাইক্রোফোনে ট্যাপ করুন Google-এর পৃষ্ঠায় উল্লেখ নেই

অফিশিয়াল পৃষ্ঠাগুলোর আরও কিছু তথ্য।

  • Windows: Microsoft-এর ভয়েস টাইপিং নির্দেশিকায় ঐচ্ছিক স্বয়ংক্রিয় বিরামচিহ্নের সেটিংও দেখানো হয়েছে।
  • Mac: Apple-এর Mac Dictation নির্দেশিকা অনুযায়ী 30 সেকেন্ড কথা না বললে Dictation থামে এবং অনিশ্চিত শব্দ নীল দাগ দিয়ে চিহ্নিত হয়। যেমন, «flower» (ফুল) বলতে গিয়ে «flour» (ময়দা) লেখা হলে।
  • iPhone: Apple-এর iPhone Dictation নির্দেশিকায় বিরামচিহ্ন ও সম্পাদনার মৌখিক কমান্ড আছে।
  • Android: Google-এর Gboard সহায়তা পৃষ্ঠা জানায়, সব ভাষায় কথা বলে টাইপ করা যায় না এবং কিছু ধাপের জন্য Android 7.0 বা পরের সংস্করণ দরকার।

সংস্করণভেদে মেনুর নাম বদলাতে পারে। আপনার ডিভাইসের সহায়তা পৃষ্ঠা অনুসরণ করুন।

ভয়েস টু টেক্সট কতটা নির্ভুল এবং এর সীমাবদ্ধতা কী?

মাইক্রোফোনের কাছে একজনের পরিষ্কার অডিওতে আধুনিক ভয়েস টু টেক্সট বেশির ভাগ শব্দ ঠিকভাবে লেখে। আওয়াজ, দূরত্ব, টানযুক্ত উচ্চারণ, বিশেষায়িত শব্দ ও একসঙ্গে কথা বলায় নির্ভুলতা কমে। সব রেকর্ডিংয়ের জন্য একটিমাত্র নির্ভুলতার হার নেই। সফটওয়্যারের পাশাপাশি রেকর্ডিংও সমান গুরুত্বপূর্ণ।

প্রচলিত মাপকাঠি শব্দ ত্রুটির হার (WER)। বদলে যাওয়া, বাদ পড়া ও যোগ হওয়া শব্দের মোট সংখ্যা মানুষ যাচাই করেছেন এমন ট্রান্সক্রিপ্টের শব্দসংখ্যা দিয়ে ভাগ করে এটি পাওয়া যায়। Whisper কতটা নির্ভুল নিবন্ধে পরিষ্কার অডিওবুক আর দূরের মাইক্রোফোনে রেকর্ড করা সভার মধ্যে WER কতটা বদলায় তা দেখানো হয়েছে।

সীমাবদ্ধতা কারণ কী করলে সুবিধা হয়
টান ও আঞ্চলিক ভাষা কিছু উচ্চারণ প্রশিক্ষণে অনেক কম থাকে সঠিক আঞ্চলিক রূপ বেছে নিয়ে একটি ছোট অংশ পরীক্ষা করুন
পটভূমির আওয়াজ ও দূরত্ব আওয়াজ ও প্রতিধ্বনিতে কথার সংকেত অস্পষ্ট হয় মাইক্রোফোনের কাছে আসুন, শান্ত ঘরে বা হেডসেট দিয়ে রেকর্ড করুন
বিশেষায়িত শব্দ, নাম ও বিরল শব্দ মডেল প্রচলিত শব্দ বেছে নেওয়ার দিকে ঝোঁকে নিজস্ব শব্দতালিকা (Microsoft-এর ভাষায় phrase list) ব্যবহার করুন বা নাম ও সংখ্যা যাচাই করুন
একাধিক বক্তা ও একসঙ্গে কথা মিশে যাওয়া কণ্ঠ আলাদা করা কঠিন। বক্তার লেবেল দেওয়া আলাদা কাজ, যার নাম ডায়ারাইজেশন একবারে একজন কথা বলুন এবং বক্তার লেবেল মিলিয়ে দেখুন
ফোন ও কম মানের অডিও Google জানায়, পুরোনো ফোন অডিওর বেশির ভাগ 8,000 Hz, যা নির্ভুলতা কমাতে পারে ভালো মানে রেকর্ড করুন। স্যাম্পল রেট বাড়ালেই পুরোনো অডিও ঠিক হয় না
একই রকম শোনানো শব্দ «flour» (ময়দা) এবং «flower» (ফুল) একই রকম শোনায় পাঠানোর আগে লেখাটি পড়ে দেখুন

দুটি অভ্যাস বেশির ভাগ ভুল ধরতে সাহায্য করে। প্রতিটি নাম, সংখ্যা ও কারিগরি শব্দ অডিওর সঙ্গে মিলিয়ে নিন। লাইভ ক্যাপশনকে তাৎক্ষণিক নির্দেশনা হিসেবে ব্যবহার করুন, স্থায়ী নথি হিসেবে মূল রেকর্ডিং থেকে যাচাই করা ট্রান্সক্রিপ্ট রাখুন।

প্রবেশগম্যতার জন্য ভয়েস টু টেক্সট

ভয়েস টু টেক্সট দুইভাবে সহায়তা করে। ডিক্টেশনে কথা বলে লেখা যায়। W3C-এর মতে শারীরিক প্রতিবন্ধিতা, পুনরাবৃত্ত চাপজনিত আঘাত বা বোধ ও শেখার প্রতিবন্ধিতা আছে এমন অনেকে এর ওপর নির্ভর করেন। ক্যাপশন আর ট্রান্সক্রিপ্ট বধির বা কম শোনেন এমন মানুষকে অডিও অনুসরণ করতে সাহায্য করে।

W3C-এর শ্রবণ প্রতিবন্ধিতা বিষয়ক পৃষ্ঠা বলছে, অডিওর বিকল্প হিসেবে ট্রান্সক্রিপ্ট ও ক্যাপশন দরকার। স্বয়ংক্রিয় ক্যাপশন অনেক সময় নির্ভর করার মতো নির্ভুল হয় না, কারণ এতে বিশেষায়িত শব্দ বাদ পড়ে বা বাক্যগুলো জুড়ে যায়। প্রকাশের আগে লেখা যাচাই ও সংশোধন করুন। সাবটাইটেল ও ক্যাপশনের পার্থক্য নির্দেশিকায় দুই বিন্যাসের ব্যাখ্যা আছে।

ফোনেও লাইভ সুবিধা আছে। Apple Live Captions (iPhone 11 বা পরের মডেল) অ্যাপ বা আশপাশের অডিও সঙ্গে সঙ্গে ট্রান্সক্রাইব করে। Apple জরুরি বা উচ্চ ঝুঁকির পরিস্থিতিতে এর ওপর নির্ভর করতে নিষেধ করে। Android-এ Google-এর Live Transcribe কথা ও অন্যান্য শব্দ লেখায় দেখায়। অফলাইন ভাষা ব্যবহার না করলে ইন্টারনেট দরকার।

ভয়েস টু টেক্সট টুল বাছাইয়ের 5টি মানদণ্ড

প্রথমে ভাবুন কী তৈরি করবেন। দ্রুত বার্তা লিখতে ডিভাইসের ডিক্টেশনই যথেষ্ট। দীর্ঘ রেকর্ডিংয়ের জন্য ফাইল ট্রান্সক্রিপশন টুল এই পাঁচটি দিক দিয়ে দেখুন।

  1. লাইভ নাকি রেকর্ড করা? কথা বলে টাইপ করতে অ্যাপের ভেতরে ডিক্টেশন দরকার। আগের রেকর্ডিংয়ের জন্য ফাইল বা লিঙ্ক নেয় এমন টুল লাগতে পারে।
  2. ভাষা ও উচ্চারণ। যে মোড ব্যবহার করবেন তাতে আপনার ভাষা ও আঞ্চলিক রূপ আছে কি না দেখুন। লাইভ ও ফাইল মোডের তালিকা আলাদা হতে পারে।
  3. অডিও কোথায় যায়। কিছু টুল ডিভাইসেই শব্দ প্রক্রিয়া করে, কিছু সার্ভারে পাঠায়। সংবেদনশীল রেকর্ডিং আপলোডের আগে গোপনীয়তা নীতি পড়ুন। অন্যদের রেকর্ড করার আগে প্রয়োজনীয় সম্মতি নিন এবং অনলাইন সেশনের ক্ষেত্রে আয়োজকের অনুমতি নিন।
  4. কী ফল পাবেন। বক্তার লেবেল, টাইমস্ট্যাম্প, সম্পাদক এবং DOCX, TXT, SRT বা VTT রপ্তানি দেখুন।
  5. দৈর্ঘ্যের সীমা ও খরচ। সর্বোচ্চ ফাইলের দৈর্ঘ্য, আপলোডের আকার আর অডিওর ঘণ্টা বাড়লে খরচ কীভাবে বদলায় তা দেখুন।

বাজেটের ওপর জোর দিলে সেরা বিনা মূল্যের ট্রান্সক্রিপশন সফটওয়্যার নিবন্ধে বিনা মূল্যের পরিকল্পনাগুলোর তুলনা পাবেন।

whispertranscribe.ai কী কাজে লাগে?

whispertranscribe.ai হলো রেকর্ডিং থেকে লেখা তৈরির ব্রাউজারভিত্তিক সেবা। মাইক্রোফোন থেকেও লাইভ ট্রান্সক্রিপশন করে। অন্য অ্যাপে কথা বলে টাইপ করার সুবিধা বা ডেস্কটপ অ্যাপ নেই। পণ্যের পৃষ্ঠায় নিম্নলিখিত সুবিধাগুলো রয়েছে।

পরিষ্কার অডিওতে নির্ভুলতা 99% পর্যন্ত পৌঁছায়। পটভূমির আওয়াজ, টানযুক্ত উচ্চারণ ও একসঙ্গে কথা বলায় তা কমে। বার্ষিক বিলিংয়ে সশুল্ক পরিকল্পনা মাসে $9.99 থেকে শুরু (মূল্য) এবং অ্যাকাউন্ট ছাড়াই বিনা মূল্যে শুরু করতে পারেন। পূর্ণ তালিকা ফিচার পৃষ্ঠায় আছে।

সচরাচর জিজ্ঞাসা

ভয়েস টু টেক্সট আর স্পিচ টু টেক্সট কি একই?

হ্যাঁ। দুই নামেই কথাকে সম্পাদনাযোগ্য লেখায় পরিণত করার প্রযুক্তি বোঝায়। Google ও Microsoft-এর ডেভেলপার নথিতে «স্পিচ টু টেক্সট» বেশি দেখা যায়। সাধারণ অনুসন্ধানে «ভয়েস টু টেক্সট» বেশি ব্যবহৃত হয়। দুটিই স্বয়ংক্রিয় বাক্‌স্বীকৃতির ওপর নির্ভর করে। W3C-এর ব্যবহারে «ভয়েস রিকগনিশন» কথার বিষয়বস্তুর বদলে বক্তাকে শনাক্ত করে।

ভয়েস টু টেক্সট কি ডিক্টেশন?

ডিক্টেশন ভয়েস টু টেক্সটের একটি ব্যবহার। Windows ভয়েস টাইপিং বা Apple Dictation-এ আপনি কথা বললে কার্সরের অবস্থানে লেখা আসে। ভয়েস টু টেক্সটে ট্রান্সক্রিপশনও অন্তর্ভুক্ত। এতে সাক্ষাৎকার, বক্তৃতা বা সভার সম্পূর্ণ রেকর্ডিং সম্পাদনাযোগ্য ট্রান্সক্রিপ্ট হয়। নতুন লেখা তৈরি করতে ডিক্টেশন ব্যবহার করুন। আগে থেকে অডিও থাকলে লিখিত নথি তৈরির জন্য ট্রান্সক্রিপশন টুল ব্যবহার করুন।

ভয়েস টু টেক্সটের জন্য ইন্টারনেট লাগে?

টুলের ওপর নির্ভর করে। Microsoft জানায়, Windows ভয়েস টাইপিংয়ে অনলাইন বাক্‌স্বীকৃতির জন্য ইন্টারনেট লাগে। Apple জানায়, iPhone Dictation অনেক ভাষায় ডিভাইসেই ইন্টারনেট ছাড়া প্রক্রিয়া হয়। ডিক্টেশন Mac-এ প্রক্রিয়াকৃত হয় কি না Keyboard সেটিংসে দেখা যায়। অফলাইন ভাষা ছাড়া Google Live Transcribe-এ ইন্টারনেট লাগে। ব্রাউজারভিত্তিকসহ ক্লাউড ট্রান্সক্রিপশন সেবায় অডিও আপলোড ও প্রক্রিয়ার জন্য সংযোগ দরকার।

ভয়েস টু টেক্সট কি বিনা মূল্যে ব্যবহার করা যায়?

বেশির ভাগ ডিভাইসে প্রাথমিক সুবিধাটি বিনা মূল্যে পাওয়া যায়। Windows, macOS, iOS এবং Android-এ বাড়তি খরচ ছাড়াই ভয়েস টাইপিং বা ডিক্টেশন আছে, তবে ভাষা সমর্থন আলাদা। দীর্ঘ রেকর্ডিংয়ে সাধারণত খরচ শুরু হয়। অনেক সেবা বিনা মূল্যের ট্রায়াল বা পরিকল্পনা দেয়, তারপর অডিওর ঘণ্টা বা সাবস্ক্রিপশন হিসেবে টাকা নেয়। টাকা দেওয়ার আগে সর্বোচ্চ দৈর্ঘ্য, আপলোডের আকার, সমর্থিত ভাষা ও পরিকল্পনার রপ্তানি বিন্যাস দেখে নিন।

ভয়েস টু টেক্সট কতটা নির্ভুল?

মাইক্রোফোনের কাছে একজনের পরিষ্কার অডিওতে আধুনিক ভয়েস টু টেক্সট বেশির ভাগ শব্দ ঠিক করে। সব অডিওর জন্য একটিমাত্র নির্ভুলতার হার নেই। আওয়াজ, প্রতিধ্বনি, মাইক্রোফোন থেকে দূরত্ব, টানযুক্ত উচ্চারণ, কারিগরি শব্দ ও একসঙ্গে কথা বলায় ভুল বাড়ে। সাধারণ মাপকাঠি শব্দ ত্রুটির হার, যাতে বদলে যাওয়া, বাদ পড়া ও অতিরিক্ত শব্দ গোনা হয়। ট্রান্সক্রিপ্ট ব্যবহার করার আগে নাম, সংখ্যা এবং বিশেষায়িত পরিভাষা অডিওর সঙ্গে মিলিয়ে নিন।

ভয়েস টু টেক্সট কি বলতে পারে কে কথা বলছেন?

কিছু টুল পারে। কে কখন বলেছেন তা চিহ্নিত করা আলাদা ধাপ, যার নাম স্পিকার ডায়ারাইজেশন। সব টুলে এই সুবিধা থাকে না। ডিভাইসের ডিক্টেশন একজন বক্তা ধরে নেয়। ট্রান্সক্রিপশন সেবায় প্রায়ই বক্তার লেবেল যোগ হয়। যেমন, Microsoft Azure Speech-এর নথিতে সর্বোচ্চ 35 জন বক্তার ডায়ারাইজেশনের কথা আছে। কণ্ঠ আলাদা হলে এবং সবাই পালা করে বললে লেবেল ভালো কাজ করে। একই রকম কণ্ঠ বা একসঙ্গে কথার ক্ষেত্রে মিলিয়ে নিন।


কোনো রেকর্ডিং লেখায় বদলাতে চান? whispertranscribe.ai-তে আপলোড করে 130+ ভাষায় ট্রান্সক্রিপ্ট তৈরি করুন। DOCX, PDF, SRT এবং VTT রপ্তানি করা যায়।

তথ্যসূত্র

আপনার রেকর্ডিংকে লেখায় রূপান্তর করতে চান?

whispertranscribe.ai দিয়ে অডিও ও ভিডিওর কথাকে লেখায় রূপান্তর করুন।

লেখায় রূপান্তর শুরু করুন ↗