whispertranscribe.ai संपादकीय टीम · अंतिम अपडेट: नवंबर 2026 · 12 मिनट पढ़ने का समय
जब रिकॉर्डिंग पर आपका नियंत्रण हो, ट्रांसक्रिप्शन के लिए सर्वश्रेष्ठ ऑडियो फ़ॉर्मैट लॉसलेस WAV (16-bit PCM) या FLAC है, जिसे मोनो में 16 kHz या अधिक पर रिकॉर्ड किया जाए। यदि MP3, M4A या वीडियो फ़ाइल पहले से है तो उसे वैसा ही अपलोड करें। संपीड़ित फ़ाइल कन्वर्ट करने से खोया विवरण वापस नहीं आता और माइक्रोफ़ोन की दूरी तथा शोर परिणामों को अधिक प्रभावित करते हैं।
आगे: रिकॉर्ड दबाने से पहले क्या चुनें, मिली हुई फ़ाइल का क्या करें, फ़ाइल आकार के सूत्र, अलग स्थितियों की सेटिंग, FFmpeg कमांड और समस्या समाधान तालिका।
खुलासा। यह गाइड whispertranscribe.ai प्रकाशित करता है। तकनीकी दावे Google Cloud, OpenAI के Whisper कोड, FFmpeg या Library of Congress से जुड़े हैं। हमने लेख के लिए सटीकता परीक्षण नहीं किया और यहाँ किसी फ़ॉर्मैट से निश्चित प्रतिशत सटीकता बढ़ने का वादा नहीं है।
संक्षिप्त उत्तर: ट्रांसक्रिप्शन के लिए सर्वश्रेष्ठ ऑडियो फ़ॉर्मैट
एक ही विजेता के बजाय अपने काम के चरण के अनुसार चुनें।
| आपकी स्थिति | सबसे अच्छा विकल्प | क्यों |
|---|---|---|
| रिकॉर्डर या ऐप सेट कर रहे हैं | WAV (16-bit) या FLAC, मोनो, 16 kHz या अधिक | Google स्पीच रिकग्निशन के लिए लॉसलेस FLAC या LINEAR16 सुझाता है |
| रिकॉर्ड करते समय छोटी फ़ाइल चाहिए | मध्यम बिटरेट पर आवाज़ के अनुकूल लॉसी कोडेक | आवाज़ के लिए Google के पसंदीदा लॉसी कोडेक क्रम से AMR-WB, Ogg Opus, Speex हैं |
| MP3, M4A या Opus फ़ाइल पहले से है | मूल अपलोड करें | री-एन्कोडिंग खोया विवरण नहीं लौटाती |
| वीडियो है (MP4, MOV, MKV) | अपलोड करें; बहुत बड़ा हो तो ऑडियो निकालें | केवल ऑडियो ट्रैक उपयोग होता है |
| वक्ता अलग ट्रैक पर रिकॉर्ड हुए | ट्रैक बनाए रखें | हर व्यक्ति का अपना चैनल हो तो Google हर चैनल अलग भेजने को कहता है |
कब फ़ॉर्मैट की चिंता न करें: फ़ोन वॉइस मेमो, प्रकाशित पॉडकास्ट या Zoom अथवा Teams रिकॉर्डिंग। अपलोड करें, सही बोली भाषा चुनें और नाम जाँचने पर समय दें।
फ़ॉर्मैट, कोडेक और कंटेनर: फ़ाइल एक्सटेंशन क्या छिपाता है
एक्सटेंशन कंटेनर बताता है, हमेशा संपीड़न नहीं। Google का ऑडियो अनुकूलन ट्यूटोरियल स्पष्ट करता है कि कोडेक और फ़ाइल फ़ॉर्मैट एक नहीं हैं। तीन सामान्य उदाहरण:
- WAV आमतौर पर असंपीड़ित लिनियर PCM रखता है, लेकिन अन्य एन्कोडिंग भी रख सकता है (Library of Congress, WAVE)।
- M4A लॉसी AAC या लॉसलेस Apple Lossless (ALAC) रख सकता है।
- OGG एक रैपर है जिसमें आमतौर पर Opus या Vorbis होते हैं, दोनों लॉसी हैं।
फ़ाइल में वास्तव में क्या है देखने के लिए FFmpeg के ffprobe से केवल ऑडियो स्ट्रीम पूछें:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
यह कमांड इस समीक्षा में नहीं चलाई गई। आम तौर पर यह हर ऑडियो स्ट्रीम के लिए एक पंक्ति दिखाती है; कोई आउटपुट न होना ऑडियो स्ट्रीम न होने का संकेत हो सकता है।
ट्रांसक्रिप्शन के लिए ऑडियो फ़ॉर्मैट की तुलना
नीचे हर फ़ॉर्मैट ट्रांसक्राइब हो सकता है। अंतर बचे विवरण और फ़ाइल आकार का है। आकार अगले खंड के सूत्रों से हैं (1 MB = 1,000,000 bytes)।
| फ़ॉर्मैट | लॉसी या लॉसलेस | सामान्य स्रोत | प्रति मिनट आकार (उदाहरण सेटिंग) | ट्रांसक्रिप्शन पर प्रभाव | क्या करें |
|---|---|---|---|---|---|
| WAV (PCM) | असंपीड़ित | फ़ील्ड रिकॉर्डर, ऑडियो एडिटर | 16 kHz, 16-bit, मोनो पर 1.92 MB; 44.1 kHz, 16-bit, स्टीरियो पर 10.58 MB | माइक द्वारा पकड़ा सब रखता है | सर्वोत्तम मास्टर; लंबी रिकॉर्डिंग का आकार देखें |
| FLAC | लॉसलेस (संपीड़ित) | आर्काइव, एडिटर निर्यात | समान WAV से छोटा; बचत बदलती है | WAV जैसा ही ऑडियो | जगह बचाने WAV के बजाय लें |
| AIFF / ALAC / CAF | AIFF सामान्यतः असंपीड़ित; ALAC लॉसलेस; CAF दोनों रख सकता है | Mac और iPhone ऐप | AIFF: समान सेटिंग पर WAV जितना | अंदर के कोडेक पर निर्भर | जैसा है अपलोड करें |
| MP3 | लॉसी | पॉडकास्ट, डाउनलोड | 128 kbps पर 0.96 MB | Google: लॉसी कोडेक सटीकता घटा सकते हैं | जैसा है अपलोड करें |
| M4A / AAC | सामान्यतः लॉसी (AAC) | वॉइस मेमो, वीडियो साउंडट्रैक | 64 kbps पर 0.48 MB | MP3 जैसी सावधानी | मूल अपलोड करें |
| OGG / Opus | लॉसी | मैसेजिंग वॉइस नोट, वेब कॉल | 32 kbps पर 0.24 MB | आवाज़ के लॉसी कोडेक में Opus Google की पसंदीदा सूची में है | जैसा है अपलोड करें |
| AMR (नैरोबैंड) | लॉसी, केवल आवाज़ | पुराने फ़ोन और कॉल रिकॉर्डर | 12.2 kbps पर लगभग 0.09 MB | केवल 200 से 3,400 Hz रखता है (Library of Congress, AMR) | जैसा है अपलोड करें; कभी अपसैंपल न करें |
वीडियो फ़ाइलें भी इसी तरह काम करती हैं: टूल ऑडियो ट्रैक पढ़ता है, अतिरिक्त लागत केवल अपलोड आकार है।
ऑडियो फ़ाइल कितनी बड़ी है? सूत्र
दो सूत्र रिकॉर्ड या अपलोड से पहले किसी भी फ़ाइल का आकार अनुमानित करते हैं।
असंपीड़ित PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
उदाहरण:
- 16 kHz, 16-bit, मोनो: 16,000 × 2 × 1 = 32,000 bytes प्रति सेकंड। × 60 = 1,920,000 bytes, लगभग 1.92 MB प्रति मिनट, या 115.2 MB प्रति घंटा।
- 44.1 kHz, 16-bit, स्टीरियो: 44,100 × 2 × 2 = 176,400 bytes प्रति सेकंड, लगभग 10.58 MB प्रति मिनट, या 635 MB प्रति घंटा।
- 48 kHz, 24-bit, स्टीरियो: 48,000 × 3 × 2 = 288,000 bytes प्रति सेकंड, या 1,036.8 MB प्रति घंटा।
स्थिर बिटरेट पर लॉसी (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (यानी kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 bytes, लगभग 0.96 MB प्रति मिनट, या 57.6 MB प्रति घंटा।
- 64 kbps: 0.48 MB प्रति मिनट; 32 kbps: 0.24 MB प्रति मिनट।
हेडर के कारण वास्तविक फ़ाइलें थोड़ी बड़ी होती हैं और वेरिएबल बिटरेट फ़ाइलें औसत के आसपास बदलती हैं। बाइनरी इकाई (MiB) दिखाने वाले कंप्यूटर लगभग 5% कम संख्या दिखाते हैं।
5GB, 10 घंटे की अपलोड सीमा के लिए इन आँकड़ों का अर्थ
whispertranscribe.ai 5GB और 10 घंटे तक फ़ाइल स्वीकार करता है। 5GB को 5,000,000,000 bytes मानकर सामान्य सेटिंग इस तरह फिट होती हैं:
| सेटिंग | 1 घंटा | 10 घंटे | 5GB में 10 घंटे फिट? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, मोनो | 115.2 MB | 1.15 GB | हाँ |
| WAV, 44.1 kHz, 16-bit, स्टीरियो | 635 MB | 6.35 GB | नहीं: लगभग 7.9 घंटे फिट |
| WAV, 48 kHz, 24-bit, स्टीरियो | 1.04 GB | 10.37 GB | नहीं: लगभग 4.8 घंटे फिट |
| MP3, 128 kbps | 57.6 MB | 576 MB | हाँ |
| Opus, 32 kbps | 14.4 MB | 144 MB | हाँ |
पारंपरिक WAV की अपनी सीमा भी है: उसका 32-bit आकार फ़ील्ड लगभग 4 GB तक सीमित है और लंबी रिकॉर्डिंग को RF64 एक्सटेंशन चाहिए (Library of Congress)। बहुत लंबी लॉसलेस रिकॉर्डिंग के लिए FLAC या 16 kHz मोनो WAV दोनों समस्याएँ टालता है।
ऑडियो फ़ॉर्मैट से अधिक क्या मायने रखता है
माइक्रोफ़ोन के पास की स्पष्ट आवाज़ MP3 में आमतौर पर शोर भरे कमरे में दूर से रिकॉर्ड लॉसलेस फ़ाइल से बेहतर होती है। ये सेटिंग और आदतें अधिकतर परिणाम तय करती हैं।
सैंपल रेट: क्या 16 kHz पर्याप्त है?
हाँ, आवाज़ के लिए। Google 16,000 Hz या अधिक सुझाता है (सर्वोत्तम अभ्यास); उसके ट्यूटोरियल के अनुसार कम दर पर 8 kHz से ऊपर बहुत कम या कोई जानकारी नहीं रहती। OpenAI का ओपन-सोर्स Whisper कोड मॉडल को देने से पहले हर इनपुट 16,000 Hz मोनो में बदलता है (whisper/audio.py)। 44.1 या 48 kHz पर रिकॉर्ड करना ठीक है, बस फ़ाइल बड़ी होगी।
बाद में दर बढ़ाना मदद नहीं करता: Google के अनुसार 8 kHz फ़ाइल को 44.1 kHz अपसैंपल करने पर भी लगभग 4 kHz आवृत्ति रेंज ही रहती है। फ़ोन ऑडियो, आमतौर पर 8,000 Hz, मूल दर पर अपलोड करें।
बिट डेप्थ: 16-bit या 24-bit?
Google 16 बिट या अधिक सुझाता है और कहता है कि 8-bit ऑडियो 16-bit में बदलने से लाभ नहीं, क्योंकि डायनेमिक रेंज रिकॉर्डिंग में तय हो चुकी थी। रिकॉर्डर का 24-bit रखना हानिरहित है; 16-bit को 24-bit बनाने से कुछ नहीं जुड़ता।
संपीड़ित फ़ाइलों का बिटरेट
अच्छे ट्रांसक्रिप्शन की गारंटी वाला कोई मानक बिटरेट नहीं है। Google का मार्गदर्शन कोडेक प्रकार पर है: लॉसी कोडेक सटीकता घटा सकते हैं और लॉसी संपीड़न में शोर या गूँज अधिक नुकसान पहुँचाते हैं। संपीड़न ज़रूरी हो तो मध्यम सेटिंग पर एक बार करें और WAV से MP3 से OGG जैसी श्रृंखला टालें।
माइक्रोफ़ोन की दूरी, शोर और स्तर
Google की प्रीप्रोसेसिंग सलाह से:
- माइक्रोफ़ोन को व्यावहारिक रूप से वक्ता के जितना पास हो सके रखें, खासकर शोर में।
- क्लिपिंग से बचें। विकृत पीक बाद में ठीक नहीं हो सकते।
- ऐप अनुमति दे तो ऑटोमैटिक गेन कंट्रोल और नॉइज़ रिडक्शन बंद करें। Google के अनुसार पहचान से पहले नॉइज़ रिडक्शन आमतौर पर सटीकता घटाता है।
मोनो या स्टीरियो?
एक साझा माइक्रोफ़ोन के लिए मोनो पर्याप्त है। Whisper वैसे भी स्टीरियो को मोनो में मिलाता है, इसलिए दोनों ओर एक आवाज़ होने पर स्टीरियो अपलोड दोगुना करता है। हर तरफ अलग व्यक्ति हो, जैसे कई कॉल रिकॉर्डर या प्रति चैनल अलग लैवलियर माइक, तो स्टीरियो रखें। Google तब हर चैनल अलग भेजने और मिश्रित रिकॉर्डिंग वैसी ही भेजने को कहता है।
मल्टीट्रैक रिकॉर्डिंग
पॉडकास्ट और दूरस्थ इंटरव्यू टूल अक्सर हर व्यक्ति को अलग ट्रैक पर रिकॉर्ड करते हैं। या तो एक मिश्रित ट्रैक निर्यात कर स्पीकर लेबल चालू करें (सबसे सरल), या हर ट्रैक अलग ट्रांसक्राइब कर टाइमस्टैम्प से टेक्स्ट मिलाएँ (सबसे साफ़ ऑडियो, लेकिन मिलाना आपको होगा)।
स्थिति के अनुसार अनुशंसित फ़ॉर्मैट और सेटिंग
अधिक सामान्य स्थिति है “पहले से है”, जिसका उत्तर आमतौर पर “अपलोड करें” है।
| स्थिति | रिकॉर्ड करें (यदि चुन सकते हैं) | पहले से हो तो | अपलोड से पहले | ध्यान दें |
|---|---|---|---|---|
| आमने-सामने इंटरव्यू | WAV या FLAC, प्रति माइक मोनो, 44.1 या 48 kHz | फ़ोन का M4A या MP3 | नाम और शब्द नोट करें | अतिथि की आवाज़ इंटरव्यूअर से धीमी |
| दूरस्थ इंटरव्यू या पॉडकास्ट, प्रति ट्रैक | हर वक्ता का अपना लॉसलेस ट्रैक | अलग WAV और मिश्रित MP3 | मिश्रित या प्रति ट्रैक चुनें | मिश्रण में एक साथ बोलना |
| मीटिंग रिकॉर्डिंग (Zoom, Teams, Meet) | प्लेटफ़ॉर्म का ऑडियो विकल्प, यदि हो | MP4 या M4A | वीडियो बहुत बड़ा हो तभी ऑडियो निकालें | पूरे कमरे के लिए एक लैपटॉप माइक |
| फ़ोन वॉइस मेमो | ऐप डिफ़ॉल्ट | .m4a | मूल निर्यात करें | रिकॉर्ड करते समय फ़ोन जेब में |
| प्रकाशित पॉडकास्ट एपिसोड | लागू नहीं | प्रकाशित MP3 | प्रकाशन से पहले का WAV या FLAC हो तो लें | संगीत परिचय; भाषा सेट करें |
| लेक्चर या सेमिनार | मोनो, 16-bit, शिक्षक के पास माइक | लंबा MP3 या वीडियो | 10 घंटे की सीमा जाँचें | दर्शकों के प्रश्न माइक से दूर |
| फ़ोन कॉल रिकॉर्डिंग | रिकॉर्डर डिफ़ॉल्ट | AMR, M4A या 8 kHz WAV | मूल सैंपल रेट रखें | सहमति नियम; अपसैंपल न करें |
कॉल रिकॉर्डिंग में सहमति का सवाल होता है; फ़ोन कॉल कैसे रिकॉर्ड करें और राज्यवार कॉल रिकॉर्डिंग कानून देखें। रिकॉर्डिंग शुरू करने से पहले आवश्यक सहमति और मीटिंग होस्ट की अनुमति लें। यह कानूनी सलाह नहीं है।
FFmpeg से ट्रांसक्रिप्शन के लिए ऑडियो कैसे कन्वर्ट करें
केवल कारण होने पर कन्वर्ट करें: फ़ाइल बहुत बड़ी है, वीडियो से हल्का अपलोड चाहिए, टूल कोडेक अस्वीकार करता है या वक्ताओं की अलग फ़ाइलें चाहिए। “गुणवत्ता” के लिए कन्वर्ट करना काम नहीं करता।
ये कमांड उदाहरण हैं और इस समीक्षा में नहीं चलाई गईं। कोडेक, सैंपल रेट और चैनल जाँचने के लिए ffprobe इस्तेमाल करें। विकल्प FFmpeg दस्तावेज़ में समझाए हैं।
1. कोई भी फ़ाइल 16 kHz मोनो 16-bit WAV में (Whisper अंदर इसी रूप में बदलता है):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. कोई भी फ़ाइल 16 kHz मोनो FLAC में (लॉसलेस और अधिकतर WAV से छोटा):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. वीडियो से छोटा मोनो MP3 (एक लॉसी चरण जुड़ता है; आकार सबसे महत्वपूर्ण हो तो लें):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. वीडियो से बिना री-एन्कोड ऑडियो निकालें (ऑडियो AAC हो तो काम करता है, जो MP4 में सामान्य है):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. दो चैनल की रिकॉर्डिंग को प्रति वक्ता एक फ़ाइल में बाँटें (channelsplit फ़िल्टर उपयोग करता है):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| विकल्प | क्या करता है |
|---|---|
-ac 1 |
ऑडियो एक चैनल में मिलाता है |
-ar 16000 |
आउटपुट सैंपल रेट 16,000 Hz करता है |
-c:a pcm_s16le |
16-bit असंपीड़ित PCM (मानक WAV) लिखता है |
-vn |
वीडियो स्ट्रीम हटाता है |
-c:a copy |
गुणवत्ता बदले बिना ऑडियो वैसा कॉपी करता है |
-b:a 64k |
लॉसी बिटरेट सेट करता है |
वीडियो का ऑडियो पहले से AAC हो तो कमांड 3 के बजाय 4 लें, क्योंकि मूल गुणवत्ता रहती है। 8 kHz फ़ोन ऑडियो के लिए -ar 16000 छोड़ दें ताकि अपसैंपल न हो।
कमांड लाइन नहीं है? whispertranscribe.ai का ऑडियो और वीडियो से MP3 कन्वर्टर MP4, MOV, MKV, WEBM या AVI से ब्राउज़र में ऑडियो ट्रैक निकालता है। पेज के अनुसार यह WebAssembly उपयोग करता है और फ़ाइलें अपलोड के बजाय ब्राउज़र में प्रोसेस होती हैं।
बड़ी फ़ाइलें: 5GB और 10 घंटे के भीतर रहें
- बहुत बड़ी लेकिन 10 घंटे से कम: आमतौर पर वीडियो या हाई-रिज़ॉल्यूशन WAV। ऑडियो निकालें (कमांड 4 या ब्राउज़र कन्वर्टर) या WAV को FLAC बनाएँ (कमांड 2)।
- 10 घंटे से लंबी: अपलोड पेज दिखाता है “At the moment, we can only process files up to 10 hours long. Please shorten your file to 10 hours or less and try again.” इसे बाँटें। हमारी MP3 से टेक्स्ट गाइड का बिना री-एन्कोड विभाजन कमांड WAV पर भी इस्तेमाल किया जा सकता है; इसका यहाँ परीक्षण नहीं किया गया है। टेक्स्ट मिलाते समय जोड़ जाँचें।
- धीमा कनेक्शन: 64 kbps MP3 का एक घंटा लगभग 28.8 MB है, जबकि CD जैसे स्टीरियो WAV का 635 MB। लॉसलेस मूल आर्काइव रखें।
ऑडियो फ़ॉर्मैट समस्याओं का समाधान
| समस्या | संभावित कारण | क्या आज़माएँ |
|---|---|---|
| “No audio detected. The file may be corrupted. Please check the file and try again.” (हमारे अपलोड पेज पर) | खराब फ़ाइल, बिना आवाज़ निर्यात वीडियो या खाली ऑडियो ट्रैक | स्थानीय चलाएँ; ऊपर की ffprobe ऑडियो जाँच चलाएँ (आउटपुट न हो तो ऑडियो स्ट्रीम नहीं); मूल ऐप से फिर निर्यात करें |
| बहुत लंबी होने से अपलोड अस्वीकृत | 10 घंटे से अधिक फ़ाइल | 10 घंटे या कम के भागों में बाँटें |
| फ़ाइल बहुत बड़ी | वीडियो या हाई-रिज़ॉल्यूशन मल्टीचैनल WAV | ऑडियो निकालें या WAV को FLAC बनाएँ |
| 4 GB से अधिक WAV नहीं खुलता या अपलोड नहीं होता | पारंपरिक WAV आकार सीमा | RF64 या FLAC में फिर निर्यात करें या बाँटें |
| एक वक्ता दूसरे से बहुत धीमा | हर व्यक्ति अलग चैनल पर अलग स्तर में रिकॉर्ड | चैनल बाँटें (कमांड 5) और हर फ़ाइल ट्रांसक्राइब करें |
| विकृत, चटकते पीक | रिकॉर्डिंग में क्लिपिंग | ठीक नहीं हो सकता; अगली बार इनपुट गेन घटाएँ |
| 48 kHz कन्वर्ट करने पर भी फ़ोन ऑडियो खराब | अपसैंपलिंग जानकारी नहीं जोड़ती | मूल अपलोड करें; उपलब्ध हो तो “Noise / Low-Quality Audio/Video” भाषा विकल्प लें |
whispertranscribe.ai कहाँ उपयुक्त है
whispertranscribe.ai OpenAI के Whisper मॉडल पर आधारित ब्राउज़र ट्रांसक्रिप्शन टूल है (ऐप, API या मानव प्रूफ़रीडिंग नहीं)। मुफ़्त ऑडियो टू टेक्स्ट कन्वर्टर और अन्य अपलोड पेज इन फ़ॉर्मैट को सूचीबद्ध करते हैं: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG और MPEG।
- सीमाएँ: 5GB और 10 घंटे तक फ़ाइलें।
- भाषाएँ: 130+ भाषाएँ, कई में “Noise / Low-Quality Audio/Video” विकल्प।
- सटीकता: स्पष्ट ऑडियो में 99% तक। शोर, दूरी, उच्चारण और एक साथ बोलना इसे घटाते हैं।
- वक्ता: ट्रांसक्राइब से पहले Speaker Detection चालू करें।
- निर्यात: DOCX, PDF, TXT, CSV, SRT और VTT।
- गोपनीयता: गोपनीयता नीति के अनुसार मूल अपलोड प्रोसेसिंग के बाद हटते हैं और निकाले MP3 डिफ़ॉल्ट रूप से 30 दिन रखे जाते हैं।
विशिष्ट रिकॉर्डिंग के लिए MP3 फ़ाइलें, वॉइस मेमो, फ़ोन कॉल, इंटरव्यू और लेक्चर और सेमिनार देखें। बिना खाते का मुफ़्त पेज पर फ़ाइल आज़माएँ (सीमाएँ वहीं हैं)। भुगतान योजनाएँ: $9.99/माह वार्षिक बिलिंग से (कीमतें)। बाकी फीचर पेज पर है।
अक्सर पूछे जाने वाले सवाल
ट्रांसक्रिप्शन के लिए सर्वश्रेष्ठ ऑडियो फ़ॉर्मैट क्या है?
रिकॉर्डिंग पर नियंत्रण हो तो WAV या FLAC सर्वोत्तम है, आदर्श रूप से मोनो में 16 kHz या अधिक और 16-bit डेप्थ। MP3, M4A या Opus जैसी संपीड़ित फ़ाइल पहले से हो तो कन्वर्ट करने के बजाय वैसी अपलोड करें। पास का माइक्रोफ़ोन, कम शोर और बिना क्लिपिंग वाली रिकॉर्डिंग आमतौर पर फ़ॉर्मैट से अधिक महत्वपूर्ण है।
क्या ट्रांसक्रिप्शन में WAV, MP3 से बेहतर है?
स्रोत से रिकॉर्ड WAV, MP3 से अधिक विवरण रखता है और Google के अनुसार MP3 जैसे लॉसी कोडेक पहचान सटीकता घटा सकते हैं। साफ़ आवाज़ में अंतर अक्सर छोटा और शोर में बड़ा होता है। मौजूदा MP3 से बना WAV बेहतर नहीं क्योंकि हटाया विवरण जा चुका है। संभव हो तो WAV या FLAC में रिकॉर्ड करें और MP3 वैसा अपलोड करें।
ट्रांसक्रिप्शन के लिए कौन-सा सैंपल रेट लें?
16 kHz या अधिक। Google स्पीच रिकग्निशन के लिए कम से कम 16,000 Hz सुझाता है और OpenAI Whisper प्रोसेसिंग से पहले सभी ऑडियो 16 kHz मोनो में बदलता है। 44.1 या 48 kHz रिकॉर्डिंग ठीक और सामान्य है। बाद में कम दर न बढ़ाएँ: 8 kHz फ़ोन रिकॉर्डिंग 8 kHz पर अपलोड करें, क्योंकि अपसैंपलिंग आकार बढ़ाती है, आवाज़ की जानकारी नहीं।
ट्रांसक्रिप्शन के लिए मोनो या स्टीरियो रिकॉर्ड करें?
सब एक माइक्रोफ़ोन साझा करें तो मोनो रिकॉर्ड करें। Whisper स्टीरियो मोनो में मिलाता है, इसलिए समान आवाज़ की स्टीरियो प्रति सिर्फ आकार दोगुना करती है। हर वक्ता अलग चैनल पर हो, जैसे कॉल रिकॉर्डर या हर अतिथि का माइक, तो स्टीरियो या मल्टीट्रैक रखें। Google अलग चैनल अलग ट्रांसक्राइब करने को कहता है; FFmpeg से चैनल बाँट सकते हैं।
एक मिनट की WAV फ़ाइल कितनी बड़ी है?
सेटिंग पर निर्भर है: सैंपल रेट को प्रति सैंपल bytes और चैनल से गुणा कर प्रति सेकंड bytes पाएँ। 16 kHz, 16-bit मोनो WAV में 16,000 × 2 × 1 = 32,000 bytes प्रति सेकंड, लगभग 1.92 MB प्रति मिनट या 115.2 MB प्रति घंटा। CD जैसे 44.1 kHz, 16-bit स्टीरियो में लगभग 10.58 MB प्रति मिनट या 635 MB प्रति घंटा।
क्या ऑडियो निकालने के बजाय वीडियो फ़ाइल अपलोड कर सकते हैं?
हाँ। ट्रांसक्रिप्शन टूल ऑडियो ट्रैक पढ़ते और तस्वीर अनदेखी करते हैं, इसलिए MP4, MOV, MKV या WEBM से निकाले ऑडियो जैसा ट्रांसक्रिप्ट मिलता है। वीडियो केवल अपलोड बड़ा करता है। फ़ाइल आकार सीमा के पास हो या कनेक्शन धीमा हो तो ऑडियो निकालें, जैसे FFmpeg का -vn -c:a copy मूल ऑडियो गुणवत्ता रखता है। whispertranscribe.ai पर वीडियो वैसा अपलोड कर DOCX, TXT, SRT या VTT निर्यात कर सकते हैं।
रिकॉर्डिंग तैयार है? उसे वैसा ही whispertranscribe.ai के मुफ़्त ऑडियो टू टेक्स्ट कन्वर्टर पर अपलोड करें: 130+ भाषाओं में से चुनें, Speaker Detection चालू करें और DOCX, TXT, SRT या VTT डाउनलोड करें। 5GB और 10 घंटे तक फ़ाइलें।
संदर्भ
- Google Cloud: Speech-to-Text सर्वोत्तम अभ्यास (स्पीच डेटा देना)
- Google Cloud: Speech-to-Text के लिए ऑडियो फ़ाइलें अनुकूलित करें
- OpenAI: Whisper GitHub रिपॉज़िटरी में whisper/audio.py
- FFmpeg: ffmpeg कमांड लाइन दस्तावेज़ और channelsplit फ़िल्टर
- Library of Congress: WAVE ऑडियो फ़ाइल फ़ॉर्मैट (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
