whispertranscribe.ai सम्पादकीय टोली · अद्यावधिक: नोभेम्बर 2026 · पढ्न 12 मिनेट
रेकर्डिङ आफ्नै हातमा छ भने विवरण नघटाउने WAV (16-bit PCM) वा FLAC, मोनो र 16 kHz वा माथिको दर, प्रतिलेखनका लागि उपयुक्त हुन्छ। MP3, M4A वा भिडियो पहिले नै छ भने जस्ताको तस्तै अपलोड गर्नुहोस्। सङ्कुचित फाइलको ढाँचा फेर्दा हराएको विवरण फर्कँदैन। माइकको दूरी र हल्लाको असर बढी हुन्छ।
तल रेकर्ड थिच्नुअघिको छनोट, अरूले दिएको फाइलमा के गर्ने, आकारका सूत्र, अवस्थाअनुसार सेटिङ, FFmpeg कमान्ड र समस्या समाधानको तालिका छन्।
प्रकाशकको जानकारी। यो मार्गदर्शिका whispertranscribe.ai ले प्रकाशन गर्छ। प्राविधिक दाबीका स्रोत Google Cloud, OpenAI को Whisper कोड, FFmpeg र Library of Congress हुन्। यस लेखका लागि शुद्धता परीक्षण गरिएको छैन। कुनै ढाँचाले तोकिएको प्रतिशत शुद्धता थप्ने दाबी छैन।
छोटो उत्तर: प्रतिलेखनका लागि उपयुक्त अडियो ढाँचा
कामको कुन चरणमा हुनुहुन्छ, त्यसअनुसार छान्नुहोस्।
| अवस्था | उपयुक्त छनोट | किन? |
|---|---|---|
| रेकर्डर वा एप मिलाउँदै हुनुहुन्छ | WAV (16-bit) वा FLAC, मोनो र 16 kHz वा माथि | Google ले वाक् पहिचानका लागि FLAC वा LINEAR16 सुझाउँछ |
| रेकर्ड गर्दै सानो फाइल चाहिन्छ | मध्यम बिटरेटमा बोलीका लागि मिल्ने विवरण घटाउने कोडेक | Google को प्राथमिकता क्रम AMR-WB, Ogg Opus र Speex हो |
| MP3, M4A वा Opus पहिले नै छ | मूल अपलोड गर्नुहोस् | फेरि इन्कोड गर्दा विवरण फर्कँदैन |
| भिडियो छ (MP4, MOV, MKV) | अपलोड गर्नुहोस्। धेरै ठूलो भए अडियो निकाल्नुहोस् | अडियो ट्र्याक मात्रै चाहिन्छ |
| वक्ता अलग ट्र्याकमा रेकर्ड छन् | ट्र्याक छुट्टै राख्नुहोस् | हरेक व्यक्तिको आफ्नै च्यानल भए अलग पठाउन Google को सुझाव छ |
ढाँचाको चिन्ता गर्न नपर्ने अवस्था: फोनको भ्वाइस मेमो, प्रकाशित पोडकास्ट वा Zoom वा Teams रेकर्डिङ। फाइल अपलोड गर्नुहोस्, बोलिएको भाषा छान्नुहोस् र नाम जाँच्न समय लगाउनुहोस्।
ढाँचा, कोडेक र कन्टेनर: फाइलको अन्त्यले नदेखाउने कुरा
एक्सटेन्सन कन्टेनरको नाम हो। सङ्कुचन सधैँ बताउँदैन। Google को अडियो सुधार मार्गदर्शिका ढाँचा र कोडेकको भिन्नता बताउँछ। तीन सामान्य उदाहरण:
- WAV मा प्रायः असङ्कुचित लिनियर PCM हुन्छ, तर अरू इन्कोडिङ पनि राख्न सक्छ (Library of Congress, WAVE)।
- M4A मा विवरण घटाउने AAC वा विवरण जोगाउने Apple Lossless (ALAC) हुन सक्छ।
- OGG प्रायः Opus वा Vorbis राख्ने कन्टेनर हो। दुवैले विवरण घटाउँछन्।
फाइलभित्र के छ हेर्न FFmpeg को ffprobe बाट अडियो स्ट्रिम मात्रै जाँच्नुहोस्:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
मूल लेखमा रिपोर्ट गरिएको FFmpeg 7.1.5 को छोटो भिडियो परीक्षणमा प्रति अडियो स्ट्रिम एउटा लाइन आयो। अडियो हटाएको प्रतिमा केही आएन। अपलोडअघि अडियो ट्र्याक नभएको फाइल छिटै थाहा पाउन सकिन्छ।
प्रतिलेखनका अडियो ढाँचाको तुलना
तल सबै ढाँचाको प्रतिलेखन गर्न मिल्छ। कति विवरण बाँकी छ र फाइल कति ठूलो हुन्छ भन्ने फरक हो। आकार अर्को खण्डका सूत्रबाट छन् (1 MB = 1,000,000 बाइट)।
| ढाँचा | विवरण घट्छ वा जोगिन्छ? | सामान्य स्रोत | प्रति मिनेट आकार (नमुना सेटिङ) | प्रतिलेखनमा प्रभाव | के गर्ने? |
|---|---|---|---|---|---|
| WAV (PCM) | असङ्कुचित | फिल्ड रेकर्डर, अडियो सम्पादक | 16 kHz, 16-bit, मोनोमा 1.92 MB। 44.1 kHz, 16-bit, स्टेरियोमा 10.58 MB | माइकले समातेको विवरण राख्छ | मूल फाइलका लागि राम्रो। लामो सत्रमा आकार हेर्नुहोस् |
| FLAC | सङ्कुचित, विवरण जोगिन्छ | अभिलेख, सम्पादकका निर्यात | उही WAV भन्दा सानो। बचतमा फरक पर्छ | WAV कै अडियो | ठाउँ बचाउन WAV को सट्टा चलाउनुहोस् |
| AIFF / ALAC / CAF | AIFF प्रायः असङ्कुचित, ALAC मा विवरण जोगिन्छ, CAF दुवै राख्छ | Mac र iPhone का एप | उही सेटिङमा AIFF को आकार WAV जस्तै | भित्रको कोडेकमा भर पर्छ | जस्ताको तस्तै अपलोड गर्नुहोस् |
| MP3 | विवरण घट्छ | पोडकास्ट, डाउनलोड | 128 kbps मा 0.96 MB | Google का अनुसार घटाउने कोडेकले शुद्धता घटाउन सक्छ | जस्ताको तस्तै दिनुहोस् |
| M4A / AAC | प्रायः विवरण घट्छ (AAC) | भ्वाइस मेमो, भिडियोको ध्वनि | 64 kbps मा 0.48 MB | MP3 जस्तै सावधानी | मूल अपलोड गर्नुहोस् |
| OGG / Opus | विवरण घट्छ | मेसेजिङका भ्वाइस नोट, वेब कल | 32 kbps मा 0.24 MB | बोलीका लागि Google को प्राथमिकतामा Opus छ | जस्ताको तस्तै दिनुहोस् |
| AMR (साँघुरो ब्यान्ड) | विवरण घट्छ, बोलीका लागि मात्रै | पुराना फोन र कल रेकर्डर | 12.2 kbps मा करिब 0.09 MB | 200 देखि 3,400 Hz मात्रै (Library of Congress, AMR) | जस्ताको तस्तै दिनुहोस्। नमुना दर नबढाउनुहोस् |
भिडियो फाइलमा उपकरणले अडियो ट्र्याक मात्रै पढ्छ। भिडियोले अपलोडको आकार बढाउँछ।
अडियो फाइल कति ठूलो हुन्छ? सूत्र
रेकर्ड वा अपलोड गर्नुअघि दुई सूत्रबाट आकार अनुमान गर्नुहोस्।
असङ्कुचित PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
गणनाका उदाहरण:
- 16 kHz, 16-bit, मोनो: 16,000 × 2 × 1 = 32,000 बाइट प्रति सेकेन्ड। × 60 = 1,920,000 बाइट, करिब 1.92 MB प्रति मिनेट वा 115.2 MB प्रति घण्टा।
- 44.1 kHz, 16-bit, स्टेरियो: 44,100 × 2 × 2 = 176,400 बाइट प्रति सेकेन्ड, करिब 10.58 MB प्रति मिनेट वा 635 MB प्रति घण्टा।
- 48 kHz, 24-bit, स्टेरियो: 48,000 × 3 × 2 = 288,000 बाइट प्रति सेकेन्ड वा 1,036.8 MB प्रति घण्टा।
निश्चित बिटरेटमा विवरण घट्ने ढाँचा (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (अर्थात् kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 बाइट, करिब 0.96 MB प्रति मिनेट वा 57.6 MB प्रति घण्टा।
- 64 kbps: 0.48 MB प्रति मिनेट। 32 kbps: 0.24 MB प्रति मिनेट।
हेडरका कारण वास्तविक फाइल अलि ठूलो हुन्छ। बदलिने बिटरेटमा आकार औसतको वरिपरि हुन्छ। बाइनरी एकाइ (MiB) देखाउने कम्प्युटरमा सङ्ख्या करिब 5% कम देखिन्छ।
5 GB र 10 घण्टाको अपलोड सीमामा के अट्छ?
whispertranscribe.ai ले 5 GB र 10 घण्टासम्म लिन्छ। 5 GB लाई 5,000,000,000 बाइट मानेर सामान्य सेटिङ यसरी अट्छन्:
| सेटिङ | 1 घण्टा | 10 घण्टा | 10 घण्टा 5 GB भित्र अट्छ? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, मोनो | 115.2 MB | 1.15 GB | अट्छ |
| WAV, 44.1 kHz, 16-bit, स्टेरियो | 635 MB | 6.35 GB | अट्दैन। करिब 7.9 घण्टा अट्छ |
| WAV, 48 kHz, 24-bit, स्टेरियो | 1.04 GB | 10.37 GB | अट्दैन। करिब 4.8 घण्टा अट्छ |
| MP3, 128 kbps | 57.6 MB | 576 MB | अट्छ |
| Opus, 32 kbps | 14.4 MB | 144 MB | अट्छ |
परम्परागत WAV मा 32-bit आकार फिल्डले करिब 4 GB को सीमा राख्छ। ठूलो रेकर्डिङका लागि RF64 विस्तार चाहिन्छ (Library of Congress)। धेरै लामो, विवरण जोगाउने रेकर्डिङमा FLAC वा 16 kHz मोनो WAV ले दुवै समस्याबाट बचाउँछ।
अडियो ढाँचाभन्दा महत्त्वपूर्ण पक्ष
माइक नजिकको प्रस्ट MP3 सामान्यतया हल्लायुक्त कोठाको अर्को छेउबाट लिएको असङ्कुचित अडियोभन्दा राम्रो नतिजा दिन्छ। तलका बानी र सेटिङको बढी प्रभाव हुन्छ।
नमुना दर: 16 kHz पुग्छ?
बोलीका लागि पुग्छ। Google ले 16,000 Hz वा माथि सुझाउँछ (उत्तम अभ्यास)। कम दरमा 8 kHz भन्दा माथिको सूचना थोरै वा नहुने मार्गदर्शिकाले बताउँछ। OpenAI को खुला स्रोत Whisper ले मोडेलअघि सबै इनपुट 16,000 Hz मोनोमा बदल्छ (whisper/audio.py)। 44.1 वा 48 kHz मा रेकर्ड गर्न मिल्छ, फाइल ठूलो हुन्छ।
पछि दर बढाएर फाइदा हुँदैन। Google का अनुसार 8 kHz बाट 44.1 kHz बनाएको फाइलमा करिब 4 kHz को फ्रिक्वेन्सी सूचना मात्रै रहन्छ। सामान्यतया 8,000 Hz मा हुने फोन अडियो मूल दरमा अपलोड गर्नुहोस्।
बिट डेप्थ: 16-bit वा 24-bit?
Google ले 16 बिट वा बढी सुझाउँछ। रेकर्ड गर्दा नै ध्वनिको स्तरको दायरा निश्चित भएकाले 8-bit लाई 16-bit बनाउँदा सूचना थपिँदैन। रेकर्डरको 24-bit मूल राख्न मिल्छ। 16-bit बाट 24-bit बढाएर विवरण थपिँदैन।
सङ्कुचित फाइलको बिटरेट
प्रतिलेखन शुद्ध हुने बिटरेटको मानक छैन। Google को मार्गदर्शन कोडेकको प्रकारबारे छ। विवरण घटाउने कोडेकले शुद्धता कम गर्न सक्छ र त्यसमा हल्ला वा प्रतिध्वनिको असर बढी हुन्छ। सङ्कुचन गर्नैपरे मध्यम सेटिङमा एकपटक गर्नुहोस्। WAV बाट MP3 अनि OGG जस्ता पटकपटक रूपान्तरण नगर्नुहोस्।
माइकको दूरी, हल्ला र आवाजको स्तर
Google को अडियो तयारी सुझाव:
- विशेष गरी पृष्ठभूमिमा हल्ला भए माइक सकेसम्म वक्ताको नजिक राख्नुहोस्।
- क्लिपिङ हुन नदिनुहोस्। काटिएको ठूलो आवाज पछि सच्याउन सकिँदैन।
- एपले दिए स्वचालित गेन नियन्त्रण र हल्ला घटाउने सुविधा बन्द गर्नुहोस्। Google का अनुसार वाक् पहिचानअघि हल्ला घटाउने प्रशोधनले प्रायः शुद्धता घटाउँछ।
मोनो वा स्टेरियो?
एउटै साझा माइकमा मोनो पुग्छ। Whisper ले स्टेरियो मोनोमा मिसाउँछ। दुवै च्यानलमा उही आवाज छ भने स्टेरियोले अपलोडको आकार मात्रै दोब्बर पार्छ। कल रेकर्डर वा च्यानलैपिच्छे क्लिप माइकजस्तो हरेक च्यानलमा अलग वक्ता भए स्टेरियो राख्नुहोस्। Google ले त्यसमा च्यानल अलग पठाउन र मिसिएको रेकर्डिङ जस्ताको तस्तै दिन सुझाउँछ।
धेरै ट्र्याक भएका रेकर्डिङ
पोडकास्ट र टाढाको अन्तर्वार्ताका उपकरणले हरेक व्यक्तिको अलग ट्र्याक लिन्छन्। सजिलो उपाय मिश्रित ट्र्याक निर्यात गरी वक्ताको लेबल खोल्नु हो। प्रस्ट अडियोका लागि अलग ट्र्याकको प्रतिलेख बनाएर समयचिह्नअनुसार आफैँ जोड्नुहोस्।
अवस्थाअनुसार ढाँचा र सेटिङ
फाइल पहिले नै हुनु सामान्य अवस्था हो। प्रायः त्यसैलाई अपलोड गर्नुहोस्।
| अवस्था | आफैँ छान्दा यसरी रेकर्ड गर्नुहोस् | फाइल पहिले नै छ भने | अपलोडअघि | ध्यान दिनुहोस् |
|---|---|---|---|---|
| आमनेसामने अन्तर्वार्ता | WAV वा FLAC, प्रति माइक मोनो, 44.1 वा 48 kHz | फोनको M4A वा MP3 | नाम र शब्द टिप्नुहोस् | अतिथिको स्वर अन्तर्वार्ताकारभन्दा मधुरो |
| दूर अन्तर्वार्ता वा पोडकास्ट, अलग ट्र्याक | हरेक वक्ताको आफ्नै विवरण जोगिने ट्र्याक | अलग WAV र मिश्रित MP3 | मिश्रित वा अलग छान्नुहोस् | मिक्समा एकैपटक बोलाइ |
| बैठक (Zoom, Teams, Meet) | प्लेटफर्मको अडियो विकल्प, उपलब्ध भए | MP4 वा M4A | धेरै ठूलो भिडियोबाट मात्रै अडियो निकाल्नुहोस् | पूरै कोठाको एउटै ल्यापटप माइक |
| फोनको भ्वाइस मेमो | एपको पूर्वनिर्धारित सेटिङ | .m4a | मूल निर्यात गर्नुहोस् | रेकर्ड गर्दा फोन खल्तीमा |
| प्रकाशित पोडकास्ट | लागू हुँदैन | प्रकाशित MP3 | प्रकाशनअघिको WAV वा FLAC छ भने चलाउनुहोस् | सङ्गीतको परिचय, भाषा छान्नुहोस् |
| व्याख्यान वा सेमिनार | मोनो, 16-bit र वक्ताको नजिक माइक | लामो MP3 वा भिडियो | 10 घण्टाको सीमा हेर्नुहोस् | माइकबाट टाढा श्रोताका प्रश्न |
| फोन कल | रेकर्डरको पूर्वनिर्धारित | AMR, M4A वा 8 kHz WAV | मूल नमुना दर राख्नुहोस् | सहमतिका नियम। दर नबढाउनुहोस् |
कल वा बैठक रेकर्ड गर्नुअघि आवश्यक सहमति र बैठक भए आयोजकको अनुमति लिनुहोस्। फोन कल कसरी रेकर्ड गर्ने र राज्यअनुसार कल रेकर्डिङ कानुन हेर्नुहोस्। यो कानुनी सल्लाह होइन।
FFmpeg बाट प्रतिलेखनका लागि अडियो कसरी बदल्ने?
फाइल धेरै ठूलो छ, भिडियोबाट सानो अडियो चाहिन्छ, उपकरणले कोडेक अस्वीकार गर्छ वा वक्तालाई अलग फाइलमा राख्नुपर्छ भने बदल्नुहोस्। रूपान्तरणले हराएको गुणस्तर फर्काउँदैन।
मूल लेखमा हरेक कमान्ड FFmpeg 7.1.5 बाट सार्वजनिक डोमेनको 11 सेकेन्डको बोली र त्यसबाट बनाइएको छोटो भिडियोमा चलाइएको थियो। पूरा भयो कि र ffprobe ले सही कोडेक, नमुना दर र च्यानल देखायो कि मात्रै हेरिएको थियो। FFmpeg दस्तावेज मा विकल्पको विवरण छ।
1. फाइललाई 16 kHz मोनो 16-bit WAV मा बदल्नुहोस् (Whisper ले भित्र यही ढाँचा बनाउँछ):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. फाइललाई 16 kHz मोनो FLAC मा बदल्नुहोस् (विवरण जोगिन्छ र प्रायः WAV भन्दा सानो):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. भिडियोबाट सानो मोनो MP3 निकाल्नुहोस् (एक चरणमा विवरण घट्छ। आकार घटाउनु मुख्य भए चलाउनुहोस्):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. फेरि इन्कोड नगरी भिडियोको अडियो निकाल्नुहोस् (MP4 मा सामान्य हुने AAC अडियोमा चल्छ):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. दुई च्यानलको रेकर्डिङबाट प्रति वक्ता एक फाइल बनाउनुहोस् (channelsplit फिल्टर बाट):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| विकल्प | काम |
|---|---|
-ac 1 |
अडियोलाई एउटा च्यानलमा मिसाउँछ |
-ar 16000 |
आउटपुट नमुना दर 16,000 Hz बनाउँछ |
-c:a pcm_s16le |
16-bit असङ्कुचित PCM (मानक WAV) लेख्छ |
-vn |
भिडियो स्ट्रिम हटाउँछ |
-c:a copy |
गुणस्तर नबदली अडियो कपी गर्छ |
-b:a 64k |
विवरण घटाउने बिटरेट राख्छ |
भिडियोको अडियो AAC नै भए कमान्ड 3 को सट्टा 4 चलाउनुहोस्, जसले मूल गुणस्तर राख्छ। 8 kHz को फोन अडियोका लागि -ar 16000 छोड्नुहोस् ताकि दर नबढोस्।
कमान्ड लाइन छैन? whispertranscribe.ai को अडियो र भिडियोलाई MP3 बनाउने उपकरण ले ब्राउजरमा MP4, MOV, MKV, WEBM वा AVI को अडियो ट्र्याक निकाल्छ। पृष्ठका अनुसार WebAssembly बाट फाइल ब्राउजरमै प्रशोधन हुन्छ र अपलोड हुँदैन।
ठूलो फाइल: 5 GB र 10 घण्टाभित्र बस्ने उपाय
- आकार ठूलो तर 10 घण्टाभन्दा कम: प्रायः भिडियो वा उच्च गुणस्तरको WAV हो। अडियो निकाल्नुहोस् (कमान्ड 4 वा ब्राउजर उपकरण) वा WAV लाई FLAC बनाउनुहोस् (कमान्ड 2)।
- 10 घण्टाभन्दा लामो: अपलोड पृष्ठले अहिले 10 घण्टासम्म मात्रै प्रशोधन हुने र फाइल 10 घण्टा वा कम बनाएर फेरि पठाउन भन्छ। टुक्र्याउनुहोस्। MP3 बाट पाठको मार्गदर्शिका मा रहेको फेरि इन्कोड नगरी टुक्र्याउने कमान्ड WAV मा पनि चल्छ। मूल लेखमा नमुना WAV मा जाँचिएको थियो। पाठ जोड्दा सिमाना हेर्नुहोस्।
- सुस्त जडान: 64 kbps MP3 को एक घण्टा करिब 28.8 MB हुन्छ। CD जस्तो स्टेरियो WAV को 635 MB। अभिलेखका लागि मूल विवरण जोगिने फाइल राख्नुहोस्।
अडियो ढाँचाका समस्या र समाधान
| समस्या | सम्भावित कारण | के गर्ने? |
|---|---|---|
| «अडियो भेटिएन। फाइल बिग्रिएको हुन सक्छ। जाँचेर फेरि चलाउनुहोस्।» (अपलोड पृष्ठमा देखिने सन्देश) | बिग्रिएको फाइल, आवाज नसमेटी निर्यात गरिएको भिडियो वा खाली ट्र्याक | उपकरणमै बजाउनुहोस्। माथिको ffprobe जाँच चलाउनुहोस् (खाली नतिजा भनेको अडियो स्ट्रिम छैन)। मूल एपबाट फेरि निर्यात गर्नुहोस् |
| लामो भएकाले अपलोड अस्वीकृत | फाइल 10 घण्टाभन्दा लामो | 10 घण्टा वा कमका भागमा टुक्र्याउनुहोस् |
| फाइल धेरै ठूलो | भिडियो वा उच्च गुणस्तरको बहुच्यानल WAV | अडियो निकाल्नुहोस् वा WAV लाई FLAC बनाउनुहोस् |
| 4 GB माथिको WAV खुल्दैन वा अपलोड हुँदैन | परम्परागत WAV को सीमा | RF64 वा FLAC मा फेरि निर्यात गर्नुहोस् वा टुक्र्याउनुहोस् |
| एक वक्ता अर्कोभन्दा धेरै मधुरो | प्रत्येक व्यक्ति अलग च्यानल र अलग स्तरमा रेकर्ड छ | च्यानल छुट्याउनुहोस् (कमान्ड 5) र प्रत्येक फाइलको प्रतिलेख बनाउनुहोस् |
| चर्को अंश फुटेको सुनिन्छ | रेकर्डिङमा क्लिपिङ | सच्याउन सकिँदैन। अर्को पटक इनपुट गेन घटाउनुहोस् |
| 48 kHz बनाएपछि पनि फोन अडियो कमजोर | दर बढाउँदा जानकारी थपिँदैन | मूल अपलोड गर्नुहोस्। उपलब्ध भए «Noise / Low-Quality Audio/Video» चलाउनुहोस् |
whispertranscribe.ai कहाँ उपयोगी हुन्छ?
whispertranscribe.ai, OpenAI का Whisper मोडेलमा चल्ने ब्राउजर प्रतिलेखन उपकरण हो। एप, API र मानव समीक्षा छैन। निःशुल्क अडियो प्रतिलेखन उपकरण र अरू अपलोड पृष्ठमा MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG र MPEG सूचीबद्ध छन्।
- सीमा: 5 GB र 10 घण्टासम्म।
- भाषा: 130 भन्दा बढी भाषा, धेरैमा «Noise / Low-Quality Audio/Video»।
- शुद्धता: उपकरणका अनुसार प्रस्ट अडियोमा 99% सम्म। हल्ला, दूरी, उच्चारण र एकैपटक बोलाइले घटाउँछन्।
- वक्ता: प्रतिलेखनअघि Speaker Detection खोल्नुहोस्।
- निर्यात: DOCX, PDF, TXT, CSV, SRT र VTT।
- गोपनीयता: गोपनीयता नीति अनुसार मूल अपलोड प्रशोधनपछि मेटिन्छन् र निकालिएको MP3 पूर्वनिर्धारित 30 दिन रहन्छ।
रेकर्डिङको प्रकारअनुसार MP3 फाइल, भ्वाइस मेमो, फोन कल, अन्तर्वार्ता र व्याख्यान तथा सेमिनार का पृष्ठ हेर्नुहोस्। खाताबिनाको निःशुल्क पृष्ठ मा एउटा फाइल चलाएर हेर्नुहोस्। सीमा त्यहाँ छन्। सशुल्क योजना वार्षिक बिलमा मासिक $9.99 देखि (मूल्य)। थप कुरा सुविधा पृष्ठ मा छन्।
बारम्बार सोधिने प्रश्न
प्रतिलेखनका लागि उपयुक्त अडियो ढाँचा कुन हो?
आफैँ रेकर्ड गर्न मिल्छ भने WAV वा FLAC, मोनोमा 16 kHz वा धेरै र 16-bit डेप्थमा, उपयुक्त हुन्छ। सङ्कुचित MP3, M4A वा Opus पहिल्यै छ भने जस्ताको तस्तै दिनुहोस्। माइक नजिक, पृष्ठभूमिको हल्ला कम र क्लिपिङ नहुने रेकर्डिङ ढाँचाको छनोटभन्दा महत्त्वपूर्ण हुन्छ।
प्रतिलेखनमा WAV, MP3 भन्दा राम्रो हो?
स्रोतबाट रेकर्ड गरेको WAV ले MP3 भन्दा धेरै विवरण जोगाउँछ। Google का अनुसार MP3 जस्ता विवरण घटाउने कोडेकले शुद्धता घटाउन सक्छन्। प्रस्ट बोलीमा फरक थोरै र हल्लामा बढी हुन सक्छ। MP3 बाट बनाएको WAV उही MP3 भन्दा राम्रो हुँदैन। हटेको विवरण फर्कँदैन। मिल्छ भने WAV वा FLAC मा रेकर्ड गर्नुहोस् र तयार MP3 जस्ताको तस्तै दिनुहोस्।
प्रतिलेखनका लागि कुन नमुना दर राख्ने?
16 kHz वा माथि। Google ले वाक् पहिचानका लागि कम्तीमा 16,000 Hz सुझाउँछ। OpenAI को Whisper ले सबै अडियो प्रशोधनअघि 16 kHz मोनो बनाउँछ। 44.1 वा 48 kHz मा रेकर्ड गर्नु सामान्य हो। पछि कम दर नबढाउनुहोस्। 8 kHz को फोन अडियो 8 kHz मै अपलोड गर्नुहोस्। दर बढाउँदा आकार मात्रै बढ्छ, बोलीको जानकारी थपिँदैन।
मोनो वा स्टेरियोमा रेकर्ड गर्ने?
सबैले एउटै माइक चलाउँदा मोनो पुग्छ। Whisper ले स्टेरियोलाई मोनोमा मिसाउँछ। दुवै च्यानलमा उही आवाज भए फाइल मात्रै दोब्बर हुन्छ। कल रेकर्डर वा अतिथिपिच्छे माइकजस्तो अलग च्यानल भए स्टेरियो वा धेरै ट्र्याक राख्नुहोस्। Google ले अलग च्यानलको अलग प्रतिलेखन सुझाउँछ। FFmpeg बाट च्यानल छुट्याउन मिल्छ।
WAV को प्रति मिनेट आकार कति हुन्छ?
सेटिङमा भर पर्छ। नमुना दर, प्रति नमुना बाइट र च्यानलको गुणनफल प्रति सेकेन्ड बाइट हो। 16 kHz, 16-bit मोनो WAV मा 16,000 × 2 × 1 = 32,000 बाइट प्रति सेकेन्ड, करिब 1.92 MB प्रति मिनेट वा 115.2 MB प्रति घण्टा। CD जस्तो 44.1 kHz, 16-bit स्टेरियो प्रति मिनेट करिब 10.58 MB वा प्रति घण्टा 635 MB।
अडियो निकाल्नुको सट्टा भिडियो पठाउन मिल्छ?
मिल्छ। प्रतिलेखन उपकरणले अडियो ट्र्याक मात्रै पढ्छ। MP4, MOV, MKV वा WEBM ले त्यसैको निकालिएको अडियोजस्तै प्रतिलेख दिन्छ। भिडियोले अपलोड ठूलो बनाउँछ। सीमा नजिक वा जडान सुस्त हुँदा FFmpeg को -vn -c:a copy जस्तो विकल्पबाट अडियो निकाल्नुहोस्। त्यसले मूल गुणस्तर राख्छ। whispertranscribe.ai मा भिडियो जस्ताको तस्तै पठाएर DOCX, TXT, SRT वा VTT लिन मिल्छ।
रेकर्डिङ तयार छ? मूल फाइल whispertranscribe.ai को निःशुल्क अडियो प्रतिलेखन उपकरण मा दिनुहोस्, 130 भन्दा बढी भाषामध्ये छान्नुहोस्, Speaker Detection खोल्नुहोस् र DOCX, TXT, SRT वा VTT डाउनलोड गर्नुहोस्। फाइल 5 GB र 10 घण्टासम्म।
स्रोत
- Google Cloud: Speech-to-Text का लागि वाक् डेटा दिने उत्तम अभ्यास
- Google Cloud: Speech-to-Text का लागि अडियो फाइल सुधार्ने
- OpenAI: Whisper GitHub भण्डारमा whisper/audio.py
- FFmpeg: ffmpeg कमान्ड लाइन दस्तावेज र channelsplit फिल्टर
- Library of Congress: WAVE अडियो फाइल ढाँचा (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
