whispertranscribe.ai کی ادارتی ٹیم · آخری تجدید: نومبر 2026 · مطالعہ: 12 منٹ
جب ریکارڈنگ آپ کے اختیار میں ہو، تو معیار برقرار رکھنے والی WAV (16-bit PCM) یا FLAC، مونو اور 16 kHz یا اس سے زیادہ پر، آڈیو سے متن کے لیے موزوں ہے۔ MP3، M4A یا ویڈیو پہلے سے ہو تو اسے جوں کا توں اپ لوڈ کریں۔ کمپریس شدہ فائل کا فارمیٹ بدلنے سے کھوئی تفصیل واپس نہیں آتی۔ مائیک کے فاصلے اور شور کا نتیجے پر زیادہ اثر ہوتا ہے۔
آگے ریکارڈنگ سے پہلے کا انتخاب، موصول شدہ فائل کا استعمال، حجم کے فارمولے، کام کے لحاظ سے ترتیبات، FFmpeg کی کمانڈز اور مسائل کے حل کا جدول ہے۔
ناشر کی وضاحت۔ یہ رہنما whispertranscribe.ai شائع کرتا ہے۔ فنی دعووں کے ساتھ Google Cloud، OpenAI کے Whisper کوڈ، FFmpeg یا Library of Congress کے ماخذ ہیں۔ اس مضمون کے لیے درستگی کے ٹیسٹ نہیں کیے گئے۔ کسی فارمیٹ سے درستگی میں مقررہ فیصد اضافے کا دعویٰ نہیں ہے۔
مختصر جواب: آڈیو سے متن کے لیے بہترین فارمیٹ
انتخاب اپنے موجودہ مرحلے کے مطابق کریں۔
| آپ کی صورتِ حال | موزوں انتخاب | وجہ |
|---|---|---|
| ریکارڈر یا ایپ ترتیب دے رہے ہیں | WAV (16-bit) یا FLAC، مونو، 16 kHz یا زیادہ | گوگل گفتار کی شناخت کے لیے FLAC یا LINEAR16 تجویز کرتا ہے |
| ریکارڈنگ کے وقت کم حجم چاہیے | مناسب بٹ ریٹ پر گفتار کے لیے موزوں، معیار کم کرنے والا کوڈیک | گوگل کی ترجیحی ترتیب AMR-WB، Ogg Opus، Speex ہے |
| MP3، M4A یا Opus پہلے سے ہے | اصل فائل اپ لوڈ کریں | دوبارہ انکوڈ کرنے سے تفصیل واپس نہیں آتی |
| ویڈیو ہے (MP4، MOV، MKV) | اپ لوڈ کریں۔ بہت بڑی ہو تو آڈیو نکالیں | صرف صوتی ٹریک استعمال ہوتی ہے |
| ہر بولنے والا الگ ٹریک پر ریکارڈ ہوا | الگ ٹریک رکھیں | گوگل ہر بولنے والے کا چینل الگ دینے کی تجویز دیتا ہے |
فون کے صوتی نوٹ، شائع شدہ پوڈکاسٹ اور Zoom یا Teams کی ریکارڈنگ: فائل اپ لوڈ کریں، بولی جانے والی زبان چنیں اور ناموں کی جانچ پر وقت لگائیں۔
فارمیٹ، کوڈیک اور کنٹینر: فائل ایکسٹینشن کیا چھپاتی ہے؟
ایکسٹینشن کنٹینر بتاتی ہے، کمپریشن ہمیشہ نہیں۔ گوگل کی آڈیو بہتر بنانے کی گائیڈ کوڈیک اور فارمیٹ کا فرق واضح کرتی ہے۔ تین عام مثالیں:
- WAV میں عموماً غیر کمپریس شدہ لینئر PCM ہوتی ہے، مگر دوسری انکوڈنگ بھی ہو سکتی ہے (Library of Congress، WAVE)۔
- M4A میں معیار گھٹانے والی AAC یا معیار برقرار رکھنے والی Apple Lossless (ALAC) ہو سکتی ہے۔
- OGG عموماً Opus یا Vorbis کا کنٹینر ہے۔ دونوں معیار میں کچھ کمی کرتے ہیں۔
فائل کے اندر کی معلومات جاننے کے لیے FFmpeg کے ffprobe سے صرف آڈیو اسٹریم دیکھیں:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
اصل مضمون میں درج FFmpeg 7.1.5 کی جانچ میں مختصر ویڈیو کی ہر آڈیو اسٹریم کے لیے ایک سطر نکلی۔ آڈیو نکال کر بنائی گئی کاپی سے کوئی سطر نہیں نکلی۔ اس طرح اپ لوڈ سے پہلے آڈیو ٹریک نہ ہونے کا پتا چل سکتا ہے۔
آڈیو سے متن کے لیے فارمیٹس کا موازنہ
نیچے سبھی فارمیٹس سے متن بنایا جا سکتا ہے۔ فرق یہ ہے کہ کتنی تفصیل بچی اور فائل کتنی بڑی ہے۔ حجم اگلے حصے کے فارمولوں سے لیا گیا ہے (1 MB = 1,000,000 بائٹس)۔
| فارمیٹ | معیار برقرار یا کم؟ | عام ذریعہ | فی منٹ حجم (نمونہ ترتیب) | متن پر اثر | کیا کریں؟ |
|---|---|---|---|---|---|
| WAV (PCM) | غیر کمپریس شدہ | فیلڈ ریکارڈر، آڈیو ایڈیٹر | 16 kHz، 16-bit، مونو پر 1.92 MB۔ 44.1 kHz، 16-bit، اسٹیریو پر 10.58 MB | مائیک کی ساری تفصیل رہتی ہے | اصل فائل کے لیے موزوں، طویل دورانیے میں حجم دیکھیں |
| FLAC | کمپریس شدہ، معیار برقرار | بایگانی اور ایڈیٹر کی برآمد | اسی WAV سے کم، بچت مختلف ہو سکتی ہے | WAV جیسی آڈیو | جگہ بچانے کے لیے WAV کی جگہ لیں |
| AIFF / ALAC / CAF | AIFF عموماً غیر کمپریس شدہ، ALAC میں معیار برقرار، CAF دونوں رکھ سکتا ہے | Mac اور iPhone کی ایپس | AIFF کا حجم وہی ترتیبات رکھنے والی WAV کے برابر | اندرونی کوڈیک پر منحصر | جوں کا توں دیں |
| MP3 | معیار کم | پوڈکاسٹ اور ڈاؤن لوڈ | 128 kbps پر 0.96 MB | گوگل کے مطابق ایسے کوڈیک درستگی کم کر سکتے ہیں | جوں کا توں دیں |
| M4A / AAC | عموماً معیار کم (AAC) | صوتی نوٹ اور ویڈیو کی آواز | 64 kbps پر 0.48 MB | MP3 جیسی احتیاط | اصل اپ لوڈ کریں |
| OGG / Opus | معیار کم | میسجنگ کے صوتی نوٹ اور ویب کالیں | 32 kbps پر 0.24 MB | Opus گفتار کے لیے گوگل کی ترجیحی فہرست میں ہے | جوں کا توں دیں |
| AMR (کم بینڈوڈتھ) | معیار کم، صرف گفتار | پرانے فون اور کال ریکارڈر | 12.2 kbps پر تقریباً 0.09 MB | صرف 200 سے 3,400 Hz تک (Library of Congress، AMR) | اصل دیں۔ سیمپل ریٹ نہ بڑھائیں |
ویڈیو فائل میں بھی ٹول صرف آڈیو ٹریک پڑھتا ہے۔ ویڈیو اپ لوڈ کا حجم بڑھاتی ہے۔
آڈیو فائل کتنی بڑی ہے؟ حساب کا طریقہ
دو فارمولوں سے ریکارڈنگ یا اپ لوڈ سے پہلے حجم کا اندازہ لگا سکتے ہیں۔
غیر کمپریس شدہ PCM (WAV، AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
حساب کی مثالیں:
- 16 kHz، 16-bit، مونو: 16,000 × 2 × 1 = 32,000 بائٹس فی سیکنڈ۔ × 60 = 1,920,000 بائٹس، یعنی تقریباً 1.92 MB فی منٹ یا 115.2 MB فی گھنٹہ۔
- 44.1 kHz، 16-bit، اسٹیریو: 44,100 × 2 × 2 = 176,400 بائٹس فی سیکنڈ، یعنی تقریباً 10.58 MB فی منٹ یا 635 MB فی گھنٹہ۔
- 48 kHz، 24-bit، اسٹیریو: 48,000 × 3 × 2 = 288,000 بائٹس فی سیکنڈ یا 1,036.8 MB فی گھنٹہ۔
مقرر بٹ ریٹ پر معیار میں کمی (MP3، AAC، Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (یعنی kbps × 7,500 سے بائٹس فی منٹ معلوم کریں۔)
- 128 kbps: 128 × 7,500 = 960,000 بائٹس، تقریباً 0.96 MB فی منٹ یا 57.6 MB فی گھنٹہ۔
- 64 kbps: 0.48 MB فی منٹ۔ 32 kbps: 0.24 MB فی منٹ۔
حقیقی فائلیں ہیڈر کی وجہ سے ذرا بڑی ہوتی ہیں۔ متغیر بٹ ریٹ والی فائلیں اوسط کے آس پاس رہتی ہیں۔ ثنائی اکائی (MiB) دکھانے والے کمپیوٹر پر عدد تقریباً 5% کم نظر آتا ہے۔
5 GB اور 10 گھنٹے کی حد پر یہ اعداد کیسے کام کرتے ہیں؟
whispertranscribe.ai، 5 GB اور 10 گھنٹے تک لیتا ہے۔ 5 GB سے مراد 5,000,000,000 بائٹس مانیں تو عام ترتیبات یوں فٹ ہوتی ہیں:
| ترتیب | 1 گھنٹہ | 10 گھنٹے | 10 گھنٹے 5 GB کے اندر؟ |
|---|---|---|---|
| WAV، 16 kHz، 16-bit، مونو | 115.2 MB | 1.15 GB | ہاں |
| WAV، 44.1 kHz، 16-bit، اسٹیریو | 635 MB | 6.35 GB | نہیں، تقریباً 7.9 گھنٹے سما سکتے ہیں |
| WAV، 48 kHz، 24-bit، اسٹیریو | 1.04 GB | 10.37 GB | نہیں، تقریباً 4.8 گھنٹے سما سکتے ہیں |
| MP3، 128 kbps | 57.6 MB | 576 MB | ہاں |
| Opus، 32 kbps | 14.4 MB | 144 MB | ہاں |
روایتی WAV کے 32-bit حجمی فیلڈ کی وجہ سے اپنی حد تقریباً 4 GB ہے۔ زیادہ بڑی فائل کو RF64 کی توسیع چاہیے (Library of Congress)۔ بہت طویل صوتی ریکارڈنگ میں FLAC یا 16 kHz مونو WAV دونوں مسائل سے بچا سکتی ہے۔
فارمیٹ سے زیادہ اہم چیزیں
مائیک کے قریب واضح گفتار کی MP3 عموماً شور والے کمرے میں دور سے لی گئی WAV سے بہتر نتیجہ دیتی ہے۔ یہ ترتیبیں اور عادتیں زیادہ اثر ڈالتی ہیں۔
سیمپل ریٹ: کیا 16 kHz کافی ہے؟
ہاں، گفتار کے لیے۔ گوگل 16,000 Hz یا زیادہ تجویز کرتا ہے (بہترین طریقے)۔ اس کی گائیڈ بتاتی ہے کہ کم ریٹ پر 8 kHz سے اوپر کم یا کوئی معلومات نہیں رہتی۔ OpenAI کا اوپن سورس Whisper ہر ان پٹ کو ماڈل سے پہلے 16,000 Hz مونو بناتا ہے (whisper/audio.py)۔ 44.1 یا 48 kHz پر ریکارڈنگ ٹھیک ہے، فائل بڑی ہوگی۔
بعد میں ریٹ بڑھانے سے فائدہ نہیں۔ گوگل کے مطابق 8 kHz سے 44.1 kHz پر بدلی فائل میں تقریباً 4 kHz تک ہی فریکوئنسی کی معلومات رہتی ہیں۔ فون کی آڈیو، جو عموماً 8,000 Hz ہوتی ہے، اصل ریٹ پر اپ لوڈ کریں۔
بٹ ڈیپتھ: 16-bit یا 24-bit؟
گوگل 16 بٹ یا اس سے زیادہ تجویز کرتا ہے۔ 8-bit کو 16-bit میں بدلنے سے فائدہ نہیں ہوتا، کیونکہ آواز کی سطحوں کی حد ریکارڈنگ کے وقت طے ہو جاتی ہے۔ ریکارڈر کا 24-bit اصل رکھ سکتے ہیں۔ 16-bit کو 24-bit کرنے سے معلومات نہیں بڑھتیں۔
کمپریس شدہ فائلوں کا بٹ ریٹ
اچھی درستگی کی ضمانت دینے والا کوئی معیاری بٹ ریٹ نہیں۔ گوگل کی ہدایات کوڈیک کی قسم کے بارے میں ہیں۔ معیار کم کرنے والے کوڈیک درستگی گھٹا سکتے ہیں اور ان کے ساتھ شور اور بازگشت کا اثر زیادہ ہوتا ہے۔ کمپریس کرنا ہو تو معتدل ترتیب پر ایک بار کریں۔ WAV سے MP3 اور پھر OGG میں تبدیل کرنے سے گریز کریں۔
مائیک کا فاصلہ، شور اور آواز کی سطح
گوگل کی تیاری کی ہدایات:
- خاص طور پر شور میں مائیک مناسب حد تک بولنے والے کے قریب رکھیں۔
- کلپنگ سے بچیں۔ مسخ شدہ بلند آواز بعد میں ٹھیک نہیں ہو سکتی۔
- ایپ اجازت دے تو خودکار گین کنٹرول اور شور کم کرنا بند کریں۔ گوگل کے مطابق شناخت سے پہلے شور کم کرنے کی پروسیسنگ عموماً درستگی گھٹاتی ہے۔
مونو یا اسٹیریو؟
ایک مشترکہ مائیک کے لیے مونو کافی ہے۔ Whisper اسٹیریو کو مونو میں ملاتا ہے۔ دونوں طرف وہی آواز ہو تو اسٹیریو صرف حجم دوگنا کرتی ہے۔ جب ہر چینل پر مختلف شخص ہو، جیسے کچھ کال ریکارڈر یا ہر چینل پر الگ کالر مائیک، اسٹیریو رکھنا فائدہ مند ہے۔ گوگل ایسے چینل الگ الگ بھیجنے اور مخلوط ریکارڈنگ جوں کی توں دینے کو کہتا ہے۔
متعدد ٹریک والی آڈیو
پوڈکاسٹ اور آن لائن انٹرویو ٹول اکثر ہر شخص کو الگ ٹریک پر ریکارڈ کرتے ہیں۔ آسان طریقہ ایک مخلوط ٹریک برآمد کر کے بولنے والوں کے لیبل فعال کرنا ہے۔ صاف آڈیو کے لیے ہر ٹریک کا الگ متن بنائیں، پھر وقت کے نشان کے مطابق خود ملائیں۔
کام کے لحاظ سے مناسب فارمیٹ اور ترتیب
عمومی صورت یہ ہے کہ فائل موجود ہے۔ ایسی صورت میں عموماً اصل فائل اپ لوڈ کریں۔
| کام | اگر اختیار ہو تو ریکارڈ کیسے کریں؟ | اگر فائل پہلے سے ہو | اپ لوڈ سے پہلے | دھیان دیں |
|---|---|---|---|---|
| بالمشافہ انٹرویو | WAV یا FLAC، فی مائیک مونو، 44.1 یا 48 kHz | فون کی M4A یا MP3 | نام اور اصطلاحات لکھیں | مہمان کی آواز انٹرویو لینے والے سے کم |
| آن لائن انٹرویو یا پوڈکاسٹ، الگ ٹریک | ہر فرد کی اپنی ٹریک، معیار برقرار | الگ WAV اور ایک مخلوط MP3 | مخلوط یا الگ ٹریک چنیں | ملے ہوئے ٹریک میں ایک ساتھ بولنا |
| میٹنگ کی ریکارڈنگ (Zoom، Teams، Meet) | پلیٹ فارم کا صوتی اختیار، اگر دستیاب ہو | MP4 یا M4A | صرف بہت بڑی ویڈیو سے آڈیو نکالیں | پورے کمرے کے لیے ایک لیپ ٹاپ مائیک |
| فون کے صوتی نوٹس | ایپ کی طے شدہ ترتیب | .m4a | اصل فائل برآمد کریں | ریکارڈ کرتے وقت فون جیب میں |
| شائع شدہ پوڈکاسٹ | لاگو نہیں | شائع شدہ MP3 | اصل اشاعت سے پہلے کی WAV یا FLAC ملے تو استعمال کریں | موسیقی والا تعارف۔ زبان خود چنیں |
| لیکچر یا سیمینار | مونو، 16-bit، مائیک مقرر کے نزدیک | طویل MP3 یا ویڈیو | 10 گھنٹے کی حد دیکھیں | مائیک سے دور سامعین کے سوال |
| فون کال کی ریکارڈنگ | ریکارڈر کی طے شدہ ترتیب | AMR، M4A یا 8 kHz WAV | اصل سیمپل ریٹ رکھیں | رضامندی کے قواعد۔ سیمپل ریٹ نہ بڑھائیں |
کال یا میٹنگ ریکارڈ کرنے سے پہلے ضروری رضامندی اور میٹنگ کے منتظم کی اجازت لیں۔ ہمارے رہنما فون کال ریکارڈ کرنے کا طریقہ اور امریکی ریاستوں کے کال ریکارڈنگ قوانین مزید بتاتے ہیں۔ یہ قانونی مشورہ نہیں۔
آڈیو کو متن کے لیے FFmpeg سے کیسے تبدیل کریں؟
جب فائل بہت بڑی ہو، ویڈیو سے چھوٹی آڈیو چاہیے، ٹول کوڈیک قبول نہیں کرتا یا گویندوں کی فائل الگ کرنی ہو، تب تبدیل کریں۔ تبدیلی سے کھویا ہوا معیار واپس نہیں آتا۔
مضمون کے اصل ورژن میں ہر کمانڈ FFmpeg 7.1.5 پر 11 سیکنڈ کے پبلک ڈومین صوتی کلپ اور اسی سے بنائی گئی مختصر ویڈیو پر آزمائی گئی تھی۔ صرف کمانڈ کی تکمیل اور ffprobe سے متوقع کوڈیک، سیمپل ریٹ اور چینل دیکھے گئے۔ اختیارات کی تفصیل FFmpeg کی دستاویز میں ہے۔
1. کسی فائل کو 16 kHz مونو 16-bit WAV بنائیں (Whisper اندرونی طور پر یہی ساخت بناتا ہے):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. کسی فائل کو 16 kHz مونو FLAC بنائیں (معیار برقرار رکھنے والا، عموماً WAV سے چھوٹی):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. ویڈیو سے چھوٹی مونو MP3 لیں (ایک مرحلہ معیار کم کرتا ہے، حجم کم کرنا اہم ہو تو استعمال کریں):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. دوبارہ انکوڈ کیے بغیر ویڈیو سے آڈیو نکالیں (آڈیو AAC ہو تو کام کرتا ہے، جو MP4 میں عام ہے):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. دو چینل کی ریکارڈنگ کو فی بولنے والا ایک فائل میں تقسیم کریں (channelsplit فلٹر کے ذریعے):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| اختیار | کام |
|---|---|
-ac 1 |
آڈیو کو ایک چینل میں ملاتا ہے |
-ar 16000 |
آؤٹ پٹ سیمپل ریٹ 16,000 Hz رکھتا ہے |
-c:a pcm_s16le |
16-bit غیر کمپریس شدہ PCM (معیاری WAV) لکھتا ہے |
-vn |
ویڈیو اسٹریم کو خارج کرتا ہے |
-c:a copy |
آڈیو کا معیار بدلے بغیر کاپی کرتا ہے |
-b:a 64k |
معیار کم کرنے والے کوڈیک کا بٹ ریٹ مقرر کرتا ہے |
ویڈیو کی آڈیو پہلے ہی AAC ہو تو کمانڈ 3 کی جگہ 4 منتخب کریں تاکہ اصل معیار رہے۔ 8 kHz کی فون آڈیو میں -ar 16000 چھوڑ دیں تاکہ سیمپل ریٹ نہ بڑھے۔
کمانڈ لائن دستیاب نہیں؟ whispertranscribe.ai کا آڈیو اور ویڈیو سے MP3 کنورٹر براؤزر میں MP4، MOV، MKV، WEBM یا AVI سے آڈیو نکالتا ہے۔ صفحے کے مطابق WebAssembly کے ذریعے فائل براؤزر میں پروسیس ہوتی ہے اور اپ لوڈ نہیں ہوتی۔
بڑی فائلیں: 5 GB اور 10 گھنٹے کے اندر کیسے رہیں؟
- بڑی ہے مگر 10 گھنٹے سے کم: عموماً ویڈیو یا زیادہ ریزولوشن والی WAV۔ آڈیو نکالیں (کمانڈ 4 یا براؤزر کنورٹر) یا WAV کو FLAC بنائیں (کمانڈ 2)۔
- 10 گھنٹے سے طویل: اپ لوڈ پیغام بتاتا ہے کہ ابھی زیادہ سے زیادہ 10 گھنٹے تک پروسیسنگ ہو سکتی ہے اور فائل کو 10 گھنٹے یا کم کر کے دوبارہ بھیجیں۔ فائل تقسیم کریں۔ MP3 سے متن والی گائیڈ کی بغیر دوبارہ انکوڈ تقسیم کی کمانڈ WAV پر بھی چلتی ہے۔ اصل مضمون کے مطابق یہ آزمائشی WAV پر دیکھی گئی تھی۔ متن ملاتے وقت جوڑ کی جگہیں دیکھیں۔
- کنکشن سست ہے: 64 kbps کی MP3 کا ایک گھنٹہ تقریباً 28.8 MB ہوتا ہے، جبکہ CD جیسے اسٹیریو WAV کا 635 MB۔ معیار برقرار رکھنے والی اصل فائل بایگانی میں رکھیں۔
آڈیو فارمیٹ کے مسائل اور حل
| مسئلہ | ممکنہ وجہ | کیا آزمائیں؟ |
|---|---|---|
| «No audio detected. The file may be corrupted. Please check the file and try again.» (اپ لوڈ صفحے پر آڈیو نہ ملنے یا فائل خراب ہونے کا پیغام) | خراب فائل، بغیر آواز کی برآمد، یا خالی آڈیو ٹریک | اپنے آلے پر چلائیں۔ اوپر والا ffprobe چلائیں (خالی نتیجہ یعنی آڈیو اسٹریم نہیں)۔ اصل ایپ سے پھر برآمد کریں |
| بہت طویل ہونے پر اپ لوڈ مسترد | 10 گھنٹے سے زیادہ | 10 گھنٹے یا کم کے حصے کریں |
| فائل بہت بڑی | ویڈیو یا زیادہ ریزولوشن کی کثیر چینل WAV | آڈیو نکالیں یا WAV کو FLAC بنائیں |
| 4 GB سے بڑی WAV کھلتی یا اپ لوڈ نہیں ہوتی | روایتی WAV کی حد | RF64 یا FLAC میں دوبارہ برآمد کریں یا تقسیم کریں |
| ایک بولنے والا دوسرے سے بہت مدھم ہے | ہر شخص مختلف چینل اور مختلف سطح پر ریکارڈ ہوا | چینل الگ کریں (کمانڈ 5) اور ہر فائل الگ متن بنائیں |
| بلند آواز پھٹتی یا کڑکڑاتی ہے | ریکارڈنگ میں کلپنگ | موجودہ آڈیو ٹھیک نہیں ہو سکتی۔ اگلی بار ان پٹ گین کم کریں |
| فون آڈیو 48 kHz کرنے کے بعد بھی خراب | سیمپل ریٹ بڑھانے سے اصل معلومات نہیں بڑھتیں | اصل دیں۔ دستیاب ہو تو «Noise / Low-Quality Audio/Video» اختیار آزمائیں |
whispertranscribe.ai کہاں کام آتا ہے؟
whispertranscribe.ai، OpenAI کے Whisper ماڈلز سے آڈیو کو متن میں بدلنے والا براؤزر ٹول ہے۔ اس میں ایپ، API یا انسانی جانچ نہیں ہے۔ مفت آڈیو سے متن کا ٹول اور دوسرے اپ لوڈ صفحات MP3، WAV، M4A، AAC، FLAC، OGG، OPUS، AMR، AIFF، ALAC، CAF، MP4، MOV، M4V، MKV، AVI، WMV، WEBM، MPG اور MPEG دکھاتے ہیں۔
- حدود: 5 GB اور 10 گھنٹے تک۔
- زبانیں: 130 سے زیادہ، ان میں کئی کے لیے «Noise / Low-Quality Audio/Video» موڈ۔
- درستگی: ٹول کے مطابق صاف آڈیو پر 99% تک۔ شور، فاصلہ، لہجہ اور ایک ساتھ بولنا کم کرتے ہیں۔
- بولنے والے: متن بنانے سے پہلے Speaker Detection چلائیں۔
- برآمد: DOCX، PDF، TXT، CSV، SRT اور VTT۔
- رازداری: رازداری پالیسی کے مطابق اصل اپ لوڈ پروسیسنگ کے بعد حذف ہوتے ہیں اور نکالی گئی MP3 پہلے سے طے شدہ 30 دن محفوظ رہتی ہے۔
مخصوص ریکارڈنگ کے لیے MP3 فائل، صوتی نوٹ، فون کال، انٹرویو اور لیکچر اور سیمینار کے صفحات دیکھیں۔ بغیر اکاؤنٹ مفت صفحے پر فائل آزمائیں۔ حد وہاں درج ہے۔ ادا شدہ پلان سالانہ ادائیگی پر ماہانہ $9.99 سے (قیمتیں)۔ مزید معلومات خصوصیات کے صفحے پر ہیں۔
عام سوالات
آڈیو سے متن کے لیے بہترین فارمیٹ کون سا ہے؟
اگر ریکارڈنگ اختیار میں ہے تو WAV یا FLAC استعمال کریں، بہتر یہ کہ مونو، 16 kHz یا زیادہ اور 16-bit ڈیپتھ ہو۔ کمپریس شدہ MP3، M4A یا Opus پہلے سے موجود ہے تو اسے جوں کا توں اپ لوڈ کریں۔ قریب کا مائیک، کم پس منظر کا شور اور کلپنگ سے بچاؤ عموماً فارمیٹ سے زیادہ اہم ہیں۔
کیا آڈیو سے متن کے لیے WAV، MP3 سے بہتر ہے؟
اصل منبع سے ریکارڈ کی گئی WAV، MP3 سے زیادہ تفصیل رکھتی ہے۔ گوگل کے مطابق MP3 جیسے کوڈیک شناخت کی درستگی کم کر سکتے ہیں۔ صاف گفتار میں فرق کم اور شور میں زیادہ ہو سکتا ہے۔ MP3 سے بنائی WAV اس سے بہتر نہیں ہو جاتی کیونکہ کھوئی ہوئی معلومات واپس نہیں آتیں۔ ممکن ہو تو WAV یا FLAC میں ریکارڈ کریں اور موجود MP3 جوں کی توں اپ لوڈ کریں۔
آڈیو سے متن کے لیے کون سا سیمپل ریٹ رکھوں؟
16 kHz یا زیادہ۔ گوگل گفتار کی شناخت کے لیے کم از کم 16,000 Hz تجویز کرتا ہے۔ OpenAI کا Whisper ہر آڈیو پروسیسنگ سے پہلے 16 kHz مونو میں بدلتا ہے۔ 44.1 یا 48 kHz پر ریکارڈ کرنا ٹھیک اور عام ہے۔ کم ریٹ بعد میں نہ بڑھائیں۔ 8 kHz کی فون ریکارڈنگ 8 kHz ہی پر دیں، کیونکہ بڑھانے سے فائل بڑی ہوتی ہے اور گفتار کی معلومات نہیں بڑھتیں۔
مونو یا اسٹیریو میں ریکارڈ کروں؟
اگر سب ایک مائیک استعمال کریں تو مونو کافی ہے۔ Whisper اسٹیریو کو مونو میں ملاتا ہے۔ دونوں چینل پر ایک ہی آواز سے حجم دوگنا ہو جاتا ہے۔ ہر شخص الگ چینل پر ہو، جیسے کال ریکارڈر یا فی مہمان الگ مائیک، تو اسٹیریو یا متعدد ٹریک رکھیں۔ گوگل ان چینلوں کا الگ متن بنانے کا کہتا ہے۔ انھیں FFmpeg سے بانٹ سکتے ہیں۔
WAV کا فی منٹ حجم کیا ہے؟
ترتیب کے مطابق ہے۔ سیمپل ریٹ، فی سیمپل بائٹس اور چینلوں کی تعداد کی ضرب سے فی سیکنڈ بائٹس نکلتے ہیں۔ 16 kHz، 16-bit مونو WAV کے لیے 16,000 × 2 × 1 = 32,000 بائٹس فی سیکنڈ، تقریباً 1.92 MB فی منٹ یا 115.2 MB فی گھنٹہ۔ CD جیسی 44.1 kHz، 16-bit اسٹیریو تقریباً 10.58 MB فی منٹ یا 635 MB فی گھنٹہ ہے۔
آڈیو نکالنے کے بجائے ویڈیو اپ لوڈ کر سکتا ہوں؟
ہاں۔ ٹول صرف صوتی ٹریک پڑھتا ہے۔ MP4، MOV، MKV یا WEBM کا وہی متن نکلتا ہے جو الگ کی گئی اسی آڈیو سے۔ ویڈیو صرف اپ لوڈ بڑا کرتی ہے۔ فائل حجم کی حد کے پاس یا کنکشن سست ہو تو FFmpeg کے -vn -c:a copy جیسے اختیار سے آڈیو نکالیں تاکہ اصل معیار رہے۔ whispertranscribe.ai پر ویڈیو جوں کی توں دے کر DOCX، TXT، SRT یا VTT لے سکتے ہیں۔
ریکارڈنگ تیار ہے؟ اصل فائل whispertranscribe.ai کے مفت آڈیو سے متن ٹول پر دیں، 130 سے زیادہ زبانوں سے منتخب کریں، Speaker Detection چلائیں اور DOCX، TXT، SRT یا VTT ڈاؤن لوڈ کریں۔ فائل 5 GB اور 10 گھنٹے تک۔
ماخذ
- Google Cloud: Speech-to-Text کے لیے گفتار کا ڈیٹا دینے کے طریقے
- Google Cloud: Speech-to-Text کے لیے آڈیو فائل بہتر بنائیں
- OpenAI: Whisper کے GitHub مخزن میں whisper/audio.py
- FFmpeg: ffmpeg کمانڈ لائن دستاویز اور channelsplit فلٹر
- Library of Congress: WAVE آڈیو فائل فارمیٹ (fdd000001)
- Library of Congress: AMR، Adaptive Multi-Rate Speech Codec (fdd000254)
