অডিও থেকে টেক্সট বানান

না। অডিওটি আপনার ব্রাউজার ডিকোড করে, আর আপনার ট্যাবে চলা একটি মডেল সেটিকে লেখায় রূপান্তর করে। কিছুই কোনো সার্ভারে পাঠানো হয় না; মডেল লোড হয়ে গেলে ইন্টারনেট সংযোগ বন্ধও করে দিতে পারেন।

হ্যাঁ। মডেলটি আপনার নিজের ডিভাইসে চলে, তাই প্রতি মিনিটে আমাদের কোনো খরচ নেই: সাইন-আপ নেই, মিনিটের সীমা নেই, ফাইলের আকারের সীমাও নেই।

Whisper প্রায় একশোটি ভাষা চিনতে পারে, যার মধ্যে আছে বাংলা, ইংরেজি, হিন্দি, স্প্যানিশ, ফরাসি, জার্মান, পর্তুগিজ, রুশ, আরবি, ফারসি, তুর্কি, চীনা ও জাপানি। ইংরেজি ও বহুল ব্যবহৃত অন্যান্য ভাষায় এটি সবচেয়ে নির্ভুল।

স্পষ্ট কথার ক্ষেত্রে এটি একজন মনোযোগী শ্রোতার কাছাকাছি, যদিও নাম ও বিশেষায়িত শব্দ কিছুটা সংশোধন করতে হতে পারে। ব্যাকগ্রাউন্ড মিউজিক, একসাথে কয়েকজনের কথা আর দূরের মাইক্রোফোন নির্ভুলতা কমিয়ে দেয়।

সাম্প্রতিক একটি ল্যাপটপে এক মিনিটের অডিওতে মোটামুটি দশ থেকে বিশ সেকেন্ড লাগে। ফোন ও পুরোনো কম্পিউটারে বেশি সময় লাগে। কথা শনাক্ত হওয়ার সাথে সাথেই লেখা দেখা যায়, তাই সঙ্গে সঙ্গেই পড়া শুরু করতে পারেন।

হ্যাঁ। একটি MP4, MOV বা WebM ফাইল খুলুন, তার সাউন্ড লেখায় রূপান্তর হবে। সাবটাইটেল হিসেবে ব্যবহার করতে ফলাফলটি SRT বা VTT হিসেবে ডাউনলোড করুন।