हे कसे काम करते

सर्व काही तुमच्या ब्राउझरमध्ये होते

तुम्ही फाइल उघडता तेव्हा तुमचा ब्राउझर ती तुमच्या डिस्कवरून पेजच्या मेमरीमध्ये वाचतो. टूल तिथेच तिच्यावर काम करते आणि निकाल तुम्हाला डाउनलोड म्हणून देते. फाइल कधीही कुठेही पाठवली जात नाही: साइटवर अपलोडसाठी कोणताही एंडपॉइंटच नाही.

डिव्हाइसवर स्पीच रेकग्निशन

ऑडिओ टू टेक्स्ट Whisper base वापरते, हे OpenAI ने MIT परवान्याखाली प्रसिद्ध केलेले ओपन स्पीच रेकग्निशन मॉडेल आहे. पहिल्यांदा वापरताना तुमचा ब्राउझर सुमारे 80 MB चे हे मॉडेल audio.scissor.studio वरून डाउनलोड करतो आणि कॅशमध्ये ठेवतो. त्यानंतर मॉडेल बॅकग्राउंड वर्करमध्ये WebAssembly ने तुमच्या प्रोसेसरवर चालते. तुमचा ब्राउझर ऑडिओ डिकोड करतो, त्याला Whisper ला हवा तसा 16 kHz मोनो आवाजात बदलतो, आणि वर्कर त्याचे 30 सेकंदांच्या भागांमध्ये टेक्स्टमध्ये रूपांतर करतो.

MP3 टॅग

गाण्याचे नाव, कलाकार, अल्बम आर्ट आणि गीत MP3 फाइलच्या सुरुवातीला असलेल्या ID3 टॅगमध्ये साठवलेले असतात. MP3 टॅग एडिटर हा टॅग वाचतो, तुम्हाला तो बदलू देतो, आणि न बदललेल्या ऑडिओच्या आधी नवीन टॅग असलेली नवीन फाइल लिहितो, त्यामुळे आवाज बिट-बाय-बिट जसाच्या तसा कॉपी होतो.

स्वतः तपासा

तुमच्या ब्राउझरची डेव्हलपर टूल्स उघडा, Network टॅब निवडा आणि कोणतेही टूल वापरा. तुम्हाला दिसेल की पेज आणि मॉडेल audio.scissor.studio वरून लोड होतात, आणि फाइल उघडल्यावर काहीही बाहेर जात नाही. पेज लोड झाल्यावर तुम्ही इंटरनेट बंदही करू शकता: प्रत्येक टूल काम करत राहते.