রেকর্ডিংকে টেক্সটে রূপান্তর করা

টুল কী করে

অডিও থেকে টেক্সট Whisper ইঞ্জিন দিয়ে আপনার ব্রাউজারে অডিও ফাইলের লিখিত রূপ তৈরি করে। ফাইল পাঠানো হয় না: সম্মতির ঘরে টিক দেওয়ার পর শুধু মডেলটি একবার ডাউনলোড হয়। তিনটি রপ্তানি ফরম্যাট দেওয়া আছে: TXT, SRT ও VTT।

প্রথম ব্যবহারে কী ডাউনলোড হয়

পরীক্ষার সময় ব্রাউজার সাইটের বাইরের দুটি সেবা থেকে মডেল ও তার স্ক্রিপ্ট ডাউনলোড করেছে: মডেলটি যেখানে রাখা সেই রিপোজিটরি এবং একটি স্ক্রিপ্ট বিতরণ নেটওয়ার্ক। এই সব অনুরোধ ছিল ডাউনলোড; কোনোটিতে বডি ছিল না, তাই কোনো অডিও ফাইল যায়নি। “Whisper ক্যাশ পরিষ্কার করুন” বোতাম তারপর ব্রাউজার থেকে মডেল সরিয়ে দেয়।

পরীক্ষার রেকর্ডিং

পরীক্ষায় দুটি কৃত্রিম কণ্ঠ ব্যবহার হয়েছে, একটি নারীকণ্ঠ ও একটি পুরুষকণ্ঠ, একই 32 শব্দের টেক্সট পড়ছে: “Le jardin partagé du Vallon ouvre ses parcelles le trois mai. Venez découvrir le compost, les semis et l’atelier des enfants. L’inscription est gratuite et ouverte à toutes les familles du quartier.” প্রতিটি রেকর্ডিং 12 থেকে 14 সেকেন্ডের। টেক্সট জানা থাকায় ভুল শব্দের সংখ্যা ঠিকঠাক গোনা যায়।

বেছে নেওয়া ভাষা

ভাষা মেনুতে একটি স্বয়ংক্রিয় সেটিং ও কুড়িটি ভাষা আছে। অন্তর্নির্মিত মডেলে স্বয়ংক্রিয় শনাক্তকরণ দুটি কণ্ঠকেই ইংরেজি ধরেছে এবং পড়া টেক্সটের সঙ্গে সম্পর্কহীন ইংরেজি বাক্য বানিয়েছে, শব্দ যত তত ভুল। তাই টুলটি ডিফল্টভাবে পৃষ্ঠার ভাষা বেছে নেয়, এখানে ফরাসি।

সঠিক ভাষা কী দেয়

ফরাসিতে পুরুষকণ্ঠে লিখিত রূপ হলো “Le jardin partagé du vallon ouvre ses parcels le 3 mai. Venez découvrir le compost, les sémisées la te liée des enfants. L’inscription est gratuit et ouvert à toutes les familles du quartier.” ভুলগুলো সাধারণ ধরনের: হারানো বহুবচন (“parcels”), বড় হাতের অক্ষর ছাড়া নামবাচক শব্দ (“vallon”), অঙ্কে লেখা সংখ্যা (“trois”-এর জায়গায় “3”) এবং ভুল শোনা বিরল শব্দ (“semis”, “atelier”)।

গোলমালের প্রভাব

পুরুষকণ্ঠে দুটি মাত্রায় গোলমাল যোগ করা হয়েছে। 10 dB-তে গোলমাল কণ্ঠের চেয়ে স্পষ্টভাবে কম। 0 dB-তে সেটি কণ্ঠের মতোই জোরালো।

হালকা গোলমাল কয়েকটি শব্দের দাম নেয়। কণ্ঠের মতো জোরালো গোলমাল লিখিত রূপকে অব্যবহারযোগ্য করে দেয়।

প্রক্রিয়াকরণের সময়

ডেস্কটপ কম্পিউটারে মডেল লোড সহ প্রায় 13 সেকেন্ডের রেকর্ডিংয়ের জন্য প্রতিটি পরীক্ষায় 6 থেকে 12 সেকেন্ড লেগেছে। লম্বা ফাইলে বেশি সময় ও মেমরি লাগে।

এই সংখ্যাগুলো যা বলে না

কৃত্রিম কণ্ঠ নিয়মিত হয়। আসল কণ্ঠ, উচ্চারণভঙ্গি, ইতস্তত করা বা একাধিক মানুষসহ, অন্য সংখ্যা দেবে। পুরো ফাইল শুরু করার আগে আপনার নিজের রেকর্ডিংয়ের একটি ছোট অংশ চেষ্টা করুন।

ফল ভালো করা

• মেনুতে রেকর্ডিংয়ের ভাষা বেছে নিন।
• উৎসে গোলমাল কমান: কাছের মাইক্রোফোন পরে ফিল্টার করার চেয়ে ভালো ফল দেয়।
• ফাইলটি বিরল ফরম্যাটে হলে আগে কণ্ঠের রেকর্ডিং নষ্ট না করে রূপান্তর করা দিয়ে রূপান্তর করুন।

নামবাচক শব্দ, সংখ্যা ও পারিভাষিক শব্দ সবসময় আবার পড়ুন।

ফলাফল টেক্সট যাচাই করুন

1. টেক্সট অনুসরণ করে রেকর্ডিংটি শুনুন।
2. নাম, সংখ্যা ও সঙ্গতি ঠিক করুন।
3. টেক্সটের জন্য TXT হিসেবে, সাবটাইটেলের জন্য SRT বা VTT হিসেবে রপ্তানি করুন।

অডিও থেকে টেক্সট