ટ્રાન્સક્રિપ્શન

સમર્થિત ભાષાઓમાં સ્પષ્ટ ઑડિયો માટે ચોકસાઈ સામાન્ય રીતે 95% કરતાં વધી જાય છે. અમે OpenAI ની ઉદ્યોગ-અગ્રણી સ્પીચ રેકગ્નિશન નો ઉપયોગ કરીએ છીએ, એ જ મોડેલ જે ઘણા વ્યાવસાયિક ટ્રાન્સક્રિપ્શન ટૂલ્સને શક્તિ આપે છે.

વાસ્તવિક-વિશ્વની ચોકસાઈ ત્રણ બાબતો પર આધાર રાખે છે: ઑડિયો સ્પષ્ટતા (બેકગ્રાઉન્ડ અવાજ નુકસાન કરે છે), સ્પીકર ઉચ્ચારણ (ભારે પ્રાદેશિક ઉચ્ચારણો થોડા પોઈન્ટ ઘટાડી શકે છે), અને ભાષા પોતે (અંગ્રેજી અને સ્પેનિશ સામાન્ય રીતે સૌથી વધુ સ્કોર કરે છે). જો તમે મહત્તમ ચોકસાઈ ઈચ્છો, તો મોટો ફરક પાડતી નાની વસ્તુઓ માટે કયા ઑડિયો ગુણવત્તાથી શ્રેષ્ઠ પરિણામો મળે છે? જુઓ.

હા — સ્પીકર ઓળખ દરેક પ્લાન પર તમારા સબ્સ્ક્રિપ્શન સાથે સામેલ છે. અપલોડ ફોર્મ પર, સ્પીકર્સ ઓળખો ને હા પર સેટ કરો અને અમે તમારા ટ્રાન્સક્રિપ્શનમાં દરેક સ્પીકરને Speaker 1, Speaker 2, અને તેથી વધુ આપમેળે લેબલ કરીશું.

તે મીટિંગ્સ, મુલાકાતો, પોડકાસ્ટ અને કોઈપણ બહુ-વ્યક્તિ વાતચીત માટે શ્રેષ્ઠ કામ કરે છે. અમે કેટલા સ્પીકર્સ શોધી શકીએ તેની કોઈ મર્યાદા નથી. સ્પીકર ઓળખ થોડો પ્રક્રિયા સમય ઉમેરે છે, તેથી ઝડપી પરિણામો માટે એકલ રેકોર્ડિંગ્સ (પ્રવચનો, વોઈસ મેમો, એક-નેરેટર સામગ્રી) માટે તેને બંધ રાખો.

અમે ટ્રાન્સક્રિપ્શન માટે 99 ભાષાઓ નું સમર્થન કરીએ છીએ, જેમાં અંગ્રેજી, સ્પેનિશ, પોર્ટુગીઝ, ફ્રેન્ચ, જર્મન, ઈટાલિયન, જાપાનીઝ, ચાઈનીઝ, કોરિયન, રશિયન, અરબી, હિન્દી અને ઘણી વધુ ભાષાઓ સામેલ છે.

તમે શ્રેષ્ઠ ચોકસાઈ માટે અપલોડ ફોર્મ પર સ્પષ્ટપણે ભાષા પસંદ કરી શકો છો, અથવા તેને ઑટો પર છોડી દો અને અમે તેને તમારા માટે શોધી લઈશું. ભાષાની યાદી OpenAI Whisper ના સમર્થિત સેટ જેવી જ છે, અને SoundScript.AI ઈન્ટરફેસ પોતે પણ બધી 99 ભાષાઓમાં ઉપલબ્ધ છે — તમારી બદલવા માટે હું મારી ઈન્ટરફેસ ભાષા ક્યાં અપડેટ કરું? જુઓ.

માઈક્રોફોન નજીક રેકોર્ડ કરેલા સ્પષ્ટ અવાજો, ન્યૂનતમ બેકગ્રાઉન્ડ અવાજ સાથે. તે ટૂંકું વર્ઝન છે. અહીં શું સૌથી વધુ મદદ કરે છે:

• યોગ્ય માઈક્રોફોન વાપરો — એન્ટ્રી-લેવલ USB માઈક અથવા આધુનિક ફોન પણ લેપટોપના બિલ્ટ-ઇન માઈક કરતાં ઘણું સારું છે.
• શાંત રૂમમાં રેકોર્ડ કરો — બારીઓ બંધ કરો, પંખા બંધ કરો, અને પ્રતિધ્વનિ આપતી કઠણ સપાટીઓ ટાળો.
• માઈકની નજીક રહો — કુદરતી વાણી માટે 6-12 ઈંચ આદર્શ સ્થાન છે.
• શક્ય હોય ત્યારે બેકગ્રાઉન્ડ સંગીત ટાળો — જ્યારે સંગીત અનિવાર્ય હોય ત્યારે શું અપેક્ષા રાખવી તે માટે SoundScript.AI બેકગ્રાઉન્ડ સંગીત અથવા અવાજને કેવી રીતે હેન્ડલ કરે છે? જુઓ.

મોટાભાગની ફાઈલો સેકન્ડથી લઈને થોડી મિનિટોમાં પૂર્ણ થાય છે. એક સામાન્ય 10-મિનિટની ઑડિયો ફાઈલ સામાન્ય રીતે 30 સેકન્ડથી ઓછા સમયમાં પૂર્ણ થાય છે.

25MB કરતાં મોટી ફાઈલો આપમેળે ભાગોમાં વિભાજિત થાય છે અને સમાંતર પ્રક્રિયા થાય છે, તેથી એક કલાકનું રેકોર્ડિંગ પણ સામાન્ય રીતે 2-3 મિનિટમાં તૈયાર થાય છે. સ્પીકર ઓળખ ચાલુ કરવાથી થોડો વધારાનો સમય લાગે છે. પ્રગતિ બાર રીઅલ ટાઇમમાં અપડેટ થાય છે — રિફ્રેશ કરવાની કંઈ જરૂર નથી.

અમે પૃષ્ઠભૂમિમાં મોટી ફાઈલોને નાના ભાગોમાં આપમેળે વિભાજિત કરીએ છીએ, તેમને સમાંતર ટ્રાન્સક્રાઈબ કરીએ છીએ, અને પરિણામો પાછા જોડીએ છીએ. તમારે કંઈપણ કરવાની જરૂર નથી — ફક્ત તમારી ફાઈલ સામાન્ય રીતે અપલોડ કરો.

મહત્તમ અપલોડ સાઈઝ 1GB છે. દરેક ભાગ સ્વતંત્ર રીતે પ્રક્રિયા થાય છે, જે કારણ છે કે એક-કલાકની ફાઈલ માત્ર થોડી મિનિટોમાં તૈયાર થઈ શકે છે. શબ્દોને વાક્યની વચ્ચે કાપતા ટાળવા માટે ભાગની સીમાઓ શક્ય હોય ત્યારે કુદરતી મૌન પર મૂકવામાં આવે છે.

ખાસ નામો — નામો, બ્રાન્ડ નામો, ટેકનિકલ શબ્દો, સંક્ષેપ — ટ્રાન્સક્રિપ્શનનો સૌથી મુશ્કેલ ભાગ છે કારણ કે તે સામાન્ય ભાષાની પેટર્નને અનુસરતા નથી. શ્રેષ્ઠ ઑડિયો પણ ખોટી જોડણીવાળા નામો ઉત્પન્ન કરી શકે છે.

કેટલીક વસ્તુઓ જે મદદ કરે છે:

• ઑટો-ડિટેક્ટ વાપરવાને બદલે ભાષાને સ્પષ્ટપણે પસંદ કરો.
• રેકોર્ડ કરતી વખતે ખાસ નામો સ્પષ્ટપણે બોલો, તેમની આસપાસ થોડું વિરામ રાખીને.
• ટ્રાન્સક્રિપ્શન પછી સંપાદિત કરો — તમે ટેક્સ્ટને કોઈપણ એડિટરમાં કોપી કરી શકો છો અને ફાઈન્ડ-એન્ડ-રિપ્લેસ સાથે નામો ઠીક કરી શકો છો. અમે હાલમાં કસ્ટમ શબ્દભંડોળ યાદીને સમર્થન આપતા નથી, પરંતુ તે અમારી રડાર પર છે.

તમે પરિણામ પેજમાંથી ટ્રાન્સક્રિપ્શન ટેક્સ્ટ કોપી કરી શકો છો અને તેને કોઈપણ ટેક્સ્ટ એડિટર અથવા વર્ડ પ્રોસેસરમાં સંપાદિત કરી શકો છો — Google Docs, Microsoft Word, Notepad, જે પણ તમે પસંદ કરો.

અમારી પાસે હજુ સુધી ઈન-એપ એડિટર નથી, તેથી SoundScript.AI ની બહાર તમે કરેલા ફેરફારો અમારા સર્વર પર સાચવાતા નથી. મૂળ ટ્રાન્સક્રિપ્શન તમારા ડેશબોર્ડ માં રહે છે જેથી તમે હંમેશા તાજી નકલ ડાઉનલોડ કરી શકો. જો તમે ફોર્મેટિંગ સંપાદિત કરવા અને રાખવા માંગો છો તો .doc અથવા .txt ડાઉનલોડ ફોર્મેટનો ઉપયોગ કરો.

SRT સ્ટાન્ડર્ડ સબટાઈટલ ફોર્મેટ છે — તેમાં ટાઈમસ્ટેમ્પ સામેલ છે જેથી ટેક્સ્ટની દરેક લાઈન તમારા વિડિયોમાં યોગ્ય ક્ષણે દેખાય. તેનો ઉપયોગ YouTube, Vimeo, Premiere અથવા Final Cut જેવા વિડિયો એડિટર્સ, અથવા કોઈપણ સબટાઈટલ-જાગૃત પ્લેયર માટે કરો.

TXT ટાઈમસ્ટેમ્પ વગરનું સાદું ટેક્સ્ટ છે — દસ્તાવેજો, બ્લોગ પોસ્ટ્સ, ટ્રાન્સક્રાઈબ કરેલી મુલાકાતો અથવા તમે માત્ર શબ્દો ઈચ્છો ત્યાં માટે યોગ્ય. અમે DOC (ફોર્મેટ કરેલું વર્ડ દસ્તાવેજ) અને PDF (છાપવા યોગ્ય) પણ ઓફર કરીએ છીએ — વિગતો માટે હું TXT, DOC, અથવા PDF તરીકે કેવી રીતે ડાઉનલોડ કરું? જુઓ.

અમે અમારી શ્રેષ્ઠ પ્રયાસ કરીએ છીએ, પરંતુ ભારે બેકગ્રાઉન્ડ સંગીત અથવા અવાજ ચોકસાઈ ઘટાડશે. હળવો વાતાવરણીય અવાજ (શાંત કાફે, ચાલતો પંખો) સામાન્ય રીતે કોઈ સમસ્યા સર્જતો નથી. જોરદાર સંગીત અથવા સ્પર્ધાત્મક અવાજો સૌથી મુશ્કેલ કેસ છે.

ઈન્ટ્રો સંગીત સાથેની મુલાકાત-શૈલીની સામગ્રી માટે, તમે સામાન્ય રીતે સંગીતને અસ્પષ્ટ તરીકે ટ્રાન્સક્રાઈબ થયેલું જોશો અથવા છોડી દેવાયેલું જોશો, પછી જ્યારે વાણી શરૂ થાય ત્યારે ચોકસાઈ પાછી આવે છે. જો તમે તમારા ઑડિયોનું માત્ર-વાણી વર્ઝન રેકોર્ડ કરી શકો (અથવા પહેલાં Audacity જેવા ટૂલથી સંગીત દૂર કરી શકો), તો ચોકસાઈ નોંધપાત્ર રીતે વધુ સારી થશે.