MP3 থেকে লেখা কনভার্টার

Q: লম্বা MP3 এর শুধু একটি অংশ কি লেখায় রূপান্তর করা যায়?

হ্যাঁ। **উন্নত সেটিংস**-এর ভেতরে **শুরু** ও **শেষ** ঘরে সেকেন্ড বা মিনিট:সেকেন্ডে সময় লিখুন, যেমন ১২:৩০ থেকে ১৮:০০। শুধু ওই অংশটুকু ট্রান্সক্রাইব হয়, লম্বা ইন্টারভিউ থেকে একটি উত্তর দরকার হলে এতে সময় কম লাগে।

Q: আমার MP3 ফাইল 95 MB এর বেশি। কী করব?

কথার জন্য উচ্চ বিটরেট লাগে না। [অডিও কমপ্রেস](/compress-audio) দিয়ে ফাইলটি ৬৪ kbps মনোতে আবার এনকোড করুন; এতে লম্বা রেকর্ডিং কয়েক গুণ ছোট হয় অথচ ট্রান্সক্রিপশনের ক্ষতি হয় না। তারপর ছোট ফাইলটি আপলোড করুন।

Q: কে কথা বলছে তা কি এটি বুঝতে পারে?

**বক্তার লেবেল** চালু থাকলে ট্রান্সক্রিপ্টে কণ্ঠ বদলালে বক্তা ১, বক্তা ২ ইত্যাদি চিহ্ন বসে। নাম জানা থাকে না, তাই পরে Word-এ লেবেলগুলোর জায়গায় আসল নাম লিখে নিন।

লেকচার, ইন্টারভিউ, মিটিং বা পডকাস্টের MP3 আপলোড করুন, আর বলা কথাগুলো এমন লেখা হিসেবে পান যা খোঁজা, এডিট করা ও উদ্ধৃত করা যায়। নোটের জন্য প্লেইন টেক্সট, এডিটের জন্য Word, আর কথাগুলো ভিডিওর সাথে মেলাতে হলে SRT বা VTT বেছে নিন।

অথবা MP3, WAV, M4A … ফাইল এখানে ড্রop করুন ·

প্রতি ফাইল সর্বোচ্চ 95 MB· সর্বোচ্চ 20টি ফাইল· 30 মিনিট পরে মুছে ফেলা হয়

ট্রান্সক্রিপশন

কথ্য ভাষা

আউটপুট

ফাইল আমাদের সার্ভারে প্রসেস করা হয় এবং 30 মিনিট পরে মুছে ফেলা হয়।

এই টুল কীভাবে ব্যবহার করবেন

1
MP3 আপলোড করুন
এক বা একাধিক MP3 ফাইল দিন, একবারে সর্বোচ্চ ২০টি এবং প্রতিটি ৯৫ MB পর্যন্ত। M4A, WAV ও MP4-এর মতো অন্যান্য অডিও ও ভিডিও ফাইলও চলবে।
2
ভাষা ও আউটপুট ঠিক করুন
কথ্য ভাষা শুরুতে স্বয়ংক্রিয় শনাক্তকরণে থাকে, যা প্রথম ৩০ সেকেন্ড শুনে ভাষা বোঝে। রেকর্ডিং গান দিয়ে শুরু হলে নিজেই ভাষা বেছে নিন। আউটপুট শুরুতে সাধারণ টেক্সট থাকে; প্রয়োজনমতো Word, PDF, SRT বা VTT বেছে নিন।
3
ট্রান্সক্রাইব করে ডাউনলোড করুন
ট্রান্সক্রাইব করুন চাপুন এবং ট্রান্সক্রিপ্ট ডাউনলোড করুন। কোনো অংশ খুঁজে পেতে বা কণ্ঠ আলাদা করতে চাইলে আগে উন্নত সেটিংস-এর ভেতরে টাইমস্ট্যাম্প বা বক্তার লেবেল চালু করুন।

MP3 ট্রান্সক্রাইব করলে কয়েক মিনিটের শোনা কয়েক সেকেন্ডের পড়ায় বদলে যায়: কোনো শব্দ খুঁজুন, উদ্ধৃতি কপি করুন, বা যিনি অডিও চালাতে পারেন না তাঁকে লেখাটি দিন।

কেন MP3 থেকে লেখা বের করবেন

বেশিরভাগ ভয়েস রেকর্ডার, ফোনের রেকর্ডিং অ্যাপ ও পডকাস্ট টুল MP3 এক্সপোর্ট করে, তাই এটিই সাধারণত আপনার হাতে থাকা ফাইল। শিক্ষার্থীরা রেকর্ড করা লেকচার ট্রান্সক্রাইব করে নোট থেকে পড়ে, সাংবাদিকরা ইন্টারভিউ থেকে হুবহু উদ্ধৃতি নেন, গবেষকরা ফোকাস গ্রুপ কোড করেন, আর পডকাস্টাররা ট্রান্সক্রিপ্ট প্রকাশ করেন যাতে সার্চ ইঞ্জিন এপিসোডটি খুঁজে পায় এবং বধির বা কম শুনতে পাওয়া মানুষ পড়তে পারেন।

আউটপুট ঠিক করে দেয় পরে আপনি কী করতে পারবেন। সাধারণ টেক্সট (TXT) যেকোনো জায়গায় পেস্ট করা যায়। Word (DOCX) সম্পাদনা ও মন্তব্যের জন্য তৈরি। PDF এমন ট্রান্সক্রিপ্টের জন্য যা বদলানো চলবে না। SRT ও VTT সময়সহ সাবটাইটেল ফাইল, আর JSON ডেভেলপারদের জন্য প্রতিটি শব্দ তার সময়সহ তালিকাভুক্ত করে।

রেকর্ডিং ভিডিওর ভেতরে থাকলে ভিডিওটিই আপলোড করতে পারেন; এর অডিও ট্র্যাক ট্রান্সক্রাইব হবে। ভিডিও আপলোডের জন্য বেশি বড় হলে আগে MP4 থেকে MP3 দিয়ে শব্দটুকু আলাদা করে নিন।

প্রতি ব্যাচে ফাইল: 20
প্রতি ফাইল: ৯৫ MB
ভাষা, সঙ্গে স্বয়ংক্রিয় শনাক্তকরণ: 33
আপলোড মুছে যাওয়া পর্যন্ত: ৩০ মিনিট

MP3 থেকে লেখার নির্ভুলতা কীসের ওপর নির্ভর করে

একসঙ্গে কথা বলা বক্তা: একসঙ্গে দুজনের কণ্ঠ সবচেয়ে কঠিন অবস্থা। প্যানেল আলোচনা ও খাবার টেবিলের রেকর্ডিংয়ে যেখানে মানুষ একে অপরকে থামিয়ে দেন, সেখানেই সবচেয়ে বেশি শব্দ হারায়।
পটভূমির শব্দ: গান, যানবাহনের শব্দ ও এয়ারকন্ডিশনার কথার সঙ্গে পাল্লা দেয়। দামি মাইক্রোফোনের চেয়ে শান্ত ঘর বেশি জরুরি।
ফোন ও কল রেকর্ডিং: প্রচলিত ফোন লাইনে ফ্রিকোয়েন্সির সরু একটি পরিসরই যায়, ফলে ব্যঞ্জনবর্ণ অস্পষ্ট হয়। কল রেকর্ডিংয়ে বেশি সংশোধন লাগবে বলে ধরে নিন।
ভুল ভাষা সেটিং: ফাইল গান দিয়ে শুরু হলে বা মাঝপথে ভাষা বদলালে স্বয়ংক্রিয় শনাক্তকরণ ভুল করতে পারে। নিজে কথ্য ভাষা ঠিক করে দিলে সমস্যা মেটে।

টাইমস্ট্যাম্পসহ MP3 থেকে SRT সাবটাইটেল

একটি SRT ফাইলের দুটি ক্যু

1
00:00:01,200 --> 00:00:04,050
অনুষ্ঠানে আবার স্বাগতম।

2
00:00:04,300 --> 00:00:07,900
আজ আমরা কথা বলব ঘরে বসে রেকর্ডিং নিয়ে।

SRT এসেছে Windows-এর সাবটাইটেল টুল SubRip থেকে এবং এটিই সবচেয়ে বেশি গৃহীত সাবটাইটেল ফরম্যাট: একটি ক্রমিক নম্বর, শুরু ও শেষ সময় (মিলিসেকেন্ডের আগে কমা), আর ক্যাপশনের লেখা। VTT বা WebVTT হলো ওয়েব ভিডিও প্লেয়ারের জন্য W3C-র সংস্করণ, যাতে কমার বদলে ডট থাকে। দুটিই সাধারণ টেক্সট, তাই ভুল শোনা শব্দ যেকোনো এডিটরে ঠিক করা যায়।

ক্যাপশনের লাইন ডিফল্টরূপে ৪২ অক্ষরে ভাঙা হয়; ল্যাটিন লিপির বেশিরভাগ ভাষার জন্য Netflix-এর মতো পেশাদার সাবটাইটেল স্টাইল গাইডে এই সীমাই ব্যবহার হয়। সাবটাইটেল ফাইলের বদলে ডকুমেন্টে সময়ের চিহ্ন চাইলে TXT, Word বা PDF রাখুন এবং টাইমস্ট্যাম্প চালু করুন; এতে প্রতিটি অনুচ্ছেদের আগে [01:15]-এর মতো চিহ্ন বসে। সাবটাইটেল আগেই আছে, শুধু সাধারণ টেক্সট দরকার? SRT থেকে TXT নম্বর ও সময় বাদ দিয়ে দেয়।

MP3 থেকে লেখা নিয়ে প্রশ্ন

MP3 থেকে লেখা কতটা নির্ভুল হয়?

ফাইল ফরম্যাটের চেয়ে রেকর্ডিংয়ের মানের ওপরই এটি অনেক বেশি নির্ভর করে। মাইক্রোফোনের কাছ থেকে নেওয়া একটি পরিষ্কার কণ্ঠ খুব ভালো ট্রান্সক্রাইব হয়; ফোন কল, কোলাহলপূর্ণ ক্যাফে বা একসঙ্গে কথা বলা একাধিক মানুষের রেকর্ডিংয়ে ভুল বেশি হয়। উদ্ধৃতি দেওয়ার আগে ট্রান্সক্রিপ্টটি একবার পড়ে নিন।

লম্বা MP3 এর শুধু একটি অংশ কি লেখায় রূপান্তর করা যায়?

হ্যাঁ। উন্নত সেটিংস-এর ভেতরে শুরু ও শেষ ঘরে সেকেন্ড বা মিনিট:সেকেন্ডে সময় লিখুন, যেমন ১২:৩০ থেকে ১৮:০০। শুধু ওই অংশটুকু ট্রান্সক্রাইব হয়, লম্বা ইন্টারভিউ থেকে একটি উত্তর দরকার হলে এতে সময় কম লাগে।

YouTube ক্যাপশনের জন্য কোন আউটপুট বেছে নেব?

SRT বা VTT। দুটিতেই প্রতিটি লাইনের শুরু ও শেষ সময় থাকে, আর সাবটাইটেল ফাইল আপলোড করার সময় YouTube Studio যেকোনোটি নেয়। প্রতি লাইনে অক্ষর ৪২ রাখুন, তাহলে প্রতিটি ক্যাপশন পর্দায় দুটি ছোট লাইনে ধরবে।

JSON আউটপুটে কী কী থাকে?

প্রতিটি শব্দ তার শুরু ও শেষ সময়সহ। ডেভেলপাররা এটি দিয়ে ইন্টারঅ্যাকটিভ ট্রান্সক্রিপ্ট বানান, অডিওর ভেতরে খোঁজেন বা নির্দিষ্ট শব্দে ক্লিপ কাটেন। পড়ার জন্য TXT বা Word সহজ।

আমার MP3 ফাইল 95 MB এর বেশি। কী করব?

কথার জন্য উচ্চ বিটরেট লাগে না। অডিও কমপ্রেস দিয়ে ফাইলটি ৬৪ kbps মনোতে আবার এনকোড করুন; এতে লম্বা রেকর্ডিং কয়েক গুণ ছোট হয় অথচ ট্রান্সক্রিপশনের ক্ষতি হয় না। তারপর ছোট ফাইলটি আপলোড করুন।

কে কথা বলছে তা কি এটি বুঝতে পারে?

বক্তার লেবেল চালু থাকলে ট্রান্সক্রিপ্টে কণ্ঠ বদলালে বক্তা ১, বক্তা ২ ইত্যাদি চিহ্ন বসে। নাম জানা থাকে না, তাই পরে Word-এ লেবেলগুলোর জায়গায় আসল নাম লিখে নিন।