ऑडियो को टेक्स्ट में कैसे बदलें: फ्री तरीके और सटीकता टिप्स

किसी रिकॉर्डिंग को टेक्स्ट में बदलने के लिए उसे स्पीच-रिकग्निशन टूल पर अपलोड करें, बोली गई भाषा चुनें, और पढ़ने के लिए सादा टेक्स्ट या सबटाइटल के लिए SRT/VTT चुनें। साफ़ और माइक के पास बोली गई आवाज़ आम तौर पर 90–95% या उससे भी ज़्यादा सही आती है। शोर वाले कमरे में, जहाँ कई लोग एक साथ बोल रहे हों, सटीकता इससे काफ़ी नीचे जा सकती है। इसलिए टूल से ज़्यादा रिकॉर्डिंग की क्वालिटी मायने रखती है।

Mina Satoऑडियो और वीडियो संपादक

21 सित॰ 2026अपडेट किया गया 27 सित॰ 202612 मिनट में पढ़ें

अँधेरे रिकॉर्डिंग स्टूडियो में स्टैंड पर शॉक माउंट में लगा चाँदी के रंग का कंडेंसर माइक्रोफ़ोन

संक्षिप्त जवाब

जो भी रिकॉर्डिंग आप चला सकते हैं, उसे टेक्स्ट में बदला जा सकता है। कौन सा तरीका ठीक रहेगा, यह इस पर निर्भर है कि ऑडियो कहाँ है और आपको नतीजे में क्या चाहिए।

1iOS 18 या उसके बाद वाले iPhone पर वॉइस मेमो: उसे Voice Memos में खोलकर ट्रांसक्रिप्ट देखें, या SRT या Word आउटपुट के लिए M4A को ब्राउज़र टूल पर अपलोड करें।
2Pixel फोन: Recorder ऐप रिकॉर्ड करते समय ही डिवाइस पर ट्रांसक्राइब कर देता है, ऑफ़लाइन भी।
3कंप्यूटर में रखी फ़ाइल: उसे अपलोड करें, बोली गई भाषा चुनें, आउटपुट (TXT, DOCX, SRT, VTT, PDF या JSON) चुनें और ट्रांसक्राइब करें दबाएँ।
4नाम, संख्याएँ और तकनीकी शब्द खुद जाँचने पड़ेंगे; कोई भी सिस्टम इन्हें हर बार सही नहीं लिखता।

स्पीच रिकग्निशन आवाज़ को शब्दों में कैसे बदलता है

ट्रांसक्रिप्शन इंजन शब्दों को आपकी तरह नहीं सुनता। वह वेवफ़ॉर्म को लगभग 25 मिलीसेकंड के ओवरलैप होते फ़्रेम में काटता है और हर टुकड़े को स्पेक्ट्रोग्राम में बदल देता है, यानी उस पल कौन सी फ़्रीक्वेंसी तेज़ हैं, इसका नक्शा। अकूस्टिक मॉडल इस नक्शे को देखकर अंदाज़ा लगाता है कि कौन सी बोली की ध्वनियाँ मौजूद हैं: s की फुफकार, t का झटका, और वे स्वर जो ship और sheep में फ़र्क करते हैं। अकेले इससे संभावित ध्वनियों की धारा मिलती है, पढ़ने लायक टेक्स्ट नहीं।

इसका बड़ा हिस्सा लैंग्वेज मॉडल ठीक करता है। उसे पता होता है कि असली वाक्यों में कौन से शब्द-क्रम संभव हैं, इसलिए जब ध्वनियाँ recognize speech भी हो सकती हैं और wreck a nice beach भी, तो संदर्भ फ़ैसला कर देता है। पुराने सिस्टम इन दोनों हिस्सों को अलग रखते थे और सीमित, ध्यान से पढ़ी गई सामग्री पर ट्रेन करते थे, इसीलिए 2010 के दशक का डिक्टेशन सॉफ़्टवेयर लहजों और बोलचाल में अटक जाता था।

सितंबर 2022 में OpenAI ने Whisper जारी किया, एक ओपन मॉडल जो वेब से जुटाए गए लगभग 680,000 घंटे के बहुभाषी ऑडियो पर ट्रेन हुआ। यह अकूस्टिक और लैंग्वेज हिस्सों को एक ही नेटवर्क में जोड़ देता है, जो 30 सेकंड की विंडो पढ़कर सीधे विराम-चिह्नों के साथ टेक्स्ट लिखता है। इस परिवार के मॉडलों ने लहजे वाली बोली, मिली-जुली शब्दावली और असली दुनिया की बेतरतीब रिकॉर्डिंग को कहीं ज़्यादा काम लायक बना दिया, और आज की ज़्यादातर मुफ़्त ट्रांसक्रिप्शन सेवाएँ, ब्राउज़र टूल समेत, कुछ ऐसा ही चलाती हैं। फिर भी ये अंदाज़ा लगाते हैं, और ऑडियो साफ़ न हो तो धाराप्रवाह ढंग से ग़लत अंदाज़ा लगाते हैं, जिससे उनकी ग़लतियाँ पकड़ना मुश्किल हो जाता है।

इनपुटवेवफ़ॉर्मआपका MP3, M4A या वीडियो का साउंडट्रैक डिकोड और रीसैंपल किया जाता है, आमतौर पर 16 kHz मोनो में।
फ़ीचरस्पेक्ट्रोग्रामछोटे फ़्रेम समय के साथ फ़्रीक्वेंसी की तस्वीर बन जाते हैं।
ध्वनियाँअकूस्टिक मॉडलअंदाज़ा लगाता है कि हर पल में कौन सी बोली की ध्वनियाँ सबसे संभावित हैं।
शब्दलैंग्वेज मॉडलवह शब्द-क्रम चुनता है जो ध्वनियों और सामान्य वाक्यों, दोनों से मेल खाए, फिर विराम-चिह्न जोड़ता है।

ट्रांसक्रिप्ट कितना सटीक होगा, यह किन बातों पर निर्भर है

सटीकता आमतौर पर वर्ड एरर रेट से मापी जाती है: ध्यान से बनाए गए इंसानी ट्रांसक्रिप्ट की तुलना में कितने प्रतिशत शब्द बदले, छूटे या अपने से जुड़ गए। 5% एरर रेट का मतलब है हर बीस शब्द में एक ग़लती, जो छोटी लगती है, जब तक आप यह न देखें कि ग़लतियाँ उन्हीं शब्दों पर इकट्ठा होती हैं जो मायने रखते हैं, जैसे सरनेम, प्रोडक्ट कोड या बजट चर्चा का कोई आँकड़ा।

नीचे दिए कारण मोटे तौर पर नुकसान के क्रम में हैं। ध्यान दें कि लगभग सभी रिकॉर्डिंग के समय तय हो जाते हैं, ट्रांसक्रिप्शन के समय नहीं। फ़ोन को मेज़ के बीच से हटाकर बोलने वाले की हाथ भर की दूरी पर रख देना अक्सर बाद की किसी भी सेटिंग से ज़्यादा फ़र्क डालता है।

माइक्रोफ़ोन से दूरी: माइक से 30 cm दूर की आवाज़ ज़्यादातर सीधी ध्वनि होती है। 3 m पर कमरे की गूँज लगभग आवाज़ जितनी तेज़ हो जाती है और व्यंजन धुँधले पड़ जाते हैं।
पृष्ठभूमि का शोर: एयर कंडीशनर, ट्रैफ़िक और कैफ़े की बातचीत वही फ़्रीक्वेंसी भरती हैं जो बोली की हैं। लगातार चलती गुनगुनाहट दूसरी आवाज़ों से कम नुकसान करती है।
एक साथ बोलना: जब दो लोग एक साथ बोलते हैं, तो मॉडल आमतौर पर एक को लिखता है और दूसरे को छोड़ देता है या बिगाड़ देता है। स्पीकर लेबल भी बिगड़ते हैं।
लहजा और बोलने का ढंग: आधुनिक मॉडल ज़्यादातर लहजों को अच्छे से संभालते हैं, पर तेज़, बुदबुदाई हुई या बहुत ज़्यादा भाषाएँ मिलाकर बोली गई बात में सटीकता फिर भी घटती है।
विषय की शब्दावली: दवाओं के नाम, कानूनी शब्द, अंदरूनी संक्षिप्त नाम और दुर्लभ सरनेम की जगह मिलते-जुलते सुनाई देने वाले आम शब्द लिख दिए जाते हैं।
सैंपल रेट और बिटरेट: इंजन लगभग 16 kHz पर काम करते हैं, इसलिए 48 kHz की फ़ाइल अपलोड करने से कुछ नहीं मिलता। 8 kHz की फ़ोन कॉल में ऊपरी व्यंजन-रेंज कट जाती है और ट्रांसक्रिप्शन बिगड़ता है।
मोनो बनाम स्टीरियो: स्टीरियो को एक चैनल में मिला दिया जाता है। हर तरफ़ एक व्यक्ति वाला दो-चैनल इंटरव्यू अपने आप बोलने वालों को अलग नहीं कर देता।

अपलोड करने से पहले रिकॉर्डिंग तैयार करें

ज़्यादातर रिकॉर्डिंग जैसी हैं वैसी ही डाली जा सकती हैं। तैयारी तीन हालात में काम आती है: फ़ाइल बहुत लंबी या बड़ी है, बोली चुप्पी या संगीत के नीचे दबी है, या आवाज़ इतनी धीमी है कि सुनने के लिए वॉल्यूम पूरा बढ़ाना पड़ता है। शुरुआत में लंबी चुप्पी सिर्फ़ समय की बर्बादी नहीं है, क्योंकि ऑटो-डिटेक्ट पहले 30 सेकंड से भाषा तय करता है और कमरे के शोर या इंट्रो की धुन से ग़लत अंदाज़ा लगा सकता है। रिकॉर्डिंग को बोले गए हिस्से तक काट देने, या शुरुआत सेट करके उसे छोड़ देने से यह बच जाता है।

फ़ॉर्मैट बदलने की ज़रूरत कम ही पड़ती है। iPhone के Voice Memos M4A (AAC ऑडियो) होते हैं, Android रिकॉर्डर M4A, AAC या 3GP बनाते हैं, और कॉल रिकॉर्डर अक्सर AMR; इन सबको सीधे अपलोड किया जा सकता है। कंप्रेस्ड फ़ाइल को WAV में बदलने से वह बारीकी वापस नहीं आती जो रिकॉर्डिंग के समय खो गई थी, जैसा MP3, WAV, FLAC और AAC की हमारी गाइड की तुलना बताती है, इसलिए तभी बदलें जब कोई टूल फ़ॉर्मैट न ले। घंटों चलने वाली रिकॉर्डिंग को चाय के ब्रेक या विषय बदलने जैसी स्वाभाविक जगहों पर बाँट दें, ताकि हर हिस्सा अपलोड सीमा के अंदर रहे और जाँचना आसान हो।

बोली पहले कुछ सेकंड में शुरू हो जाती है, या शुरुआत इंट्रो संगीत और चुप्पी को छोड़ देती है
पीक लगभग −6 से −3 dB तक पहुँचते हैं; धीमी रिकॉर्डिंग नॉर्मलाइज़ की गई है, इतनी नहीं बढ़ाई कि क्लिप हो जाए
लंबी रिकॉर्डिंग विराम पर एक घंटे या कम के हिस्सों में बँटी है, हर हिस्सा 95 MB से कम
वीडियो फ़ाइलें जैसी हैं वैसी अपलोड की जाती हैं; पहले साउंडट्रैक निकालने की ज़रूरत नहीं
बोली गई भाषा नोट कर ली है, ख़ासकर अगर वह अंग्रेज़ी नहीं है या बीच में बदलती है
जाँच के लिए बताए गए नामों, संक्षिप्त रूपों और आँकड़ों की सूची पास में है

ट्रांसक्रिप्ट का फ़ॉर्मेट चुनें: TXT, DOCX, SRT या VTT

आउटपुट इस हिसाब से चुनें कि आगे क्या होगा। अगर ट्रांसक्रिप्ट पढ़ना, उद्धृत करना या खोजना है, तो सादा टेक्स्ट या Word ठीक है; Word पैराग्राफ़, टाइमस्टैम्प और स्पीकर लेबल को संपादन के लिए सजाकर रखता है, और PDF वह पक्की कॉपी भेजने के लिए है जिसे कोई बदले नहीं। अगर शब्द वीडियो के ऊपर स्क्रीन पर दिखाने हैं, तो सबटाइटल फ़ाइल चाहिए: SRT या VTT बोली को छोटे क्यू में बाँटते हैं, हर एक का शुरू और अंत समय होता है, और लाइन की लंबाई तय करती है कि स्क्रीन पर कितना आएगा। प्रति लाइन बयालीस अक्षर आम ब्रॉडकास्ट मानक है।

SRT और VTT में जानकारी वही होती है, बस छोटे फ़र्क हैं। पुराने SubRip प्रोग्राम से आया SRT हर क्यू को नंबर देता है और समय कॉमा के साथ लिखता है (00:01:15,000)। WebVTT HTML5 वीडियो के लिए W3C फ़ॉर्मैट है; यह WEBVTT हेडर से शुरू होता है, समय में पीरियड लगाता है और स्टाइलिंग व पोज़िशनिंग की छूट देता है। YouTube, Vimeo, Premiere Pro और DaVinci Resolve दोनों लेते हैं। शब्द-स्तर के टाइमिंग वाला JSON उन डेवलपरों के लिए है जो सर्च, कराओके जैसी हाइलाइटिंग या अपना सबटाइटल लेआउट बना रहे हैं।

ट्रांसक्रिप्ट आउटपुट और वे कहाँ काम आते हैं
आउटपुट	इसमें क्या होता है	किसके लिए
TXT	सिर्फ़ शब्द, वैकल्पिक [mm:ss] स्टैम्प और स्पीकर के नाम	नोट्स, खोज, दूसरे ऐप में पेस्ट करना
DOCX	पैराग्राफ़, टाइमस्टैम्प, स्पीकर लेबल	इंटरव्यू लिखित रूप, ट्रैक्ड चेंज के साथ संपादन
PDF	उसी टेक्स्ट का पक्का लेआउट	ऐसा रिकॉर्ड भेजना जिसे बदला न जाए
SRT	शुरू/अंत समय वाले क्रमांकित क्यू	YouTube, वीडियो एडिटर, मीडिया प्लेयर
VTT	WEBVTT हेडर, क्यू, वैकल्पिक स्टाइलिंग	वेबसाइटों पर HTML5 `<track>`, Vimeo
JSON	हर शब्द अपने शुरू और अंत समय के साथ	ऐप, सर्च इंडेक्स, कस्टम कैप्शन

हेडफ़ोन पहने दो आदमी लकड़ी की मेज़ के आमने-सामने बैठे बूम आर्म पर लगे माइक्रोफ़ोन में बातचीत रिकॉर्ड कर रहे हैं, पीछे एक मॉनिटर और सॉफ़्टबॉक्स लाइट है — हर बोलने वाले के पास अलग माइक्रोफ़ोन रखने से ट्रांसक्रिप्ट में ग़लतियाँ बहुत कम होती हैं। फोटो: Unsplash

आपके फ़ोन या कंप्यूटर में पहले से मौजूद फ्री ट्रांसक्रिप्शन

कुछ भी अपलोड करने से पहले देखें कि आपके अपने डिवाइस पहले से क्या कर सकते हैं। Apple ने iOS 18 में Voice Memos ऐप में ट्रांसक्रिप्ट जोड़े हैं, इसलिए नए iPhone पर बनी रिकॉर्डिंग का टेक्स्ट ऐप में ही दिख सकता है। Pixel फोन पर Google का Recorder ऐप 2019 से रिकॉर्डिंग के दौरान ही ट्रांसक्राइब करता है, पूरी तरह डिवाइस पर, और अलग-अलग वक्ताओं को पहचान भी सकता है। Microsoft 365 में Word for the web में Dictate के पास ट्रांसक्राइब करें कमांड है, जो अपलोड की गई MP3, M4A, WAV और MP4 फ़ाइलें लेता है और हर महीने अपलोड मिनटों की सीमा मिलती है। Google Docs का Voice typing (Tools में, Chrome में) सिर्फ़ लाइव माइक्रोफ़ोन सुनता है; वह पहले से मौजूद फ़ाइल नहीं पढ़ सकता।

मीटिंग प्लेटफ़ॉर्म भी एक ज़रिया हैं। Zoom, Microsoft Teams और Google Meet कॉल का ट्रांसक्रिप्ट बना सकते हैं, बशर्ते ट्रांसक्रिप्शन चालू हो और आपका प्लान या संगठन इसकी अनुमति दे; Otter.ai जैसे असिस्टेंट मीटिंग में जुड़कर नोट्स लेते हैं। आपकी होस्ट की गई कॉल के लिए ये सुविधाजनक हैं, लेकिन हर एक सिर्फ़ अपने ऐप में काम करता है, रिकॉर्डिंग के लिए सबकी सहमति चाहिए, और वह अपने ही फॉर्मेट में एक्सपोर्ट करता है। जो फ़ाइल आपके पास पहले से है, जैसे पुराना इंटरव्यू, लेक्चर रिकॉर्डिंग या किसी और का भेजा वॉइस नोट, उसके लिए फ़ाइल-आधारित ट्रांसक्राइबर आमतौर पर आसान रास्ता है।

iPhone (iOS 18+)

01Voice Memos खोलें और रिकॉर्डिंग पर टैप करें।
02वेवफ़ॉर्म के नीचे टेक्स्ट दिखाने के लिए ट्रांसक्रिप्ट बटन पर टैप करें।
03टेक्स्ट चुनकर कॉपी करें, या SRT या Word आउटपुट के लिए M4A फ़ाइल कहीं और शेयर करें।

Pixel (Recorder)

01Recorder ऐप में रिकॉर्ड करें; लोगों के बोलते ही ट्रांसक्रिप्ट टैब भरता जाता है।
02ट्रांसक्रिप्ट में कोई शब्द खोजें और ऑडियो में उसी पल पर पहुँच जाएँ।
03ट्रांसक्रिप्ट को टेक्स्ट के रूप में या Google Docs में शेयर करें, या ऑडियो फ़ाइल एक्सपोर्ट करें।

Word for the web (ब्राउज़र वाला Word)

01Microsoft 365 अकाउंट से साइन इन करें और खाली डॉक्यूमेंट खोलें।
02Dictate → Transcribe चुनें और Upload audio दबाएँ।
03ट्रांसक्रिप्ट को डॉक्यूमेंट में जोड़ें, वक्ताओं के नाम और टाइमस्टैम्प के साथ या उनके बिना।

ब्राउज़र में ऑडियो को टेक्स्ट में बदलें और नतीजा जाँचें

ब्राउज़र टूल वह सब कवर करता है जो बिल्ट-इन विकल्पों में नहीं है: किसी भी डिवाइस की कोई भी फ़ाइल, सबटाइटल आउटपुट, और ऐसी भाषाएँ जो आपका फोन सपोर्ट नहीं करता। ऑडियो से टेक्स्ट कन्वर्टर पर फ़ाइल जोड़ें, बोली गई भाषा को Auto-detect पर रहने दें या भाषा खुद चुनें, एक आउटपुट चुनें, और ज़रूरत हो तो टाइमस्टैम्प या वक्ता के लेबल चालू करें। iPhone के वॉइस मेमो के लिए अलग M4A से टेक्स्ट पेज है, और पॉडकास्ट या रिकॉर्डर की फ़ाइलों के लिए MP3 से टेक्स्ट; दोनों में वही इंजन चलता है। हर फ़ाइल 95 MB तक हो सकती है, यानी 128 kbps MP3 के लगभग डेढ़ घंटे। इससे लंबी रिकॉर्डिंग के लिए शुरुआत और अंत से हिस्सों में ट्रांसक्राइब करें, या पहले रिकॉर्डिंग काटें।

उम्मीदें सही रखें। शांत कमरे में अच्छे माइक्रोफ़ोन पर एक वक्ता आमतौर पर 90–95% या बेहतर सही आता है, अक्सर हल्के एडिट के बाद छापने लायक। भीड़भाड़ वाले रेस्टोरेंट में मेज़ पर रखा फोन, बार-बार कटने वाली कॉन्फ़्रेंस कॉल, या ऐसा पैनल जहाँ लोग एक-दूसरे को टोकते हैं, इससे काफ़ी नीचे जा सकता है और पूरे वाक्य छूट सकते हैं। वक्ता के लेबल तब भरोसेमंद रहते हैं जब आवाज़ें साफ़ अलग हों और लोग बारी-बारी से बोलें; दो मिलती-जुलती आवाज़ों को वे उम्मीद से ज़्यादा बार आपस में मिला देते हैं।

सिर्फ़ टेक्स्ट से नहीं, ऑडियो खोलकर प्रूफ़रीड करें, क्योंकि आधुनिक मॉडल गलत होने पर भी व्याकरण-सही वाक्य लिखते हैं। हर नाम जाँचें, क्योंकि मॉडल को नहीं पता कि आपके सहकर्मी का नाम Caitlin लिखा जाता है या Katelyn। हर संख्या जाँचें: fifteen और fifty, तारीखें, कीमतें और प्रतिशत गलत सुने जाना आसान है। their/there, affect/effect और complement/compliment जैसे समान उच्चारण वाले शब्दों पर और जहाँ ऑडियो अस्पष्ट था वहाँ आत्मविश्वास से भरे भराव-शब्दों पर ध्यान दें। टाइमस्टैम्प इसे तेज़ बनाते हैं, क्योंकि आप संदिग्ध पंक्ति बोले जाने के ठीक पल पर पहुँच सकते हैं।

प्राइवेसी, संवेदनशील रिकॉर्डिंग और भाषाएँ

रिकॉर्डिंग में अक्सर किसी दस्तावेज़ से ज़्यादा निजी जानकारी होती है: आवाज़ें, नाम, सेहत की जानकारी, वेतन के आँकड़े। अपलोड से पहले जान लें कि फ़ाइल कहाँ जाती है और कितनी देर रहती है। UltKit पर अपलोड सर्वर पर प्रोसेस होते हैं और प्रोसेसिंग के 30 मिनट बाद अपने-आप हट जाते हैं; कोई अकाउंट नहीं है, इसलिए कुछ भी आपके नाम से नहीं जुड़ता। Pixel Recorder ऑफ़लाइन काम करता है, इसलिए ऑडियो फोन से बाहर नहीं जाता। गोपनीयता समझौते या मेडिकल या कानूनी विशेषाधिकार वाली किसी भी चीज़ के लिए पहले अपने संगठन की नीति देखें; कुछ जगह केवल अनुमोदित, अनुबंधित सेवाएँ ही चलती हैं।

भाषा सपोर्ट व्यापक है, पर बराबर नहीं। ट्रांसक्राइबर 33 भाषाएँ कवर करता है, जिनमें अंग्रेज़ी, स्पेनिश, फ़्रेंच, जर्मन, पुर्तगाली, अरबी, हिंदी, जापानी, कोरियाई, चीनी और यूक्रेनी शामिल हैं, और सबसे अच्छे नतीजे उन भाषाओं में आते हैं जिनका ट्रेनिंग डेटा सबसे ज़्यादा है। Auto-detect हर फ़ाइल के लिए एक भाषा चुनता है। अगर मीटिंग दो भाषाओं के बीच बदलती है, तो हर हिस्से को भाषा हाथ से सेट करके अलग ट्रांसक्राइब करें। ट्रांसक्रिप्ट हमेशा उसी भाषा में लिखा जाता है जो बोली गई थी; अनुवाद अलग चरण है जो आप बाद में टेक्स्ट पर करते हैं।

लोगों को रिकॉर्ड करने से पहले सहमति लें

कुछ जगहों पर बातचीत रिकॉर्ड करना तभी कानूनी है जब सब सहमत हों। प्रतिभागियों को बताएँ कि आप रिकॉर्ड और ट्रांसक्राइब कर रहे हैं, और ट्रांसक्रिप्ट को ऑडियो जितनी सावधानी से रखें, क्योंकि उसे कॉपी करना और खोजना आसान है।

जब ट्रांसक्रिप्ट गलत आए

ज़्यादातर नाकाम ट्रांसक्रिप्ट कुछ ही वजहों से होते हैं, और हल आमतौर पर फ़ाइल या किसी एक सेटिंग में होता है, किसी दूसरी सेवा को आज़माने में नहीं। अगर ऑडियो इतना खराब है कि आप खुद आराम से नहीं समझ पाते, तो मशीन को भी उतनी ही दिक्कत होगी, और मुख्य अंशों का छोटा मैनुअल ट्रांसक्रिप्ट लंबे ऑटोमैटिक ट्रांसक्रिप्ट को सुधारने से तेज़ हो सकता है।

कोई आवाज़ नहीं मिली, या ट्रांसक्रिप्ट खाली है
हो सकता है आवाज़ का स्तर बहुत कम हो या फ़ाइल ज़्यादातर खामोश हो। उसे चलाकर देखें; धीमी रिकॉर्डिंग को नॉर्मलाइज़ करें, और शुरुआत को किसी लंबे खामोश इंट्रो के बाद सेट करें।
टेक्स्ट गलत भाषा में आ रहा है
Auto-detect ने संगीत या किसी दूसरी भाषा के अभिवादन को सुन लिया। बोली गई भाषा हाथ से सेट करें और फिर ट्रांसक्राइब करें।
जहाँ संगीत है वहाँ गाने के बोल या बेतरतीब शब्द आ रहे हैं
मॉडल गायन और बैकग्राउंड ट्रैक में भी शब्द पढ़ने की कोशिश करते हैं। शुरुआत और अंत संगीत के आसपास सेट करें, या टेक्स्ट में उन हिस्सों को छोड़ दें।
वाक्यांश दोहराए जा रहे हैं या एक ही वाक्य का लूप बन गया है
ऐसा लंबी खामोशी या लगातार शोर में होता है। खामोश हिस्से हटा दें और जहाँ बोली है उन हिस्सों को ट्रांसक्राइब करें।
फ़ाइल बहुत बड़ी या बहुत लंबी बताकर अस्वीकार हो गई
उसे 95 MB से छोटे हिस्सों में बाँटें, या ऑडियो कंप्रेस करें 64 kbps मोनो पर, जो बोली के लिए काफ़ी है और हर फ़ाइल में तीन घंटे से ज़्यादा समा जाता है।
बीच में वक्ता के लेबल आपस में बदल जाते हैं
मिलती-जुलती आवाज़ें और टोका-टाकी वक्ताओं को अलग करने में भ्रम पैदा करती हैं। DOCX आउटपुट में लेबल कान से सुनकर ठीक करें; अगली बार हर व्यक्ति को अलग माइक पर रिकॉर्ड करना मदद करता है।

मुख्य बातें

सटीकता पर माइक्रोफ़ोन की दूरी और बैकग्राउंड की आवाज़ों का असर इससे ज़्यादा पड़ता है कि आप कौन-सा ट्रांसक्रिप्शन टूल चुनते हैं।
साफ़, एक वक्ता वाला ऑडियो आमतौर पर 90–95% या बेहतर तक पहुँचता है; शोरगुल वाली, आपस में मिलती बोली इससे काफ़ी नीचे जा सकती है।
पढ़ने और एडिट करने के लिए TXT या DOCX इस्तेमाल करें, और जब शब्द वीडियो पर स्क्रीन पर आने हों तब SRT या VTT।
जब रिकॉर्डिंग संगीत से शुरू हो या उसमें भाषाएँ मिली हों, तो बोली गई भाषा खुद सेट करें।
उद्धृत करने या छापने से पहले नाम, संख्याएँ और समान उच्चारण वाले शब्द हमेशा ऑडियो से मिलाकर जाँचें।

शेयर करेंX Facebook WhatsApp Telegram

अक्सर पूछे जाने वाले सवाल

क्या ऑडियो को टेक्स्ट में बदलने का कोई पूरी तरह फ्री तरीका है?

हाँ। iOS 18 का Voice Memos, Pixel फोन का Recorder और Google Docs का voice typing फ्री हैं, और ब्राउज़र ट्रांसक्राइबर बिना अकाउंट के अपलोड की गई फ़ाइलें संभालते हैं। पेड सेवाएँ मुख्य रूप से टीम फीचर, ज़्यादा सीमाएँ और कस्टम शब्दावली जोड़ती हैं।

एक घंटे के ऑडियो को टेक्स्ट में बदलने में कितना समय लगता है?

एक घंटे की बोली का ऑटोमैटिक ट्रांसक्रिप्शन आमतौर पर सेवा और कतार के हिसाब से कुछ मिनटों में पूरा हो जाता है। हाथ से टाइप करने में ज़्यादातर लोगों को चार से छह घंटे लगते हैं, इसीलिए मशीन के ट्रांसक्रिप्ट को प्रूफ़रीड करना आमतौर पर तेज़ होता है।

क्या मैं किसी और के YouTube वीडियो को टेक्स्ट में बदल सकता हूँ?

वीडियो तभी डाउनलोड और ट्रांसक्राइब करें जब आपको इसका अधिकार हो, जैसे आपके अपने अपलोड या खुली अनुमति वाली सामग्री। कई YouTube वीडियो में पहले से कैप्शन होते हैं, जिन्हें आप प्लेयर में ट्रांसक्रिप्ट विकल्प से देख सकते हैं।

ट्रांसक्रिप्ट में पैराग्राफ़ क्यों नहीं होते?

पैराग्राफ़ ब्रेक का अंदाज़ा ठहराव और वक्ता बदलने से लगाया जाता है। टाइमस्टैम्प या वक्ता के लेबल चालू करने से टेक्स्ट को ज़्यादा ढाँचा मिलता है, और जल्दी-सी मैनुअल पास में जहाँ विषय बदले वहाँ ब्रेक जोड़े जा सकते हैं।

क्या MP3 की जगह WAV में रिकॉर्ड करने से सटीकता बढ़ती है?

लगभग नहीं। 128 kbps या उससे ऊपर MP3 और AAC वह सब रखते हैं जो स्पीच मॉडल इस्तेमाल करता है। फ़ाइल फॉर्मेट से कहीं ज़्यादा माइक्रोफ़ोन की जगह और शांत कमरा मायने रखता है।

क्या ऑटोमैटिक ट्रांसक्रिप्शन को कानूनी या मेडिकल रिकॉर्ड के लिए इस्तेमाल किया जा सकता है?

यह पहला ड्राफ़्ट बना सकता है, लेकिन कानूनी या क्लिनिकल महत्व वाले रिकॉर्ड को किसी योग्य व्यक्ति द्वारा ऑडियो से पंक्ति-दर-पंक्ति जाँचा जाना चाहिए, और सेवा को आपके गोपनीयता नियमों पर खरा उतरना चाहिए।