آڈیو سے ٹیکسٹ
انٹرویو، لیکچر، میٹنگ یا وائس نوٹ اپ لوڈ کریں اور اس کی تحریری ٹرانسکرپٹ حاصل کریں۔ اسپیچ ریکگنیشن جو کچھ بولا گیا اسے رموزِ اوقاف، اختیاری ٹائم اسٹیمپس اور بولنے والوں کے لیبلز کے ساتھ لکھ دیتی ہے، دستاویز کی شکل میں یا ویڈیو کے لیے سب ٹائٹلز کے طور پر۔
آڈیو سے ٹیکسٹ
یا MP3, WAV, M4A … فائلیں یہاں ڈراپ کریں ·
زیادہ سے زیادہ 95 MB فی فائل· 20 فائلوں تک· 30 منٹ بعد حذف
فائلیں ہمارے سرورز پر پروسیس ہوتی ہیں اور 30 منٹ بعد حذف ہو جاتی ہیں۔
اس سے لمبی سب ٹائٹل لائنیں تقسیم ہو جاتی ہیں۔ 42 عام براڈکاسٹ معیار ہے۔
اختیاری۔ سیکنڈ (مثلاً 75) یا منٹ:سیکنڈ (1:15)۔ شروع سے ٹرانسکرائب کرنے کے لیے خالی چھوڑیں۔
اختیاری۔ آغاز کے وقت جیسا ہی فارمیٹ۔ آخر تک ٹرانسکرائب کرنے کے لیے خالی چھوڑیں۔
اس ٹول کو استعمال کرنے کا طریقہ
- 1
آڈیو یا ویڈیو اپ لوڈ کریں
MP3، M4A، WAV، AAC، FLAC، OGG، Opus، AMR یا دیگر آڈیو فائلیں، یا MP4، MOV، MKV، WebM اور AVI ویڈیوز شامل کریں۔ زیادہ سے زیادہ 20 فائلیں، ہر ایک 95 MB تک۔
- 2
زبان اور آؤٹ پٹ منتخب کریں
بولی جانے والی زبان شروع میں خودکار شناخت پر ہوتی ہے۔ آؤٹ پٹ منتخب کریں: سادہ ٹیکسٹ، Word، PDF، SRT یا VTT سب ٹائٹلز، یا الفاظ کے وقت کے ساتھ JSON۔
- 3
ٹرانسکرائب کریں اور ڈاؤن لوڈ کریں
ٹرانسکرائب کریں دبائیں؛ بٹن پر آپ کا منتخب کردہ آؤٹ پٹ بھی لکھا ہوتا ہے۔ ٹرانسکرپٹ کھولیں، ناموں اور اعداد کی جانچ کریں اور اسے ڈاؤن لوڈ کر لیں۔
آڈیو کو ٹیکسٹ میں تبدیل کرنا، جسے ٹرانسکرپشن بھی کہتے ہیں، ریکارڈ شدہ تقریر کو تحریری الفاظ میں بدل دیتا ہے۔ فائل اپ لوڈ کریں، بولی جانے والی زبان کو خودکار شناخت پر رہنے دیں یا زبان چنیں، آؤٹ پٹ منتخب کریں اور ٹرانسکرائب کریں دبائیں۔
آڈیو سے ٹیکسٹ: اسپیچ ریکگنیشن کیسے کام کرتی ہے
اسپیچ ریکگنیشن ریکارڈنگ کو چھوٹی کھڑکیوں میں سنتی ہے، ہر ایک کو اس کی فریکوئنسیز کی تصویر میں بدلتی ہے، اور تربیت یافتہ ماڈل طے کرتا ہے کہ کون سے الفاظ اس آواز کے سب سے زیادہ ممکنہ ماخذ ہیں۔ جدید ماڈل بہت بڑی مقدار میں ٹرانسکرائب شدہ تقریر سے سیکھتے ہیں، اس لیے وہ مختلف آوازوں اور لہجوں کو دس سال پرانے ڈکٹیشن سافٹ ویئر سے کہیں بہتر سنبھالتے ہیں۔ رموزِ اوقاف اور بڑے حروف جملے کے بہاؤ سے اندازاً لگائے جاتے ہیں؛ صرف خام الفاظ چاہییں تو رموزِ اوقاف بند کر دیں۔
زبان کی سیٹنگ اہم ہے۔ خودکار شناخت پہلے 30 سیکنڈ سنتی ہے اور پھر پوری فائل کے لیے ایک زبان استعمال کرتی ہے۔ اگر ریکارڈنگ موسیقی، جنگل یا خاموشی سے شروع ہو، یا زبانیں بدلتی ہوں، تو بولی جانے والی زبان خود منتخب کریں۔ فہرست میں 33 زبانیں ہیں، انگریزی، ہسپانوی اور عربی سے لے کر ہندی، تامل، جاپانی اور یوکرینی تک۔
لوگ اس ٹول تک کئی راستوں سے آتے ہیں: فون پر انٹرویو رکھنے والا صحافی، ریکارڈ شدہ لیکچر والا طالب علم، میٹنگ ایکسپورٹ والی ٹیم، یا کیپشنز چاہنے والا کری ایٹر۔ دو عام ترین فائل اقسام کے اپنے صفحات ہیں: ریکارڈر اور پوڈکاسٹ فائلوں کے لیے MP3 سے ٹیکسٹ اور iPhone وائس میمو کے لیے M4A سے ٹیکسٹ۔ ویڈیو فائلیں براہِ راست کام کرتی ہیں، اس لیے پہلے آواز نکالنے کی ضرورت نہیں۔
ٹرانسکرپٹ اور سب ٹائٹل فارمیٹس
| آؤٹ پٹ | اس میں کیا ہوتا ہے | کہاں کھولیں |
|---|---|---|
| سادہ ٹیکسٹ (TXT) | متن کے پیراگراف، اختیاری ٹائم اسٹیمپس اور بولنے والوں کے لیبل | کوئی بھی ٹیکسٹ ایڈیٹر، نوٹس ایپ یا ای میل |
| Word (DOCX) | فارمیٹ شدہ ٹرانسکرپٹ جو ایڈٹ اور شیئر کرنے کے لیے تیار ہے | Word، Google Docs، Pages، LibreOffice |
| ریکارڈ کے لیے ٹرانسکرپٹ کی مستقل کاپی | کوئی بھی PDF ریڈر یا براؤزر | |
| سب ٹائٹلز (SRT) | نمبر والے کیپشنز، آغاز اور اختتام کے اوقات کے ساتھ | YouTube، ویڈیو ایڈیٹرز، VLC |
| ویب سب ٹائٹلز (VTT) | WebVTT کیپشنز، HTML5 ویڈیو میں استعمال ہونے والا W3C فارمیٹ | ویب پلیئرز، YouTube، کورس پلیٹ فارمز |
| JSON (الفاظ کے اوقات) | ہر لفظ اپنے آغاز اور اختتام کے وقت کے ساتھ | اسکرپٹس، سرچ انڈیکس، ایڈیٹنگ ٹولز |
ٹائم اسٹیمپس، بولنے والے اور ٹرانسکرپٹ کے دیگر آپشنز
- ٹائم اسٹیمپس
- ٹائم اسٹیمپس TXT، Word اور PDF ٹرانسکرپٹ کے ہر پیراگراف سے پہلے وقت لگاتے ہیں، جیسے [01:15]، تاکہ ریکارڈنگ میں وہ لمحہ ڈھونڈا جا سکے۔
- بولنے والوں کے لیبل
- بولنے والوں کے لیبل انٹرویوز، میٹنگز اور پوڈکاسٹس میں بتاتے ہیں کہ کون بول رہا ہے، جیسے Speaker 1، Speaker 2 وغیرہ۔ بعد میں لیبل کی جگہ نام لکھ دیں۔
- رموزِ اوقاف اور فالتو الفاظ
- رموزِ اوقاف ڈیفالٹ طور پر آن ہیں۔ فالتو الفاظ ہٹائیں um، uh اور اس طرح کے ہچکچاہٹ والے الفاظ نکال دیتا ہے۔
- فی سطر حروف
- SRT اور VTT کے لیے فی سطر حروف لمبے کیپشنز کو تقسیم کرتا ہے، ڈیفالٹ 42، جو Netflix کی سب ٹائٹل گائیڈ لائنز لاطینی رسم الخط کی زیادہ تر زبانوں کے لیے استعمال کرتی ہیں؛ 20 سے 80 تک کوئی بھی قدر چل سکتی ہے۔
- ٹرانسکرائب کرنے کا حصہ
- شروع اور اختتام کام کو ایک حصے تک محدود کرتے ہیں، سیکنڈ (75) یا منٹ:سیکنڈ (1:15) میں۔
آن لائن آڈیو سے ٹیکسٹ کنورٹر کی حدود
- فی بیچ ریکارڈنگز
- 20
- فی آڈیو یا ویڈیو فائل
- 95 MB
- بولی جانے والی زبانیں اور خودکار شناخت
- 33
- فائلوں اور ٹرانسکرپٹس کے حذف ہونے تک
- 30 منٹ
زیادہ درست ٹرانسکرپٹ کیسے حاصل کریں
بہت سے الفاظ غلط ہیں یا غائب ہیں
زیادہ تر غلطیاں پس منظر کے شور، مائیکروفون سے فاصلے اور لوگوں کے ایک دوسرے پر بولنے سے ہوتی ہیں۔ جہاں ممکن ہو بولنے والے کے قریب ریکارڈ کریں، اور دیکھ لیں کہ بولی جانے والی زبان درست ہے۔
ٹرانسکرپٹ غلط زبان میں ہے
خودکار شناخت نے پہلے 30 سیکنڈ میں موسیقی یا کوئی اور زبان سنی۔ بولی جانے والی زبان خود منتخب کریں اور دوبارہ ٹرانسکرائب کریں۔
سب ٹائٹلز اسکرین پر پڑھنے کے لیے بہت لمبے ہیں
فون پر دیکھنے والوں کے لیے فی سطر حروف کو 32–37 تک کم کریں، تاکہ ہر کیپشن چھوٹی سطروں میں بٹ جائے۔
نام اور تکنیکی اصطلاحات کے ہجے غلط ہیں
نایاب الفاظ کسی بھی ماڈل کے لیے مشکل ہوتے ہیں۔ Word یا ٹیکسٹ آؤٹ پٹ میں انہیں ایک بار تلاش کر کے بدل دیں؛ عموماً وہ پورے متن میں ایک ہی طرح غلط لکھے جاتے ہیں۔
آڈیو سے ٹیکسٹ کے بارے میں سوالات
کیا سائن اپ کے بغیر آڈیو سے ٹیکسٹ مفت بنایا جا سکتا ہے؟
جی ہاں۔ ریکارڈنگ اپ لوڈ کریں اور ٹرانسکرائب کریں دبائیں؛ اس میں نہ اکاؤنٹ درکار ہے، نہ ٹرائل اور نہ کریڈٹ کارڈ۔ فائلیں پروسیسنگ کے 30 منٹ بعد خودبخود حذف ہو جاتی ہیں، اس لیے ٹرانسکرپٹ تیار ہوتے ہی ڈاؤن لوڈ کر لیں۔
ایک آڈیو سے ٹیکسٹ کنورٹر دوسرے سے بہتر کیوں ہوتا ہے؟
منصفانہ موازنے کے لیے دیکھیں کہ آپ کی اپنی طرح کی ریکارڈنگ پر درستگی کیسی ہے، کون سی زبانیں دستیاب ہیں، آؤٹ پٹ فارمیٹس کون سے ہیں اور بعد میں آپ کی فائل کا کیا ہوتا ہے۔ یہاں آپ کو 33 زبانیں اور خودکار شناخت، سب ٹائٹلز سمیت چھ آؤٹ پٹ، بولنے والوں کے لیبل، ٹائم اسٹیمپس اور 30 منٹ بعد خودکار حذف ملتا ہے۔
کن زبانوں کی آڈیو کو ٹیکسٹ میں بدلا جا سکتا ہے؟
33، جو بولی جانے والی زبان میں منتخب کی جاتی ہیں: ان میں انگریزی، ہسپانوی، فرانسیسی، جرمن، پرتگالی، اطالوی، روسی، عربی، ترکی، ہندی، بنگالی، تامل، تیلگو، مراٹھی، گجراتی، اردو، جاپانی، کوریائی، چینی، انڈونیشیائی، ویتنامی، تھائی، پولش، یوکرینی، ڈچ، سویڈش، یونانی اور عبرانی شامل ہیں۔ خودکار شناخت پہلے 30 سیکنڈ سے ہر فائل کے لیے ایک زبان چنتی ہے۔
کیا ویڈیو کی آواز سے اس کے سب ٹائٹلز بنائے جا سکتے ہیں؟
جی ہاں۔ ویڈیو ہی اپ لوڈ کریں، آؤٹ پٹ میں SRT یا VTT منتخب کریں، اور آپ کو وقت کے ساتھ سب ٹائٹل فائل ملے گی جسے YouTube، ویڈیو ایڈیٹر یا HTML5 پلیئر میں لوڈ کیا جا سکتا ہے۔ بعد میں سب ٹائٹل فارمیٹ بدلنے کے لیے سب ٹائٹل کنورٹر استعمال کریں۔
3 گھنٹے کی ریکارڈنگ کو ٹیکسٹ میں کیسے بدلیں؟
فائلیں 95 MB تک محدود ہیں، جو 128 kbps MP3 کے تقریباً 1 گھنٹہ 40 منٹ بنتے ہیں۔ کام کو شروع اور اختتام سے تقسیم کریں، یا پہلے فائل چھوٹی کریں: آڈیو کمپریس کریں سے 64 kbps مونو میں بدلی گئی تقریر حد کے اندر تقریباً 3.5 گھنٹے سما جاتی ہے۔
کیا ٹرانسکرپٹ کا انگریزی میں ترجمہ ہو سکتا ہے؟
نہیں، ٹرانسکرپٹ اسی زبان میں لکھا جاتا ہے جس میں بولا گیا ہو۔ پہلے ٹرانسکرائب کریں، پھر متن کو ترجمے کی کسی سروس میں پیسٹ کریں؛ صاف ٹرانسکرپٹ کا ترجمہ براہِ راست آڈیو سے ترجمے کے مقابلے میں بہتر نکلتا ہے، اور اصل الفاظ اقتباسات کی جانچ کے لیے آپ کے پاس رہتے ہیں۔
کیا MP3 سے ٹیکسٹ کنورٹر اور ویڈیو ٹرانسکرائبر میں کوئی فرق ہے؟
صرف اس میں جو آپ اپ لوڈ کرتے ہیں۔ وہی اسپیچ ریکگنیشن MP4 یا MOV کے ساؤنڈ ٹریک پر بھی چلتی ہے اور MP3 یا M4A پر بھی۔ MP3 سے ٹیکسٹ اور M4A سے ٹیکسٹ اسی ٹول کے ان فائل اقسام کے لیے پری سیٹ ہیں۔
کیا «ام» اور «آں» جیسی آوازیں ٹرانسکرپٹ میں آئیں گی؟
ڈیفالٹ طور پر رہتے ہیں، کیونکہ کبھی لفظ بہ لفظ ریکارڈ درکار ہوتا ہے، مثلاً تحقیقی انٹرویوز میں۔ پڑھنے، اقتباس لینے یا شائع کرنے کے لیے صاف ٹرانسکرپٹ چاہیے ہو تو فالتو الفاظ ہٹائیں آن کریں۔
تمام آڈیو سے متن ٹولز
وہی ہدف منتخب کریں جو آپ سے مانگا گیا ہے۔ نیچے دیا گیا ہر صفحہ ایک ہی ٹول ہے جس کی ڈیفالٹ ترتیبات مختلف ہیں۔
- M4A سے ٹیکسٹ کنورٹرiPhone وائس میموز اور M4A ریکارڈنگز کو ٹائم اسٹیمپ اور اسپیکر لیبلز کے ساتھ متن میں بدلیں۔ 33 زبانیں، TXT، Word، PDF یا سب ٹائٹلز، بغیر اکاؤنٹ۔
- MP3 سے ٹیکسٹ کنورٹرMP3 کو 33 زبانوں میں ٹیکسٹ میں بدلیں۔ سادہ ٹیکسٹ، Word، PDF یا SRT اور VTT سب ٹائٹلز ڈاؤن لوڈ کریں، ٹائم اسٹیمپ اور اسپیکر لیبل کے ساتھ۔