ক্লাউড ধাপ
একটা রেকর্ডিং দিন — মিটিং, ইন্টারভিউ, ক্লাসের লেকচার, ভয়েস নোট — আর ফেরত পান বক্তা ধরে ভাগ করা পরিষ্কার ট্রান্সক্রিপ্ট, যা Word, PDF, সাধারণ টেক্সট, সাবটাইটেল বা স্প্রেডশিট হিসেবে এক্সপোর্ট করা যায়।
এটা বানানো সত্যিকারের কথোপকথনের জন্য, যার মধ্যে বাক্যের মাঝখানে ভাষা বদলে যাওয়া কথাও পড়ে; আর লেখাটা একটানা এক খণ্ডে না দিয়ে বক্তা ধরে ভাগ করে — বক্তা আন্দাজ করা হয় কথোপকথন থেকে, কণ্ঠ শুনে চেনা হয় না।
এই সাইটের অন্য টুলগুলোর মতো নয়: ট্রান্সক্রিপশনে সার্ভার লাগে, কারণ এই সাইট আপনার ডিভাইসে কথা শনাক্তকরণ চালায় না। কিছু পাঠানোর আগে পাতাটা অনুমতি চায়। রেকর্ডিং যায় চার মিনিটের টুকরোয়, ফাইলের নাম ছাড়া — আমাদের সার্ভার আর Lovable-এর AI গেটওয়ে হয়ে OpenAI-এর কথা শনাক্তকরণ মডেলে; আর লেখা গুছিয়ে নিতে যায় Google-এর Gemini-তে। আমাদের সার্ভার কোনোটাই রাখে না; ওই সার্ভিসগুলো চলে নিজেদের শর্তে।
যার জন্য নয়: খারাপ রেকর্ডিংয়ে নিখুঁত নির্ভুলতা — পেছনে প্রচুর আওয়াজ আর একসঙ্গে কয়েকজনের কথা বলায় এখনো ভুল হয়।
«ট্রান্সক্রাইব করুন» চাপলে যে ডায়ালগ খোলে, তাতে আপনি রাজি না হওয়া পর্যন্ত কিছুই পাঠানো হয় না — যদি না আগেই আর জিজ্ঞাসা না করতে বলে দিয়ে থাকেন। তারপর আপনার ব্রাউজার রেকর্ডিং, বা ভিডিওর শব্দ, ডিকোড করে, 16 kHz-এর এক চ্যানেলে মিশিয়ে চার মিনিটের টুকরোয় কাটে; প্রতিটা টুকরো যায় part-1.wav, part-2.wav — এমন নামের একটা WAV ফাইল হয়ে: শুধু শব্দ, আপনার ফাইলের নাম ছাড়া।
প্রতিটা টুকরো যায় Lovable Cloud-এ আমাদের সার্ভার ফাংশনে, যা সেটা Lovable-এর AI গেটওয়ে দিয়ে OpenAI-এর gpt-4o-transcribe কথা শনাক্তকরণ মডেলে পৌঁছে দেয় — সঙ্গে আপনার «নিজের শব্দতালিকা», ভাষা বেছে থাকলে সেটা, আর এ পর্যন্ত লেখা হওয়া শেষ 1,200 অক্ষর। সব টুকরোর লেখা, আপনার দেওয়া বক্তাদের নাম আর শব্দতালিকাসহ, একই পথে যায় Google-এর Gemini মডেলে — বক্তা ধরে ভাগ করতে আর শিরোনাম, সারাংশ ও অধ্যায় বানাতে — আর তৈরি ট্রান্সক্রিপ্ট আরেকবার যায় মূল কথা আর করণীয় বের করতে।
আমাদের ফাংশন অডিও বা লেখা কোনো স্টোরেজে লেখে না। ঘণ্টাপ্রতি সীমার জন্য প্রতিটা অনুরোধের সঙ্গে আপনার IP ঠিকানা লিখে রাখে, আর দুই ঘণ্টার বেশি পুরোনো হলে সরিয়ে দেয়। Lovable, OpenAI আর Google কী রাখে, তা ঠিক হয় তাদের নিজেদের শর্তে। «লাইব্রেরিতে সেভ করুন» ট্রান্সক্রিপ্ট রাখে এই ব্রাউজারে, বা সাইন ইন থাকলে আপনার অ্যাকাউন্টে; «শেয়ার লিংক» এক্সপোর্ট করা ফাইলটা 24 ঘণ্টার জন্য আমাদের স্টোরেজে তোলে, বোতামের পাশে পাতাটা যেমন বলে।
আমাদের সার্ভার একটা IP ঠিকানা থেকে ঘণ্টায় ত্রিশটা টুকরো নেয়, মানে দুই ঘণ্টার অডিও। কোনো টুকরো ফিরিয়ে দেওয়া হলে বা ব্যর্থ হলে আগে শেষ হওয়া টুকরোগুলো থেকে যায়, আর «যেগুলো হয়নি সেগুলো আবার চেষ্টা করুন» গোড়া থেকে নয়, ব্যর্থ টুকরো থেকেই আবার চালায়।
বক্তাদের কণ্ঠ শুনে চেনা হয় না। Gemini তাঁদের আন্দাজ করে লেখা থেকে — প্রশ্ন, উত্তর, সম্ভাষণ আর মুখে বলা নাম থেকে — আর লেবেলের জন্য ব্যবহার করে আপনার লেখা প্রত্যাশিত বক্তাদের নাম। এই ধাপ ব্যর্থ হলেও লেখা পাবেন, চার মিনিটের খণ্ডে, «বক্তা শনাক্ত হয়নি» চিহ্ন দিয়ে।
ভাষা মেশানো কথোপকথনে ভাষা স্বয়ংক্রিয় রাখুন; এক ভাষার রেকর্ডিংয়ে কথ্য ভাষা বেছে দিলে কথা শনাক্তকরণ মডেলের সুবিধা হয়।
সময় জানা থাকে শুধু প্রতিটা চার মিনিটের টুকরোর দুই প্রান্তে; টুকরোর ভেতরের পালাগুলো সমান দূরত্বে বসানো হয় আর ~ দিয়ে চিহ্নিত থাকে। SRT, VTT আর CSV ফাইলে এই আন্দাজই থাকে, তাই সেগুলো রেকর্ডিংয়ের মোটামুটি সূচি হিসেবে কাজে লাগে, কথার সঙ্গে তাল রেখে চলা সাবটাইটেল হিসেবে নয়।
এই পাতা অন্য ভাষায়: English · العربية · Deutsch · Français · Español · Русский · Português · 中文 · हिन्दी · Türkçe · עברית · فارسی · اردو · Bahasa Indonesia