क्लाउड चरण
रिकॉर्डिंग डालिए — मीटिंग, इंटरव्यू, लेक्चर, वॉइस नोट — और वक्ताओं में बँटा साफ़ ट्रांसक्रिप्ट पाइए, जिसे आप Word, PDF, सादा टेक्स्ट, सबटाइटल या स्प्रेडशीट के रूप में एक्सपोर्ट कर सकते हैं।
यह असली बातचीत के लिए बना है, उनके लिए भी जो वाक्य के बीच में भाषा बदलती हैं — जैसे हिन्दी और अंग्रेज़ी का मेल — और टेक्स्ट को एक लंबे ब्लॉक की जगह वक्ताओं में बाँटता है; वक्ता बातचीत से अनुमानित होते हैं, आवाज़ से पहचाने नहीं जाते।
इस साइट के बाक़ी टूल से अलग, ट्रांसक्रिप्शन सर्वर इस्तेमाल करता है: यह साइट आपके डिवाइस पर वाक्-पहचान नहीं चलाती। कुछ भी भेजने से पहले पेज पूछता है। रिकॉर्डिंग चार-चार मिनट के टुकड़ों में, आपकी फ़ाइल के नाम के बिना, हमारे सर्वर और Lovable के AI गेटवे से होकर OpenAI के स्पीच-रिकग्निशन मॉडल तक जाती है, और टेक्स्ट सँवारने के लिए Google के Gemini तक। हमारा सर्वर इनमें से कुछ नहीं सहेजता; वे सेवाएँ अपनी शर्तों पर चलती हैं।
इनके लिए नहीं: ख़राब रिकॉर्डिंग पर पूरी सटीकता — तेज़ बैकग्राउंड शोर और एक-दूसरे के ऊपर बोलते लोग अब भी ग़लतियाँ कराते हैं।
"ट्रांसक्राइब करें" दबाने पर खुलने वाले डायलॉग में जब तक आप हाँ न कहें, कुछ नहीं भेजा जाता — जब तक आपने "हर बार मुझसे पूछें" का निशान हटाकर दोबारा न पूछे जाने का विकल्प न चुना हो। फिर आपका ब्राउज़र रिकॉर्डिंग, या वीडियो की आवाज़, डिकोड करता है, उसे 16 kHz पर एक चैनल में मिलाता है और चार-चार मिनट के टुकड़ों में काटता है; हर टुकड़ा part-1.wav, part-2.wav जैसे नाम वाली WAV फ़ाइल के रूप में भेजा जाता है: आवाज़, आपकी फ़ाइल के नाम के बिना।
हर टुकड़ा Lovable Cloud पर हमारे सर्वर फ़ंक्शन तक जाता है, जो उसे Lovable के AI गेटवे से OpenAI के gpt-4o-transcribe स्पीच मॉडल तक भेजता है, साथ में आपकी कस्टम शब्दावली, आपने भाषा चुनी हो तो वह, और अब तक ट्रांसक्राइब हुए टेक्स्ट के आख़िरी 1,200 अक्षर। सभी टुकड़ों का टेक्स्ट, आपके लिखे वक्ताओं के नाम और शब्दावली के साथ, इसी रास्ते Google के Gemini मॉडल तक जाता है, ताकि वह वक्ताओं में बाँटा जाए और उसे शीर्षक, सारांश और अध्याय मिलें; और तैयार ट्रांसक्रिप्ट एक बार और, मुख्य बिंदुओं और करने योग्य कार्यों के लिए।
हमारे फ़ंक्शन न आवाज़ स्टोरेज में लिखते हैं, न टेक्स्ट। वे घंटे की सीमा के लिए हर अनुरोध के साथ आपका IP पता दर्ज करते हैं, और दो घंटे से पुराना होते ही उसे हटा देते हैं। Lovable, OpenAI और Google क्या रखते हैं, यह उनकी अपनी शर्तें तय करती हैं। "लाइब्रेरी में सहेजें" ट्रांसक्रिप्ट को इस ब्राउज़र में रखता है, या साइन इन हों तो आपके अकाउंट में; "साझा लिंक" एक्सपोर्ट की गई फ़ाइल को 24 घंटे के लिए हमारी स्टोरेज पर अपलोड करता है, जैसा पेज पर बटन के पास लिखा है।
हमारा सर्वर एक IP पते से प्रति घंटा तीस टुकड़े लेता है, यानी दो घंटे की आवाज़। अगर कोई टुकड़ा अस्वीकार हो या फ़ेल हो जाए, तो पूरे हो चुके टुकड़े बने रहते हैं, और "विफल रिकॉर्डिंग फिर आज़माएँ" शुरू से दोबारा करने के बजाय फ़ेल हुए टुकड़े से आगे बढ़ता है।
वक्ता उनकी आवाज़ से नहीं पहचाने जाते। Gemini उन्हें टेक्स्ट से अनुमानित करता है — सवालों, जवाबों, अभिवादन और बोले गए नामों से — और आपके लिखे अपेक्षित वक्ताओं के नाम अपने लेबल में इस्तेमाल करता है। अगर यह चरण फ़ेल हो, तब भी आपको टेक्स्ट मिलता है, चार-चार मिनट के ब्लॉक में, जिन पर "वक्ता की पहचान नहीं हुई" लिखा होता है।
जो बातचीत कई भाषाएँ मिलाती है, उसके लिए भाषा "अपने-आप पहचानें" पर छोड़िए; एक ही भाषा वाली रिकॉर्डिंग में स्पीच मॉडल की मदद के लिए बोली गई भाषा चुनिए।
समय सिर्फ़ हर चार मिनट वाले टुकड़े के किनारों पर पता होता है; टुकड़े के भीतर की बारियाँ बराबर दूरी पर रखी जाती हैं और ~ से चिह्नित होती हैं। SRT, VTT और CSV फ़ाइलों में यही अनुमान होते हैं, इसलिए वे रिकॉर्डिंग में मोटी-मोटी अनुक्रमणिका का काम करते हैं, बोली के साथ-साथ चलने वाले सबटाइटल का नहीं।
यह पेज अन्य भाषाओं में: English · العربية · Deutsch · Français · Español · Русский · Português · 中文 · Türkçe · עברית · فارسی · اردو · Bahasa Indonesia · বাংলা