کلاؤڈ مرحلہ
ریکارڈنگ دیں — میٹنگ، انٹرویو، لیکچر، وائس نوٹ — اور بولنے والوں کے لحاظ سے تقسیم شدہ صاف ٹرانسکرپٹ واپس لیں، جسے Word، PDF، سادہ متن، سب ٹائٹل یا اسپریڈشیٹ کی صورت میں ایکسپورٹ کیا جا سکتا ہے۔
یہ حقیقی گفتگو کے لیے بنا ہے، ان کے لیے بھی جو جملے کے بیچ زبان بدل لیتی ہیں، اور یہ متن کو ایک بلاک میں دینے کے بجائے بولنے والوں کے لحاظ سے تقسیم کرتا ہے؛ بولنے والوں کا اندازہ گفتگو سے لگایا جاتا ہے، آواز سے انہیں پہچانا نہیں جاتا۔
اس سائٹ کے باقی ٹولز کے برعکس، ٹرانسکرپشن سرور استعمال کرتی ہے: یہ سائٹ آپ کے آلے پر آواز کی شناخت نہیں چلاتی۔ کچھ بھیجنے سے پہلے صفحہ آپ سے پوچھتا ہے۔ ریکارڈنگ چار چار منٹ کے ٹکڑوں میں، فائل کے نام کے بغیر، ہمارے سرور اور Lovable کے AI گیٹ وے سے ہوتی ہوئی OpenAI کے اسپیچ ریکگنیشن ماڈل تک جاتی ہے، اور متن صفائی کے لیے Google کے Gemini کو۔ ہمارا سرور ان میں سے کچھ محفوظ نہیں کرتا؛ وہ سروسز اپنی شرائط پر چلتی ہیں۔
ان کے لیے نہیں: خراب ریکارڈنگز پر مکمل درستی — پس منظر کا زیادہ شور اور ایک دوسرے کے اوپر بولتے لوگ اب بھی غلطیاں کرواتے ہیں۔
جب تک آپ اس ڈائیلاگ میں اجازت نہ دیں جو «نقل کریں» دبانے پر کھلتا ہے، کچھ نہیں بھیجا جاتا، سوائے اس کے کہ آپ پہلے «ہر بار مجھ سے پوچھیں» کا نشان ہٹا چکے ہوں۔ پھر آپ کا براؤزر ریکارڈنگ، یا ویڈیو کی آواز، کو ڈی کوڈ کرتا ہے، اسے 16 kHz پر ایک چینل میں ملاتا ہے اور چار چار منٹ کے ٹکڑوں میں کاٹتا ہے، اور ہر ٹکڑا part-1.wav، part-2.wav وغیرہ نام کی WAV فائل کے طور پر جاتا ہے: صرف آواز، آپ کی فائل کے نام کے بغیر۔
ہر ٹکڑا Lovable Cloud پر ہمارے سرور فنکشن کو جاتا ہے، جو اسے Lovable کے AI گیٹ وے سے OpenAI کے gpt-4o-transcribe اسپیچ ماڈل تک پہنچاتا ہے، ساتھ آپ کے «مخصوص الفاظ»، زبان اگر آپ نے چنی ہو، اور پہلے سے تحریر شدہ متن کے آخری 1,200 حروف۔ سب ٹکڑوں کا متن، آپ کے لکھے ہوئے بولنے والوں کے ناموں اور الفاظ کے ساتھ، اسی راستے Google کے Gemini ماڈل کو جاتا ہے تاکہ بولنے والوں میں تقسیم ہو اور اسے عنوان، خلاصہ اور ابواب ملیں، اور تیار ٹرانسکرپٹ ایک بار پھر اہم نکات اور کرنے کے کاموں کے لیے۔
ہمارے فنکشن نہ آواز کو اسٹوریج میں لکھتے ہیں نہ متن کو۔ وہ گھنٹے کی حد کے لیے ہر درخواست کے ساتھ آپ کا IP ایڈریس درج کرتے ہیں، اور دو گھنٹے سے پرانا ہونے پر مٹا دیتے ہیں۔ Lovable، OpenAI اور Google کیا رکھتے ہیں، یہ ان کی اپنی شرائط طے کرتی ہیں۔ «لائبریری میں محفوظ کریں» ٹرانسکرپٹ کو اسی براؤزر میں، یا سائن ان ہوں تو آپ کے اکاؤنٹ میں رکھتا ہے؛ «شیئر لنک» ایکسپورٹ کی گئی فائل کو 24 گھنٹے کے لیے ہمارے اسٹوریج پر اپ لوڈ کرتا ہے، جیسا کہ صفحہ بٹن کے ساتھ بتاتا ہے۔
ہمارا سرور ایک IP ایڈریس سے فی گھنٹہ تیس ٹکڑے قبول کرتا ہے، یعنی دو گھنٹے کی آواز۔ اگر کوئی ٹکڑا رد ہو یا ناکام ہو تو مکمل ہو چکے ٹکڑے محفوظ رہتے ہیں، اور «ناکام ریکارڈنگز دوبارہ آزمائیں» شروع سے دوبارہ کرنے کے بجائے ناکام ٹکڑے سے کام آگے بڑھاتا ہے۔
بولنے والوں کو ان کی آواز سے نہیں پہچانا جاتا۔ Gemini متن سے ان کا اندازہ لگاتا ہے — سوالوں، جوابوں، سلام دعا اور بلند آواز میں لیے گئے ناموں سے — اور لیبلوں کے لیے وہ متوقع نام استعمال کرتا ہے جو آپ لکھیں۔ اگر یہ مرحلہ ناکام ہو تو بھی متن ملتا ہے، چار چار منٹ کے بلاکوں میں، «بولنے والا معلوم نہیں» کے نشان کے ساتھ۔
ملی جلی زبانوں والی گفتگو کے لیے زبان خودکار رہنے دیں، یا ایک زبان والی ریکارڈنگ میں اسپیچ ماڈل کی مدد کے لیے بولی جانے والی زبان چن لیں۔
اوقات صرف ہر چار منٹ کے ٹکڑے کے کناروں پر معلوم ہوتے ہیں؛ ٹکڑے کے اندر کی باریاں برابر فاصلے پر رکھی جاتی ہیں اور ~ سے نشان زد ہوتی ہیں۔ SRT، VTT اور CSV فائلیں یہی اندازے رکھتی ہیں، اس لیے وہ ریکارڈنگ کی موٹی فہرست کا کام دیتی ہیں، بولنے کے ساتھ ساتھ چلنے والے سب ٹائٹل کا نہیں۔
یہ صفحہ دوسری زبانوں میں: English · العربية · Deutsch · Français · Español · Русский · Português · 中文 · हिन्दी · Türkçe · עברית · فارسی · Bahasa Indonesia · বাংলা