बैच वीडियो/ऑडियो को टेक्स्ट में बदलने वाला टूल

वीडियो और ऑडियो फ़ाइलों को बल्क में ऑफ़लाइन टेक्स्ट में पहचानें, और एक क्लिक में TXT, SRT, VTT, JSON, LRC, CSV सहित कई सबटाइटल और टेक्स्ट फ़ॉर्मेट में निर्यात करें।

बग रिपोर्ट

टूल लोड हो रहा है, कृपया प्रतीक्षा करें...

यदि ऑनलाइन टूल लोड या रन नहीं हो सके, तो डेस्कटॉप टूल आज़माएँ। https://tools.yikeaigc.com/

टूल उपयोग

पुराने संस्करण पर लौटें

अधिक शक्तिशाली और स्थिर सुविधाओं वाला डेस्कटॉप संस्करण उपलब्ध है। डेस्कटॉप संस्करण खोलें

निर्देश

सॉफ़्टवेयर उपयोग निर्देश

पहचान के लिए फ़ाइलें जोड़ें:"फ़ाइल चुनें" या "फ़ोल्डर चुनें" बटन पर क्लिक करें, और जिन वीडियो या ऑडियो फ़ाइलों को टेक्स्ट में बदलना है उन्हें जोड़ें; आप फ़ाइलों या फ़ोल्डरों को सीधे सॉफ़्टवेयर विंडो में भी खींचकर छोड़ सकते हैं। MP4、MKV、MOV、AVI、FLV、WebM、MP3、WAV、FLAC、M4A जैसे सामान्य ऑडियो-वीडियो फ़ॉर्मैट को बैच में मिश्रित रूप से जोड़ने का समर्थन है।
सेव निर्देशिका सेट करें:प्रोसेस की गई सबटाइटल और टेक्स्ट फ़ाइलों को सेव करने का स्थान चुनें; ड्रैग करके सेट करने का समर्थन है। यदि "उप-निर्देशिकाएँ ब्राउज़ करें" चुना गया है, तो आप आगे "मूल पथ संरचना बनाए रखें" भी चुन सकते हैं; आउटपुट फ़ाइलें स्रोत फ़ोल्डर की निर्देशिका संरचना के साथ एक-से-एक मेल खाएँगी।
आउटपुट फ़ॉर्मैट चुनें:
- TXT：सादा टेक्स्ट, दस्तावेज़ और मीटिंग मिनट्स व्यवस्थित करने के लिए उपयुक्त
- SRT / VTT：टाइमस्टैम्प वाला सबटाइटल फ़ॉर्मैट, सीधे वीडियो में लगाकर उपयोग किया जा सकता है
- JSON：संरचित डेटा, द्वितीयक विकास और प्रोग्राम प्रोसेसिंग के लिए सुविधाजनक
- LRC：गीत फ़ॉर्मैट, संगीत और ऑडियोबुक के लिए उपयुक्त
- CSV：टेबल फ़ॉर्मैट, Excel में संपादन और प्रूफ़रीडिंग के लिए सुविधाजनक
पहचान पैरामीटर कॉन्फ़िगर करें:
- मॉडल पथ:डिफ़ॉल्ट रूप से Paraformer चीनी पहचान मॉडल, FSMN वॉइस एक्टिविटी डिटेक्शन और CT विराम-चिह्न मॉडल का उपयोग होता है
- बैच प्रोसेसिंग अवधि:एकल इन्फ़रेंस के लिए अधिकतम ऑडियो अवधि सेट करें
- VAD एकल खंड अधिकतम मिलीसेकंड:वॉइस सेगमेंट विभाजन की ग्रैन्युलैरिटी नियंत्रित करें
- हॉटवर्ड सूची:विशेष संज्ञाएँ, व्यक्तियों के नाम, ब्रांड शब्द भरें, ताकि पहचान सटीकता बेहतर हो
- छोड़ें/ओवरराइट रणनीति:पहले से मौजूद आउटपुट फ़ाइलों के लिए छोड़ना या ओवरराइट करना चुनें
बैच पहचान शुरू करें:"पहचान शुरू करें" बटन पर क्लिक करें; सॉफ़्टवेयर स्वचालित रूप से ऑडियो ट्रैक निकालेगा, वॉइस सेगमेंट विभाजित करेगा, इन्फ़रेंस ट्रांसक्रिप्शन करेगा और विराम-चिह्न जोड़ेगा। प्रोसेसिंग के दौरान लॉग क्षेत्र में प्रगति देखी जा सकती है; रोकने की आवश्यकता होने पर "रोकें" बटन पर क्लिक करें।
परिणाम देखें और उपयोग करें:पहचान पूरी होने के बाद सेट की गई सेव निर्देशिका में संबंधित फ़ॉर्मैट की फ़ाइलें देखें; SRT/VTT सबटाइटल को सीधे एडिटिंग सॉफ़्टवेयर या प्लेयर में खींचकर उपयोग किया जा सकता है।

सामान्य प्रश्न

उत्तर: वीडियो में MP4、MKV、MOV、AVI、FLV、WMV、WebM、M4V、MPG、TS、3GP、RMVB आदि समर्थित हैं; ऑडियो में MP3、WAV、FLAC、AAC、OGG、M4A、WMA、OPUS、AC3、AMR、APE आदि समर्थित हैं। एक ही बैच में वीडियो और ऑडियो फ़ाइलें मिश्रित रूप से जोड़ी जा सकती हैं; सॉफ़्टवेयर स्वचालित रूप से पहचान कर ऑडियो ट्रैक निकालेगा।

उत्तर: सॉफ़्टवेयर स्थानीय ऑफ़लाइन पहचान का उपयोग करता है, पूरी प्रक्रिया में इंटरनेट की आवश्यकता नहीं होती; मॉडल फ़ाइलें प्रोग्राम की रूट डायरेक्टरी के models फ़ोल्डर में रखी जाती हैं। FunASR के Paraformer चीनी मॉडल पर आधारित, यह मंदारिन पहचान में उच्च सटीकता देता है; हॉटवर्ड सूची के साथ विशेष संज्ञाओं, व्यक्तियों के नामों और शब्दावली की पहचान को और बेहतर किया जा सकता है।

उत्तर: TXT दस्तावेज़ों को व्यवस्थित करने और लेखन सामग्री के लिए उपयुक्त है; SRT और VTT सामान्य सबटाइटल फ़ॉर्मेट हैं, जिन्हें वीडियो और वेब प्लेयर में जोड़ा जा सकता है; JSON में पूर्ण टाइमस्टैम्प और सेगमेंट जानकारी होती है, जो द्वितीयक विकास के लिए सुविधाजनक है; LRC संगीत और ऑडियोबुक के लिए उपयुक्त है; CSV Excel में समय-खंडों के अनुसार प्रूफ़रीडिंग और संपादन के लिए सुविधाजनक है। एक साथ निर्यात करने के लिए कई फ़ॉर्मेट चुने जा सकते हैं।

उत्तर: हॉट वर्ड्स इनपुट बॉक्स में ऐसे विशेष संज्ञा शब्द भरें जिनकी पहचान में गलती होने की संभावना हो, जैसे व्यक्ति के नाम, कंपनी के नाम, उत्पाद के नाम, तकनीकी शब्दावली आदि। कई शब्दों को स्पेस या नई पंक्ति से अलग करें। पहचान इंजन इन शब्दों को प्राथमिकता से मिलाएगा, और वर्टिकल इंडस्ट्री कंटेंट, सेल्फ-मीडिया वॉइसओवर, एंटरप्राइज़ ट्रेनिंग आदि स्थितियों में इसका प्रभाव अधिक स्पष्ट होता है।

उत्तर: "सबडायरेक्टरी ट्रैवर्स करें" चुनने के बाद यह विकल्प उपलब्ध होता है। इसे चालू करने पर, आउटपुट फ़ाइलें स्रोत फ़ोल्डर के भीतर मौजूद डायरेक्टरी स्तर संरचना के अनुसार संबंधित सबडायरेक्टरी में बनाई जाएंगी, जिससे बड़ी मात्रा में सामग्री को आर्काइव और प्रबंधित करना आसान होता है। यदि समान फ़ाइल नाम मिलते हैं, तो अंतर बताने के लिए फ़ाइल नाम के अंत में स्वचालित रूप से संख्या जोड़ दी जाएगी।

उत्तर: सॉफ़्टवेयर में अंतर्निहित VAD वॉइस एक्टिविटी डिटेक्शन है, जो पहले मौन खंडों के आधार पर लंबे ऑडियो को स्वचालित रूप से काटता है, फिर "बैच प्रोसेसिंग अवधि" पैरामीटर के अनुसार खंडों में पहचान मॉडल को भेजता है। सिद्धांततः कई घंटों के लंबे वीडियो को भी पूर्ण रूप से संसाधित किया जा सकता है। पहचान की गति कंप्यूटर के CPU प्रदर्शन से संबंधित है। बड़ी मात्रा में सामग्री संसाधित करते समय अन्य उच्च-उपयोग वाले प्रोग्राम बंद करने की सलाह दी जाती है।

उत्तर: डिफ़ॉल्ट मॉडल चीनी Paraformer है, जो मानक मंदारिन और चीनी-अंग्रेज़ी मिश्रित सामग्री के लिए अच्छा समर्थन देता है; कैंटोनीज़, सिचुआन बोली, मिन्नान बोली आदि बोलियों की पहचान का प्रभाव अपेक्षाकृत सामान्य है। यदि सामग्री मुख्य रूप से बोली में है, तो पहले उच्चारण की आदतों को समायोजित करने या डिफ़ॉल्ट पथ को अधिक उपयुक्त मॉडल से बदलने की सलाह दी जाती है।

उत्तर: सॉफ़्टवेयर डिफ़ॉल्ट रूप से CT-Punc विराम चिह्न मॉडल सक्षम करता है, जो पहचान परिणामों में स्वचालित रूप से अल्पविराम, पूर्णविराम, प्रश्नवाचक चिह्न आदि विराम चिह्न जोड़ता है। यदि विराम चिह्न नहीं दिखते हैं, तो कृपया जाँचें कि पैरामीटर में विराम चिह्न मॉडल पथ models फ़ोल्डर के अंतर्गत ct-punc निर्देशिका की ओर सही ढंग से इंगित कर रहा है या नहीं, और सुनिश्चित करें कि मॉडल फ़ाइलें पूर्ण हैं।