यह कैसे काम करता है
- वीडियो डालें। आवाज़ आपके कंप्यूटर पर ही निकाली जाती है।
- सबटाइटल बनाएँ। पहली बार स्पीच मॉडल डाउनलोड होता है (तेज़ के लिए लगभग 80 MB, सटीक के लिए 250 MB) और आपके ब्राउज़र में सेव रहता है — अगली बार तुरंत शुरू हो जाता है। फिर पहचान आपके प्रोसेसर पर चलती है; आपकी आवाज़ डिवाइस से बाहर नहीं जाती।
- एडिट करें। किसी समय पर क्लिक करके वहाँ पहुँचें, सूची में टेक्स्ट सुधारें, पंक्तियाँ हटाएँ, या सबटाइटल जल्दी या देर से हों तो सबको खिसकाएँ।
- सेव करें। .srt या .vtt फ़ाइल डाउनलोड करें, या सबटाइटल तस्वीर में जुड़ा वीडियो सेव करें।
तस्वीर में जोड़ें या अलग फ़ाइल?
- तस्वीर में जुड़े (ओपन कैप्शन) — तस्वीर का हिस्सा होते हैं, हर जगह दिखते हैं: Instagram, TikTok, LinkedIn, WhatsApp, कोई भी टीवी। ज़्यादातर सोशल वीडियो बिना आवाज़ के देखे जाते हैं, इसलिए सोशल मीडिया के लिए आम तौर पर यही चुना जाता है। वीडियो दोबारा एन्कोड होता है।
- वीडियो के बगल में .srt (क्लोज़्ड कैप्शन) — देखने वाले इन्हें चालू या बंद कर सकते हैं। इसका नाम वीडियो जैसा रखें (
holiday.mp4+holiday.srt) और VLC, Plex, Kodi और ज़्यादातर स्मार्ट टीवी इसे अपने-आप उठा लेते हैं। YouTube और Vimeo भी SRT और VTT अपलोड स्वीकार करते हैं।
यह कितना सटीक है?
शांत कमरे में साफ़ बोली के लिए Whisper ज़्यादातर शब्द सही पहचानता है; नाम, ब्रांड और तकनीकी शब्द वे जगहें हैं जहाँ आपको सुधार करने होंगे। बैकग्राउंड का संगीत, एक साथ कई लोगों का बोलना और तेज़ लहजा सटीकता घटाते हैं। “सटीक” बड़े मॉडल का इस्तेमाल करता है और साफ़ तौर पर कम गलतियाँ करता है, लगभग एक-तिहाई गति पर।
इसमें कितना समय लगता है?
पिछले कुछ सालों के एक आम लैपटॉप पर तेज़ मॉडल बोली को रियल टाइम से लगभग 3–4 गुना तेज़ प्रोसेस करता है — 10 मिनट का वीडियो करीब 3 मिनट में। सटीक लगभग रियल टाइम पर चलता है। पुराने या कम पावर वाले कंप्यूटर धीमे होते हैं; काम के दौरान आप दूसरे टैब इस्तेमाल कर सकते हैं।
भाषाएँ और अनुवाद
Whisper लगभग 100 भाषाएँ पहचानता है और भाषा खुद ही पता कर लेता है। वह बोली को अंग्रेज़ी सबटाइटल में अनुवाद भी कर सकता है: “अंग्रेज़ी (अनुवाद)” चुनें — किसी दूसरी भाषा में रिकॉर्ड हुए वीडियो को अंग्रेज़ी जानने वाले दर्शकों के साथ शेयर करने के लिए उपयोगी।
डिज़ाइन से ही निजी
ज़्यादातर सबटाइटल जनरेटर आपका वीडियो अपने सर्वर पर अपलोड करते हैं और प्रति मिनट पैसे लेते हैं। यहाँ मॉडल आपके ब्राउज़र में लोकल चलता है, इसलिए न अपलोड है, न समय की सीमा और न सब्सक्रिप्शन — इंटरव्यू, आंतरिक मीटिंग और हर गोपनीय चीज़ के लिए उपयोगी।
अक्सर पूछे जाने वाले सवाल
क्या यह मुफ़्त है?
हाँ, मिनटों की कोई सीमा नहीं, कोई वॉटरमार्क नहीं और साइन-अप भी नहीं।
क्या मेरा वीडियो अपलोड होता है?
नहीं। सिर्फ़ स्पीच मॉडल Hugging Face से एक बार डाउनलोड होता है; आपका वीडियो और आवाज़ आपके कंप्यूटर पर ही रहते हैं।
SRT और VTT में क्या अंतर है?
दोनों सादे टेक्स्ट वाली सबटाइटल फ़ाइलें हैं। SRT लगभग हर प्लेयर और टीवी पर चलती है; VTT वेब मानक है, जो HTML5 प्लेयर में इस्तेमाल होता है। जो भी आपका प्लेटफ़ॉर्म माँगे, वही डाउनलोड करें।
क्या अपनी SRT फ़ाइल जोड़कर उसे वीडियो में जोड़ा जा सकता है?
हाँ — “SRT/VTT इंपोर्ट करें” इस्तेमाल करें, टाइमिंग जाँचें और सबटाइटल जुड़ा वीडियो सेव करें।
पहली बार इतना धीमा क्यों है?
स्पीच मॉडल को एक बार डाउनलोड करना पड़ता है (80–250 MB)। उसके बाद वह आपके ब्राउज़र में सेव रहता है।
पिछला अपडेट: 30/10/2026