টুলটি ব্রাউজারের ভেতরেই ভিডিওর অডিও ট্র্যাক বের করে, Whisper-এর প্রয়োজনীয় 16 kHz মোনো সিগন্যালে বদলে দেয় এবং ব্যাকগ্রাউন্ড ওয়ার্কারে ক্যাপশনের সময় তৈরি করে। সমর্থিত কম্পিউটারে WebGPU কাজটি দ্রুত করে; অন্য ব্রাউজার ধীর CPU পদ্ধতি ব্যবহার করে। এক্সপোর্টের আগে ক্যাপশনের লেখা এবং শুরু ও শেষের সময় দুটোই ঠিক করা যায়।
ভিডিওতে অটো সাবটাইটেল
পুরোটাই আপনার ব্রাউজারে চলে - কিছু আপলোড নেই, সাইন-আপ নেই।
ভিডিওতে কীভাবে অটো সাবটাইটেল যোগ করব?
ভিডিও যোগ করলেই এই অটো ক্যাপশন জেনারেটর ফাইল আপলোড না করে আপনার ডিভাইসে Whisper স্পিচ রিকগনিশন চালায়। সময়সহ তৈরি ক্যাপশন দেখে ভুল ঠিক করা যায়, তারপর SRT বা VTT হিসেবে ডাউনলোড করা যায়। প্রথমবার ব্যবহারের সময় ব্রাউজারকে AI মডেল ডাউনলোড করতে হবে।
যেভাবে ব্যবহার করবেন
- 1ভিডিও বেছে নিন. MP4, WebM, MOV, M4V বা MKV ফাইল টুলে ড্রপ করুন, অথবা আপলোডের জায়গায় ক্লিক করে বেছে নিন।
- 2সময়সহ ক্যাপশন তৈরি করুন. ক্যাপশন তৈরি করুন বোতামে ক্লিক করুন। প্রথমবার বহুভাষিক Whisper মডেল ডাউনলোড হওয়া পর্যন্ত অপেক্ষা করুন, তারপর ডিভাইসকে অডিও প্রসেস করতে দিন।
- 3প্রতিটি ক্যাপশন দেখুন. এডিটর থেকে ক্যাপশন চালিয়ে শুনুন, ভুল শব্দ ঠিক করুন এবং কোনো ক্যাপশন আগে বা পরে এলে তার শুরু বা শেষের সময় বদলান।
- 4ক্যাপশন ফাইল এক্সপোর্ট করুন. ভিডিও এডিটর ও প্ল্যাটফর্মে বেশি সমর্থনের জন্য SRT, আর HTML ভিডিও ও ওয়েব প্রকাশনার জন্য VTT ডাউনলোড করুন।
কাদের জন্য
- শর্ট ভিডিও নির্মাতারা ক্লিপ সাজানো বা চূড়ান্ত ভিডিওতে ক্যাপশন বসানোর আগে পড়তে সুবিধা হয় এমন লেখা তৈরি করতে পারেন।
- শিক্ষক ও প্রশিক্ষকেরা রেকর্ড করা পাঠ অনুসরণ করা সহজ করতে এবং আলাদা সাবটাইটেল ফাইল দিতে পারেন।
- পডকাস্টার ও সাক্ষাৎকার গ্রহণকারীরা প্রকাশের আগের ফুটেজ ক্লাউড ট্রান্সক্রিপশন সেবায় না পাঠিয়ে সময়সহ খসড়া তৈরি করতে পারেন।
- অ্যাক্সেসিবিলিটি পর্যালোচকেরা কথা, নাম, শব্দের সংকেত, সময় এবং পড়ার গতি যাচাই করার জন্য প্রথম খসড়া বানাতে পারেন।
সাধারণ প্রশ্ন
আমার ভিডিও কি কোনো সার্ভারে আপলোড হয়?
না। ব্রাউজার আপনার বেছে নেওয়া ফাইল পড়ে ডিকোড করা অডিও নমুনা একই ডিভাইসের ওয়ার্কারে পাঠায়। ওয়ার্কার Hugging Face থেকে Whisper মডেলের ফাইল ডাউনলোড করে, কিন্তু আপনার ভিডিও, অডিও বা ক্যাপশন আপলোড করে না। CanDoYa ফাইল গ্রহণ বা সংরক্ষণ করে না।
অটো ক্যাপশন জেনারেটর কি বিনামূল্যে ব্যবহার করা যায়?
হ্যাঁ। অ্যাকাউন্ট, টাকা, ক্যাপশন মিনিটের কোটা, ওয়াটারমার্ক বা এক্সপোর্ট লক নেই। ট্রান্সক্রিপশন আপনার ডিভাইসেই হয়, তাই বাস্তব খরচ হলো প্রসেসিংয়ের সময়, মেমোরি এবং প্রথমবার মডেল ডাউনলোড। সীমিত ডেটা প্যাকেজে এই ডাউনলোডের জন্য ডেটা খরচ হতে পারে।
কত বড় ও কত লম্বা ভিডিওতে সাবটাইটেল করা যাবে?
আপলোডার 500 MB পর্যন্ত ফাইল নেয়। মিনিটের নির্দিষ্ট সীমা নেই, তবে ডিকোডিং ও AI কাজ ডিভাইসে হওয়ায় লম্বা ভিডিওতে বেশি মেমোরি ও সময় লাগে। এক ঘণ্টার রেকর্ডিংয়ের জন্য আধুনিক ল্যাপটপ ব্যবহার করুন, বেশি মেমোরি নেওয়া ট্যাব বন্ধ করুন অথবা ভিডিও আগে ছোট ভাগে কেটে নিন।
কোন ভিডিও ফরম্যাট চলবে?
টুলটি MP4, WebM, MOV, M4V, MKV, AVI, MPEG এবং OGV কনটেইনার গ্রহণ করে। অডিও ডিকোড হবে কি না, তা আপনার ব্রাউজার ও অপারেটিং সিস্টেমের codec সমর্থনের ওপর নির্ভর করে। AAC অডিওসহ MP4 এবং Opus অডিওসহ WebM সাধারণত বেশি ব্রাউজারে চলে।
অটো সাবটাইটেল কি সম্পাদনা করা যাবে?
হ্যাঁ। প্রতিটি ক্যাপশনের লেখা, শুরু এবং শেষের সময় বদলানো যায়। কোনো ক্যাপশন চালালে প্রিভিউ তার শুরুতে যাবে, এরপর শনাক্তকরণের ভুল ও সময়ের সীমা ঠিক করুন। ক্যাপশন খালি থাকলে, শুরু হওয়ার আগে শেষ হলে বা ভিডিওর সময় ছাড়িয়ে গেলে এক্সপোর্ট বন্ধ থাকবে।
SRT আর VTT-এর পার্থক্য কী?
SRT বহুল সমর্থিত সাবটাইটেল ফরম্যাট, যা ভিডিও এডিটর ও প্রকাশনা প্ল্যাটফর্মে চলে। WebVTT একই রকম সময়সহ লেখা রাখে, তবে এটি ওয়েবের জন্য তৈরি এবং HTML video-এর track এলিমেন্টে সরাসরি কাজ করে। এই টুল কোনো ভিজ্যুয়াল স্টাইল যোগ বা ভিডিওতে লেখা স্থায়ী না করে দুই ফরম্যাটই এক্সপোর্ট করে।
WebGPU ছাড়া কি ক্যাপশন তৈরি হবে?
হ্যাঁ। টুল প্রথমে WebGPU চেষ্টা করে, কারণ সামঞ্জস্যপূর্ণ graphics processor-এ Whisper দ্রুত চলে। WebGPU না থাকলে বা ব্যর্থ হলে CPU-তে WebAssembly দিয়ে আবার চেষ্টা করে। এই বিকল্প বেশি ব্রাউজারে কাজ করে, তবে ফোন, পুরোনো কম্পিউটার বা লম্বা ভিডিওতে অনেক ধীর হতে পারে।
অটো ক্যাপশন কি অ্যাক্সেসিবিলিটির জন্য যথেষ্ট নির্ভুল?
এটি কাজে লাগার মতো খসড়া, চূড়ান্ত অ্যাক্সেসিবিলিটি উপকরণ নয়। কোলাহল, গান, একসঙ্গে কথা, উচ্চারণের ভিন্নতা, অপরিচিত নাম ও কারিগরি শব্দে ভুল হতে পারে। স্পিচ রিকগনিশন অনেক শব্দের বর্ণনা ও বক্তার লেবেলও বাদ দেয়। আনুষ্ঠানিক ক্লোজড ক্যাপশন প্রকাশের আগে ভিডিও দেখে গুরুত্বপূর্ণ কথাবিহীন সংকেত যোগ করুন।