Go Toolstack

স্পিচ টু টেক্সট (অডিও ট্রান্সক্রিপশন)

অডিও বা ভয়েস রেকর্ডিং শুনে টেক্সট ট্রানস্ক্রিপ্ট তৈরি করুন।

স্পিচ টু টেক্সট (অডিও ট্রান্সক্রিপশন)

অডিও বা ভয়েস রেকর্ডিং শুনে টেক্সট ট্রানস্ক্রিপ্ট তৈরি করুন।

কীভাবে কাজ করে

1
Select Your File
Choose the file you want to process; your data is processed locally without uploads.
2
Configure Options
Adjust conversion, compression, or processing settings to suit your needs.
3
Process & Download
Run the task client-side in your browser and download the processed result.

এই ক্যাটাগরির অন্যান্য ক্লায়েন্ট-সাইড ইউটিলিটি ঘুরে দেখুন।

অডিও ও ভিডিও হাব • কাজের ধারা ও তুলনা নির্দেশিকা

সমস্ত অডিও ও ভিডিও টুল, ব্রাউজার সীমা এবং পছন্দ নির্দেশিকা অন্বেষণ করুন।

হাব দেখুন →
সাবটাইটেল সময় সিঙ্ক ও রূপান্তরকারী

ভিডিওর সাথে SRT ও WebVTT সাবটাইটেলের সময় মিলিয়ে নিন এবং ফরম্যাট রূপান্তর করুন।
টেক্সট টু স্পিচ (TTS)

লিখিত টেক্সটকে স্বাভাবিক প্রাকৃতিক কণ্ঠস্বরের ভয়েস অডিওতে রূপান্তর করুন।
অডিও নয়েজ ও হাম কমানো

ভয়েস রেকর্ডিং ও পডকাস্ট থেকে পটভূমির শোঁ শোঁ শব্দ ও হিস নয়েজ দূর করুন।
ভয়েস রেকর্ডার

মাইক্রোফোনের মাধ্যমে উচ্চমানের ভয়েস অডিও রেকর্ড করুন এবং সরাসরি ডাউনলোড করুন।
ভিডিও কাটার ও ট্রিমার

ভিডিওর অপ্রয়োজনীয় অংশ কেটে বাদ দিন এবং কাঙ্ক্ষিত অংশ সংরক্ষণ করুন।

সম্পর্কিত ব্লগ নির্দেশিকা

প্রযুক্তিগত গাইড, সমস্যা সমাধান এবং সেরা অভ্যাসের টিউটোরিয়াল

অডিও ও ভিডিও • ~4 মিনিট পাঠ

সাবটাইটেল SRT সময় শিফট ও WebVTT রূপান্তর: অডিও সিঙ্ক ও ফরম্যাট গাইড | GoToolstack

ভিডিওর সাথে মিল রেখে সাবটাইটেল এগিয়ে বা পিছিয়ে নেওয়ার (+/- মিলি-সেকেন্ড) নিয়ম। কমা বনাম ডট বিভাজন এবং ব্রাউজার ক্লায়েন্টে ১০০% অফলাইনে SRT থেকে VTT কনভার্সন।

গাইড পড়ুন →
ধারণা ও জ্ঞানের কেন্দ্র

স্পিচ টু টেক্সট: ব্রাউজার স্পিচ রিকগনিশন ও ট্রান্সক্রিপশন

স্পিচ টু টেক্সট: ব্রাউজার স্পিচ রিকগনিশন ও ট্রান্সক্রিপশন সম্পূর্ণ ক্লায়েন্ট-সাইড মেমোরিতে নিরাপদে কাজ করে। কোনো বাহ্যিক সার্ভারে ফাইল বা ডেটা আপলোড করা হয় না, ফলে আপনার তথ্যের শতভাগ গোপনীয়তা বজায় থাকে।

মূল আর্কিটেকচার ও গাণিতিক সূত্র

Konuşma Tanıma İş Akışı = Web Audio 16kHz Mono Dönüşümü → RMS Sessizlik Filtresi → 30sn Pencereleme → Whisper Enkoder/Dekoder (WebGPU/WASM) → Monoton Altyazı Üretimi (SRT/VTT)

Yerel ASR boru hattı: Çok kanallı sesi 16kHz mono Float32 dizisine indirgeme, RMS enerji eşiği (< -50 dBFS) filtreleme, 30.0 saniyelik pencereler, derin öğrenme çıkarımı ve doğrusal zaman damgası üretimi.

উন্নত ব্যবহারের নিয়মাবলী ও গাইডলাইন

  • : ব্রাউজার 5–10×
  • Keep Audio Under 100 MB for Browser RAM Stability: Web ব্রাউজারs allocate মেমোরি inside strict sandboxes. For very long recordings (over 60 minutes), compress or trim the audio file or extract audio before transcribing to prevent tab মেমোরি exhaustion.
  • Utilize RMS Silence Suppression: Whisper models can occasionally hallucinate repetitive phantom phrases during long stretches of pure silence or background ambient hiss; keeping silence suppression enabled prevents spurious hallucinated cues.
  • Review and Edit Proper Nouns: Deep learning speech models predict phonetic probabilities. Verify proper nouns, specialized acronyms, technical terms, and speaker names in the editable transcript table before final export.

সচরাচর জিজ্ঞাসিত প্রশ্নাবলী (FAQ)

Are my audio and video recordings uploaded to any cloud সার্ভারে?
না। The entire neural network inference, audio preprocessing, resampling, and text generation pipeline runs 100% locally inside your web ব্রাউজার. Neither your audio files nor the generated transcripts ever leave your device.
কীভাবে does the in-ব্রাউজারে Whisper model get downloaded?
Upon your explicit confirmation, the Whisper-Tiny model (~39 MB compressed, ~75 MB weights) is fetched once from verified content delivery networks and cached securely in your ব্রাউজার's Cache API. Subsequent visits load the model instantly from local cache without reডাউনলোডing.
কী happens if my ব্রাউজারে does not support WebGPU?
The tool automatically detects hardware capabilities. If WebGPU is unavailable or fails to initialize, it immediately falls back to quantized 8-bit WebAssembly (WASM) running on your CPU, ensuring reliable transcription across all modern ব্রাউজারs.
কেন does the tool generate segment-level timestamps instead of individual word timings?
সাবটাইটেল ফাইলকে স্ট্রাকচার্ড কিউ অবজেক্টে পার্স করে মিলিসেকেন্ড সমন্বয় করা হয় এবং আন্তর্জাতিক ASCII টাইমস্ট্যাম্প অক্ষুণ্ণ রেখে নতুন ফাইল তৈরি করা হয়।