“हम चार, नहीं, छह फ़ोल्डर लेंगे।” कोई पहचान प्रणाली इस वाक्य को सही ढंग से ट्रांसक्राइब कर सकती है। आसानी से पढ़े जा सकने वाले सबटाइटल के लिए आप दोहराव को छोटा करना चाह सकते हैं। ऐसा करते समय छह को वापस चार नहीं बनना चाहिए। इसलिए ध्वनि से टेक्स्ट फ़ाइल तक का तकनीकी रास्ता संपादकीय काम की केवल शुरुआत है।
whisper.cpp स्थानीय स्पीच रिकग्निशन का दस्तावेज़ीकरण करता है, जिसमें CPU समर्थन भी शामिल है। उपयुक्त मॉडल और रनटाइम फ़ाइलें तैयार करनी होंगी। केवल-अंग्रेज़ी और बहुभाषी वेरिएंट, साथ ही ट्रांसक्रिप्शन और अनुवाद, अलग-अलग निर्णय हैं; स्थानीय रूप से शुरू किया गया प्रोग्राम अपने आप वह कार्य नहीं करता जो आप चाहते हैं।
स्रोत भाषा और लक्ष्य तय करना
पहले तय करें कि जो कहा गया है उसे उसकी अपनी भाषा में रखा जाए या अंग्रेज़ी में प्रस्तुत किया जाए। जर्मन ट्रांसक्रिप्ट वाली जर्मन रिकॉर्डिंग अंग्रेज़ी अनुवाद से अलग काम है। पहले उद्देश्य के लिए एक धाराप्रवाह अंग्रेज़ी टेक्स्ट फिर भी गलत परिणाम होगा।
ये सर्वर निर्देश स्रोत भाषा से अंग्रेज़ी में अनुवाद के लिए –translate का उपयोग करते हैं; –language बोली गई भाषा का वर्णन करता है। अपनी वास्तविक कॉल के लिए, अलग-अलग उदाहरणों की सेटिंग्स मिलाने के बजाय विकल्प संबंधित सहायता से लें।
अपनी एक छोटी रिकॉर्डिंग तैयार करना
कुछ गैर-संवेदनशील वाक्य स्वयं रिकॉर्ड करें: मात्रा में एक बदलाव, एक काल्पनिक व्यक्तिवाचक नाम और “केवल दोबारा पुष्टि करने के बाद” जैसी कोई शर्त। ज्ञात शब्दांकन पहले से लिख लें। जानबूझकर रखा गया एक छोटा विराम भी शब्द-पहचान और समय में विभाजन को अलग रखने में मदद करता है।
तैयार किया गया स्थानीय वातावरण और मेल खाता ऑडियो फ़ॉर्मैट उपयोग करें। पहले एक ऐसा टेक्स्ट आधार बनाएँ जो बोले गए शब्दों के करीब रहे। संख्या और नाम वाले अंशों को दोबारा सुनें और जो कुछ भी अस्पष्ट हो उसे चिह्नित करें। आपकी नामों की सूची से अपेक्षित वर्तनी को चुपचाप किसी ऐसे अंश की जगह नहीं लेनी चाहिए जो वास्तव में अस्पष्ट है।
इस आधार को बाद के संक्षिप्त सबटाइटल संस्करण से अलग रखें। इस तरह आप पता लगा सकते हैं कि कौन-सा बदलाव पहचान से आया है और कौन-सा आपके संपादकीय काम से। यह लेख विधि प्रदान करता है, यहाँ किया गया कोई ट्रांसक्रिप्शन नहीं।
समय फ़ाइल फ़ॉर्मैट का हिस्सा बन जाता है
सबटाइटल ट्रैक टेक्स्ट को किसी समय-अवधि की शुरुआत और अंत से जोड़ता है। W3C विनिर्देश का WebVTT फ़ॉर्मैट ऐसे समय-संरेखित टेक्स्ट खंडों का वर्णन करता है। हमारा अपना एक सरल फ़ॉर्मैट उदाहरण ऐसा दिखता है; इसके समय शिक्षण हेतु मान हैं और वास्तविक रिकॉर्डिंग के लिए इन्हें समायोजित करना होगा:
WEBVTT
00:00:00.000 --> 00:00:04.000
We need six folders for the course.
00:00:04.500 --> 00:00:07.000
Open sealed material only after checking back.वास्तव में उपयुक्त रूप से संपादित टेक्स्ट को UTF-8 फ़ाइल के रूप में सहेजें और उसे संबंधित रिकॉर्डिंग के साथ किसी उपयुक्त प्लेयर या सबटाइटल टूल में जाँचें। टेक्स्ट, टाइमिंग और पठनीयता तीन अलग-अलग अवलोकन हैं। एक सही पंक्ति बहुत जल्दी दिख सकती है या बहुत कम समय तक दिखाई दे सकती है।
पंक्ति-विराम अर्थपूर्ण इकाइयों पर रखें। अकेला खड़ा “नहीं” जल्दी पढ़ते समय गलत समझा जा सकता है। अनुमोदन की कोई शर्त भी अनुपयुक्त कट के कारण गायब होने के बजाय अपने संदर्भ में पहचानने योग्य बनी रहनी चाहिए।
मूल ऑडियो, ट्रांसक्रिप्ट और सबटाइटल को एक ही फ़ाइल स्टेम लेकिन अलग-अलग एक्सटेंशन दें। भाषा और संपादन की स्थिति पर एक छोटा नोट किसी पुराने अनूदित संस्करण को गलती से नई मूल रिकॉर्डिंग के बगल में पहुँचने से रोकता है।
स्थानीय वर्कफ़्लो क्या दर्शाता है
इस नमूने से आप जाँच सकते हैं कि आपका तैयार सेट-अप वह टेक्स्ट देता है या नहीं जो आप चाहते हैं, और सबटाइटल को कितने संपादन की आवश्यकता है। यह सभी भाषाओं, लहजों या पृष्ठभूमि शोर में पहचान की गुणवत्ता के बारे में सामान्य रूप से कुछ नहीं बताता।
इसके बाद अनुवाद का एक दौर अलग परीक्षण है। इसके लिए केवल वर्तनी की नहीं, बल्कि अर्थ की तुलना आवश्यक है। यदि एक ही रिकॉर्डिंग में कई भाषाएँ हैं, तो आपको संबंधित अंशों को सुनकर की जाने वाली जाँच में स्पष्ट रूप से शामिल करना चाहिए।
स्थानीय प्रोसेसिंग का लाभ आपके अपने ऐसे कार्य-मार्ग में है जिसे आप नामित कर सकते हैं। उपयोगी सबटाइटल तब बनते हैं जब आप इस मार्ग को वास्तविक रिकॉर्डिंग से जोड़ते हैं: सही कार्य चुनें, शब्दांकन जाँचें, सोच-समझकर संपादित करें और टेक्स्ट की उसके टाइमस्टैम्प के साथ समीक्षा करें।
स्रोत और स्थिति
25 अक्टूबर 2026 की स्थिति के अनुसार स्रोत। whisper.cpp README · whisper.cpp सर्वर उदाहरण विकल्प।
W3C: WebVTT फ़ॉर्मैट पर एक पूरक स्रोत के रूप में।
