বক্তার লেবেল (কে কী বলেছেন) সহ একটি ইন্টারভিউ ট্রান্সক্রাইব করুন
একটি বিনামূল্যের ডেস্কটপ অ্যাপ যা আপনি একবার ইনস্টল করেন (Windows, macOS, Linux)। আপনার রেকর্ডিং আপনার কম্পিউটারে প্রসেস করা হয়, এবং কোনো অ্যাকাউন্টের প্রয়োজন নেই।
অ্যাপটি কণ্ঠস্বরগুলো আলাদা করে এবং সেগুলোকে Speaker 00, Speaker 01 ইত্যাদি হিসেবে লেবেল করে। আপনি নাম পরিবর্তন না করা পর্যন্ত এটি কেউ কে তা জানে না। অনুরূপ কণ্ঠস্বর, ছোট উত্তর, ওভারল্যাপিং স্পিচ এবং ব্যাকগ্রাউন্ড নয়েজ ভুল লেবেলের কারণ হতে পারে। শুরু করতে, ট্রান্সক্রাইব করুন ট্যাবে বক্তা শনাক্ত করুন টিক চিহ্নিত করুন এবং ট্রান্সক্রাইব করুন চাপুন।
আপনি শুরু করার আগে
Windows এবং Mac বিল্ডগুলোতে স্পিকার-ডিটেকশন মডেলগুলো অন্তর্ভুক্ত থাকে। শুধুমাত্র অফিসিয়াল GitHub রিলিজ পেজ থেকে অ্যাপটি নিন; ইনস্টলারটি কোড-সাইন করা নয়, তাই Windows সতর্ক করতে পারে (আরও তথ্য > তবুও চালান)। এছাড়াও হোম পেজ এবং ইনস্টল গাইড দেখুন।
একটি ট্রান্সক্রিপ্টে কীভাবে বক্তার লেবেল যোগ করবেন
- রেকর্ডিংটি যোগ করুন। ট্রান্সক্রাইব করুন ট্যাবে, একটি অডিও বা ভিডিও ফাইল টেনে আনুন বা ফাইল ব্রাউজ করুন...-এ ক্লিক করুন। ভিডিও ডাউনলোড ট্যাব থেকে একটি লিঙ্কও কাজ করে, কারণ এটি একই ট্রান্সক্রাইব করুন সেটিংস ব্যবহার করে।
- ভাষা নির্বাচন করুন, বা অটো-তে রাখুন।
- বক্তা শনাক্ত করুন টিক চিহ্নিত করুন। বক্সে যদি বক্তা শনাক্ত করুন (অনুপলভ্য) লেখা থাকে, তবে কারণটি দেখতে এর উপর কার্সর রাখুন। এর নিচের Speakers পিকারটি চালু হয়: এটি অটো-তে রাখুন, বা ঠিক ততজন মানুষকে বাধ্য করতে ২ থেকে ১০ পর্যন্ত একটি সংখ্যা বেছে নিন।
- ঐচ্ছিক: প্রতিটি বাক্যের পরিবর্তে প্রতিটি শব্দের শুরু এবং শেষের সময় সংরক্ষণ করতে প্রতি শব্দের টাইমস্ট্যাম্প টিক চিহ্নিত করুন। আউটপুটটি বড় হয়ে যাবে।
- এক্সপোর্ট ফরম্যাটগুলো নির্বাচন করুন। উন্নত সেটিংস…-এ ক্লিক করুন এবং আউটপুট ফরম্যাট-এর অধীনে DOCX এবং PDF টিক চিহ্নিত করুন। SRT, TXT, Markdown এবং JSON-এও লেবেলগুলো থাকে। JSON টিক চিহ্নিত রাখুন: এটি একটি JSON ফাইল যা অ্যাপটি ট্রান্সক্রিপ্ট ভিউয়ার খুলতে ব্যবহার করে, যা আপনার শেষ ধাপের জন্য প্রয়োজন।
- ট্রান্সক্রাইব করুন-এ ক্লিক করুন। স্পিকার ডিটেকশন ট্রান্সক্রিপশনের পরে চলে এবং প্রসেসিং টাইম যোগ করে। তারপর সর্বশেষ ফলাফল কার্ড থেকে ট্রান্সক্রিপ্ট দেখুন খুলুন।
- সাধারণ লেবেলগুলো নাম দিয়ে প্রতিস্থাপন করুন। ভিউয়ারে, Speaker কলামের একটি সেলে ডান-ক্লিক করুন, 'Speaker 00' নাম পরিবর্তন করুন (সর্বত্র)... বেছে নিন, নামটি টাইপ করুন এবং পরিবর্তন সংরক্ষণ করুন (Ctrl+S)-এ ক্লিক করুন। এর পাশের Word এবং টেক্সট ফাইলগুলো পুনরায় তৈরি করা হয় যখন সেগুলো এখনও মূল ট্রান্সক্রিপ্টের সাথে মিলে যায়; একটি PDF-এর ক্ষেত্রে এমন হয় না, তাই নাম পরিবর্তনের পরে এটি আবার এক্সপোর্ট করুন।
লেবেলগুলো দেখতে কেমন
প্রতিটি সেগমেন্ট তার বক্তা দিয়ে শুরু হয়। একটি Word বা PDF ট্রান্সক্রিপ্টে লাইনটি হলো একটি টাইমস্ট্যাম্প, বক্তা বোল্ডে, তারপর টেক্সট। SRT, VTT এবং TXT টেক্সটের সামনে Speaker 00: রাখে, ASS এটি তার নিজস্ব নাম ফিল্ডে রাখে, এবং JSON এটিকে একটি স্পিকার ফিল্ড হিসেবে সংরক্ষণ করে। শেয়ারযোগ্য ওয়েব পেজটিও এটি দেখায়। নিচের লাইনগুলো লেআউটের একটি চিত্রণ, বাস্তব আউটপুট নয়:
[00:00:04] Speaker 00: So where do we start?
[00:00:07] Speaker 01: With the recording itself.জেনে রাখা ভালো
- প্রতিটি সেগমেন্টে একটি লেবেল। প্রতিটি ট্রান্সক্রিপ্ট সেগমেন্ট সেই বক্তাকে পায় যার সনাক্ত করা বক্তৃতা এর সাথে সবচেয়ে বেশি ওভারল্যাপ করে। যদি দুজন মানুষ একটি সেগমেন্টের মধ্যে কথা বলেন, বা একে অপরের উপর দিয়ে কথা বলেন, তবে পুরো সেগমেন্টটি একটিমাত্র লেবেল বহন করে। কোনো সনাক্ত করা বক্তৃতা দ্বারা ওভারল্যাপ না হওয়া একটি সেগমেন্ট কোনো লেবেল পায় না।
- একটি একক লাইন সংশোধন করা। নাম পরিবর্তন করলে সেই লেবেলযুক্ত প্রতিটি লাইন একসাথে পরিবর্তন হয়ে যায়। ভিউয়ারে একটি লাইনের বক্তা পরিবর্তন করার কোনো উপায় নেই, তাই এক্সপোর্ট করা Word বা টেক্সট ফাইলে একক লাইনগুলো হাতে সংশোধন করুন।
- সাধারণ নাম। লেবেলগুলো নম্বরযুক্ত, এবং নম্বরগুলো একটি ফাইলের ভেতরে স্থিতিশীল কিন্তু ফাইলগুলোর মধ্যে নয়।
- যদি সংখ্যাটি ভুল মনে হয়, অটো-তে না রেখে Speakers-এ মানুষের প্রকৃত সংখ্যা নির্ধারণ করুন।
- অফলাইন, কোনো Hugging Face অ্যাকাউন্ট নেই। এটি আপনার নিজের কম্পিউটারে চলে, এবং ট্রান্সক্রিপশনের পাশাপাশি অতিরিক্ত সময় নেয়।
- শব্দের টাইমিং। প্রতি শব্দের টাইমস্ট্যাম্পগুলো JSON ফাইলে সংরক্ষিত হয় এবং VTT এবং ASS-এ কারাওকে-স্টাইলের হাইলাইটিংয়ের জন্য ব্যবহৃত হয়।
প্রশ্ন
এটি কি আমার জন্য স্পিকারদের নাম দেয়?
ডিফল্টভাবে নয়। লেবেলগুলো দেখায় Speaker 00, Speaker 01 ইত্যাদি। নামে রূপান্তর করতে ট্রান্সক্রিপ্ট ভিউয়ারের রিনেম অপশন ব্যবহার করুন।
এটি কতজন স্পিকার আলাদা করতে পারে?
Speakers Auto-এ রাখলে অ্যাপটি নিজে ঠিক করে, অথবা আপনি জানলে ২ থেকে ১০ পর্যন্ত একটি সংখ্যা নির্ধারণ করে দিন।
একই সময়ে কথা বলা মানুষদের কি এটি আলাদা করতে পারে?
না। ক্রসটক ভাগ করা হয় না: একটি সেগমেন্ট একটি লেবেল পায়—যে স্পিকার বেশিরভাগ কথা বলেন। সেই অংশগুলো শুনে যাচাই করুন।
কোন কোন এক্সপোর্টে স্পিকার লেবেল দেখায়?
DOCX, PDF, SRT, VTT, TXT, Markdown, ASS, JSON এবং শেয়ারযোগ্য ওয়েব পেজ।