ਜੇ ਤੁਸੀਂ Mac 'ਤੇ ਵੀਡੀਓ ਐਡਿਟ ਕਰਦੇ ਹੋ, ਤੁਸੀਂ ਸ਼ਾਇਦ MacWhisper ਬਾਰੇ ਸੁਣਿਆ ਹੋਵੇਗਾ — ਇੱਕ ਪ੍ਰਸਿੱਧ ਐਪ ਜੋ OpenAI ਦੇ Whisper ਮਾਡਲ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤੁਹਾਡੀ ਡਿਵਾਈਸ 'ਤੇ ਚਲਾਉਂਦਾ ਹੈ। Subtitle Studio ਇੰਜਣ ਪੱਧਰ 'ਤੇ ਵੀ ਉਹੀ ਕੰਮ ਕਰਦੀ ਹੈ: ਦੋਵੇਂ ਐਪ Whisper ਵਰਤਦੇ ਹਨ, ਦੋਵੇਂ ਬੋਲੀ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਦੋਵੇਂ ਲੋਕਲੀ ਪ੍ਰੋਸੈਸਿੰਗ ਨਾਲ ਤੁਹਾਡੇ ਆਡੀਓ ਨੂੰ ਪ੍ਰਾਈਵੇਟ ਰੱਖਦੇ ਹਨ।
ਤਾਂ ਤੁਸੀਂ ਇੱਕ ਨੂੰ ਦੂਜੇ ਨਾਲੋਂ ਕਿਉਂ ਚੁਣੋਗੇ?
ਕਿਉਂਕਿ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਅਤੇ ਸਬਟਾਈਟਲ ਸੰਬੰਧਿਤ ਹਨ ਪਰ ਇੱਕੋ ਕੰਮ ਨਹੀਂ ਹਨ। MacWhisper ਆਡੀਓ ਨੂੰ ਟੈਕਸਟ ਵਿੱਚ ਬਦਲਣ ਲਈ ਬਣਾਈ ਗਈ ਹੈ। Subtitle Studio ਵੀਡੀਓ ਅਤੇ ਪੌਡਕਾਸਟ ਐਪੀਸੋਡਾਂ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਲਈ ਤਿਆਰ ਕੈਪਸ਼ਨ ਫਾਈਲਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਬਣਾਈ ਗਈ ਹੈ — Whisper ਲਈ ਆਡੀਓ ਨੂੰ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸ ਕਰਨਾ, ਪੜ੍ਹਨ ਯੋਗ ਸੈਗਮੈਂਟੇਸ਼ਨ ਲਈ NLP ਨਾਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਨੂੰ ਪੋਸਟ-ਪ੍ਰੋਸੈਸ ਕਰਨਾ, ਅਤੇ ਤੁਹਾਨੂੰ ਉਹ ਐਡਿਟਿੰਗ ਟੂਲ ਦੇਣਾ ਜੋ ਕ੍ਰੀਏਟਰਾਂ ਦੇ ਅਸਲ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ।
ਅਸੀਂ ਦੋਵਾਂ ਐਪਸ ਨੂੰ ਇੱਕੋ ਕਲਿੱਪਾਂ 'ਤੇ ਟੈਸਟ ਕੀਤਾ। ਅਸੀਂ ਜੋ ਪਾਇਆ ਉਹ ਇਹ ਹੈ।
MacWhisper ਅਤੇ Subtitle Studio ਵਿੱਚ ਸਾਂਝਾ ਕੀ ਹੈ
ਦੋਵੇਂ ਟੂਲ ਇੱਕ ਮਜ਼ਬੂਤ ਬੁਨਿਆਦ ਸਾਂਝੀ ਕਰਦੇ ਹਨ:
- Whisper ਹੇਠਾਂ — OpenAI ਦਾ ਓਪਨ-ਵੇਟ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ ਮਾਡਲ, Apple Silicon ਜਾਂ Intel Macs 'ਤੇ ਲੋਕਲੀ ਚੱਲਦਾ ਹੈ
- ਆਨ-ਡਿਵਾਈਸ ਪ੍ਰਾਈਵੇਸੀ — ਤੁਹਾਡਾ ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਕਦੇ ਤੁਹਾਡੀ ਮਸ਼ੀਨ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਜਾਂਦਾ
- ਬਹੁ-ਭਾਸ਼ਾਈ ਸਮਰਥਨ — Whisper ਬਿਲਟ-ਇਨ 90+ ਭਾਸ਼ਾਵਾਂ ਸੰਭਾਲਦਾ ਹੈ
- ਐਕਸਪੋਰਟ ਵਿਕਲਪ — MacWhisper Pro SRT ਅਤੇ VTT ਸਬਟਾਈਟਲ ਫਾਈਲਾਂ ਐਕਸਪੋਰਟ ਕਰ ਸਕਦਾ ਹੈ; Subtitle Studio SRT ਅਤੇ FCPXML ਐਕਸਪੋਰਟ ਕਰਦੀ ਹੈ
Zoom ਰਿਕਾਰਡਿੰਗ ਲਈ ਜਾਂ ਕਿਸੇ ਮੀਟਿੰਗ ਲਈ ਜਿਸਦੀ ਤੁਹਾਨੂੰ ਸਾਦੇ ਟੈਕਸਟ ਰੂਪ ਵਿੱਚ ਲੋੜ ਹੈ, MacWhisper ਇੱਕ ਸਮਰੱਥ ਵਿਕਲਪ ਹੈ। ਇੱਕ ਆਡੀਓ ਫਾਈਲ ਪਾਓ, ਮਾਡਲ ਸਾਈਜ਼ ਚੁਣੋ, ਅਤੇ ਟਾਈਮਸਟੈਂਪ ਦੇ ਨਾਲ ਇੱਕ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਪ੍ਰਾਪਤ ਕਰੋ।
ਪੌਡਕਾਸਟ ਲਈ, ਚੋਣ ਤੁਹਾਡੇ ਡਿਲੀਵਰੇਬਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਜਦੋਂ ਤੁਹਾਨੂੰ ਸ਼ੋ ਨੋਟਸ ਜਾਂ ਖੋਜ ਲਈ ਟੈਕਸਟ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦੀ ਲੋੜ ਹੋਵੇ, MacWhisper ਵਧੀਆ ਹੈ। Subtitle Studio ਬਿਹਤਰ ਫਿੱਟ ਹੈ ਜਦੋਂ ਤੁਸੀਂ YouTube 'ਤੇ ਪੂਰਾ ਐਪੀਸੋਡ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰ ਰਹੇ ਹੋ, ਸੋਸ਼ਲ ਲਈ ਆਡੀਓਗ੍ਰਾਮ ਕਲਿੱਪ ਕੱਟ ਰਹੇ ਹੋ, ਜਾਂ ਆਪਣੇ ਸ਼ੋ ਦੇ ਕਿਸੇ ਵੀ ਵੀਡੀਓ ਵਰਜ਼ਨ ਲਈ ਸਹੀ, ਸੰਪਾਦਨ ਯੋਗ SRT ਕੈਪਸ਼ਨ ਦੀ ਲੋੜ ਹੈ।
ਫਰਕ ਉਦੋਂ ਖੁੱਲ੍ਹਦਾ ਹੈ ਜਦੋਂ ਤੁਹਾਡਾ ਟੀਚਾ ਸਬਟਾਈਟਲ ਹੁੰਦਾ ਹੈ — ਵੀਡੀਓ, ਪੌਡਕਾਸਟ ਵੀਡੀਓ, ਜਾਂ ਕਲਿੱਪਾਂ ਲਈ — ਖਾਸ ਕਰਕੇ ਬੈਕਗ੍ਰਾਊਂਡ ਸੰਗੀਤ, ਤੇਜ਼ ਬੋਲੀ, ਕਈ ਭਾਸ਼ਾਵਾਂ, ਜਾਂ ਚੀਨੀ ਗੱਲਬਾਤ ਵਾਲੇ ਕੰਟੈਂਟ ਲਈ।
MacWhisper ਇੰਟਰਫੇਸ ਇੱਕ ਵੀਡੀਓ ਫਾਈਲ ਪ੍ਰੋਸੈਸ ਕਰਨ ਤੋਂ ਬਾਅਦ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਵਿਊ ਦਿਖਾਉਂਦਾ ਹੋਇਆ
Subtitle Studio ਐਡੀਟਰ ਵੇਵਫਾਰਮ, ਸਬਟਾਈਟਲ ਲਿਸਟ, ਅਤੇ ਬੋਲੀ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਵੀਡੀਓ ਪ੍ਰੀਵਿਊ ਨਾਲ
MacWhisper ਵੀਡੀਓ ਸਬਟਾਈਟਲ ਲਈ ਕਿੱਥੇ ਘਾਟ ਵਿੱਚ ਹੈ
MacWhisper ਇੱਕ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਅਸਿਸਟੈਂਟ ਦੇ ਤੌਰ 'ਤੇ ਡਿਜ਼ਾਈਨ ਕੀਤਾ ਗਿਆ ਸੀ, ਸਬਟਾਈਟਲ ਐਡੀਟਰ ਨਹੀਂ। ਇਹ ਤਿੰਨ ਥਾਵਾਂ 'ਤੇ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਜੋ ਵੀਡੀਓ ਕ੍ਰੀਏਟਰਾਂ ਲਈ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹਨ।
ਬੈਕਗ੍ਰਾਊਂਡ ਸੰਗੀਤ ਅਤੇ ਗੁੰਮ ਸ਼ਬਦ
Whisper — ਅਤੇ ਇਸ ਲਈ MacWhisper — ਜਦੋਂ ਬੋਲੀ ਬੈਕਗ੍ਰਾਊਂਡ ਸੰਗੀਤ, ਇੰਟਰੋ ਜਿੰਗਲ, ਜਾਂ ਆਲੇ-ਦੁਆਲੇ ਦੀ ਆਵਾਜ਼ ਨਾਲ ਟਾਕਰਾ ਕਰਦੀ ਹੈ ਤਾਂ ਸੰਘਰਸ਼ ਕਰਦਾ ਹੈ। ਮਾਡਲ ਹਰ ਆਡੀਓ ਸੈਗਮੈਂਟ ਲਈ ਟੈਕਸਟ ਬਣਾਉਣ ਲਈ ਟ੍ਰੇਂਡ ਹੈ, ਭਾਵੇਂ ਭਰੋਸਾ ਘੱਟ ਹੋਵੇ। ਅਮਲ ਵਿੱਚ, ਇਸਦਾ ਅਕਸਰ ਮਤਲਬ ਹੁੰਦਾ ਹੈ:
- ਛੱਡੇ ਗਏ ਸ਼ਬਦ ਜਦੋਂ ਸੰਗੀਤ ਵਿਅੰਜਨ ਲੁਕਾ ਦਿੰਦਾ ਹੈ ਜਾਂ ਬੋਲੀ ਦੀ ਆਵਾਜ਼ ਘਟਾ ਦਿੰਦਾ ਹੈ
- ਮਿਲੇ ਹੋਏ ਵਾਕ ਜਿੱਥੇ ਦੋ ਵਾਕ ਇੱਕ ਬਲਾਕ ਵਿੱਚ ਧੁੰਦਲੇ ਹੋ ਜਾਂਦੇ ਹਨ
- ਗੱਲਬਾਤ ਵਿੱਚ ਖਾਲੀ ਥਾਂਵਾਂ ਜੋ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਵਿੱਚ ਕਦੇ ਦਿਖਾਈ ਹੀ ਨਹੀਂ ਦਿੰਦੀਆਂ
ਇਹ Whisper ਦੀ ਇੱਕ ਜਾਣੀ-ਪਛਾਣੀ ਸੀਮਾ ਹੈ, ਜੋ MacWhisper ਲਈ ਖਾਸ ਨਹੀਂ ਹੈ। MacWhisper ਤੁਹਾਡਾ ਆਡੀਓ ਸਿੱਧਾ Whisper ਨੂੰ ਜਿਵੇਂ-ਦਾ-ਜਿਵੇਂ ਭੇਜਦਾ ਹੈ। ਸਿਗਨਲ ਸਾਫ਼ ਕਰਨ ਜਾਂ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ ਲਈ ਆਪਟੀਮਾਈਜ਼ ਕਰਨ ਲਈ ਕੋਈ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਸਟੈਪ ਨਹੀਂ ਹੈ।
ਕੋਈ ਅਸਲੀ ਸਬਟਾਈਟਲ ਐਡਿਟਿੰਗ ਵਰਕਫਲੋ ਨਹੀਂ
MacWhisper ਤੁਹਾਨੂੰ ਪਲੇਬੈਕ ਦੇ ਨਾਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਪੜ੍ਹਨ ਅਤੇ SRT ਵਿੱਚ ਐਕਸਪੋਰਟ ਕਰਨ ਦਿੰਦਾ ਹੈ। ਜੋ ਇਹ ਨਹੀਂ ਦਿੰਦਾ ਉਹ ਹੈ ਇੱਕ ਸਬਟਾਈਟਲ-ਪਹਿਲ ਐਡੀਟਰ:
- ਕੈਪਸ਼ਨ ਨੂੰ ਬਿਲਕੁਲ ਸਹੀ ਸਿਲੇਬਲ 'ਤੇ ਖਿਸਕਾਉਣ ਲਈ ਕੋਈ ਵੇਵਫਾਰਮ-ਸਿੰਕ ਟਾਈਮਿੰਗ ਹੈਂਡਲ ਨਹੀਂ
- ਅਜੀਬ ਲਾਈਨ ਬ੍ਰੇਕ ਠੀਕ ਕਰਨ ਲਈ ਕੋਈ ਸਪਲਿਟ ਜਾਂ ਮਰਜ ਟੂਲ ਨਹੀਂ
- ਜਦੋਂ ਕਿਸੇ ਬਲਾਕ ਦਾ ਸ਼ੁਰੂ ਹੋਣ ਦਾ ਸਮਾਂ ਅੱਧਾ ਸੈਕਿੰਡ ਗਲਤ ਹੋਵੇ ਤਾਂ ਕੋਈ ਡਰੈਗ-ਟੂ-ਰੀਅਲਾਈਨ ਵਰਕਫਲੋ ਨਹੀਂ
- ਤੁਹਾਡੇ ਟਾਈਮਕੋਡ ਨਾਲ ਜੁੜਿਆ ਕੋਈ ਬਿਲਟ-ਇਨ ਅਨੁਵਾਦ ਨਹੀਂ
ਜੇ ਕੋਈ ਕੈਪਸ਼ਨ ਦੋ ਸੈਕਿੰਡ ਪਹਿਲਾਂ ਹੈ ਜਾਂ ਕੋਈ ਲਾਈਨ ਵਰਟੀਕਲ ਵੀਡੀਓ ਲਈ ਬਹੁਤ ਲੰਬੀ ਹੈ, ਤਾਂ MacWhisper ਵਿੱਚ ਤੁਹਾਡੇ ਵਿਕਲਪ ਹਨ — ਐਕਸਪੋਰਟ ਕੀਤੀ SRT ਨੂੰ ਟੈਕਸਟ ਐਡੀਟਰ ਵਿੱਚ ਐਡਿਟ ਕਰੋ ਜਾਂ ਕੋਈ ਹੋਰ ਐਪ ਖੋਲ੍ਹੋ। ਪੰਜ-ਮਿੰਟ ਦੀ ਕਲਿੱਪ ਲਈ ਇਹ ਸੰਭਾਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। 40-ਮਿੰਟ ਦੇ ਇੰਟਰਵਿਊ ਜਾਂ ਸੋਸ਼ਲ ਕਟਸ ਦੇ ਬੈਚ ਲਈ, ਇਹ ਰੋੜਾ ਬਣ ਜਾਂਦਾ ਹੈ।
ਭਰਮ (Hallucinations) ਦੀ ਸੰਭਾਵਨਾ ਵੱਧ ਹੈ
Whisper hallucination — ਮਾਡਲ ਦੁਆਰਾ ਸੁਣਨ ਵਿੱਚ ਸਹੀ ਲੱਗਣ ਵਾਲਾ ਟੈਕਸਟ ਬਣਾਉਣਾ ਜਦੋਂ ਖਾਮੋਸ਼ੀ, ਸੰਗੀਤ, ਜਾਂ ਸ਼ੋਰ ਹੋਵੇ — ਇਸ ਮਾਡਲ ਨਾਲ ਸਭ ਤੋਂ ਵੱਧ ਦਸਤਾਵੇਜ਼ੀ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਲੱਛਣਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:
- ਸੰਗੀਤ ਦੇ ਬੈਕਗ੍ਰਾਊਂਡ ਦੌਰਾਨ ਇੱਕੋ ਵਾਕ ਨੂੰ ਦਸਾਂ ਵਾਰ ਦੁਹਰਾਉਣਾ
- ਸ਼ਾਂਤ ਹਿੱਸਿਆਂ ਦੌਰਾਨ "Thanks for watching!" ਜਾਂ ਸਮਾਨ ਫਿਲਰ ਪਾਉਣਾ
- ਅਜਿਹੀ ਗੱਲਬਾਤ ਬਣਾਉਣਾ ਜੋ ਕਦੇ ਬੋਲੀ ਹੀ ਨਹੀਂ ਗਈ
MacWhisper Whisper ਜੋ ਵੀ ਬਣਾਉਂਦਾ ਹੈ ਉਹੀ ਆਉਟਪੁਟ ਕਰਦਾ ਹੈ। Subtitle Studio ਵਿੱਚ ਇੱਕ ਹੈਲੂਸੀਨੇਸ਼ਨ ਫਿਕਸ ਓਪਟੀਮਾਈਜ਼ੇਸ਼ਨ ਸ਼ਾਮਲ ਹੈ ਜੋ ਭਰੋਸਾ ਸਕੋਰਿੰਗ ਅਤੇ ਸਪੀਚ-ਐਕਟੀਵਿਟੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਰਤਦੇ ਹੋਏ ਇਹਨਾਂ ਫੈਂਟਮ ਸੈਗਮੈਂਟਾਂ ਨੂੰ ਪਛਾਣਦਾ ਅਤੇ ਹਟਾਉਂਦਾ ਹੈ — ਤਾਂ ਜੋ ਤੁਹਾਡਾ ਸਬਟਾਈਟਲ ਟ੍ਰੈਕ ਦਰਸਾਵੇ ਕੀ ਅਸਲ ਵਿੱਚ ਬੋਲਿਆ ਗਿਆ ਸੀ, ਨਾ ਕਿ ਮਾਡਲ ਨੇ ਕਿਸੇ ਜਿੰਗਲ ਦੌਰਾਨ ਕੀ ਅਨੁਮਾਨ ਲਗਾਇਆ।
Subtitle Studio Whisper ਦੇ ਉੱਪਰ ਕੀ ਜੋੜਦੀ ਹੈ
Subtitle Studio Whisper ਨੂੰ ਬਦਲਦੀ ਨਹੀਂ — ਇਹ ਇਸਨੂੰ ਵੀਡੀਓ ਅਤੇ ਪੌਡਕਾਸਟ ਕੰਟੈਂਟ ਕੈਪਸ਼ਨਿੰਗ ਲਈ ਖਾਸ ਤੌਰ 'ਤੇ ਬਣਾਏ ਗਏ ਤਿੰਨ-ਪੜਾਵੀ ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਸਮੇਟਦੀ ਹੈ: ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸ → ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ → ਪੋਸਟ-ਪ੍ਰੋਸੈਸ।
ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ: Whisper ਚਲਣ ਤੋਂ ਪਹਿਲਾਂ ਆਪਟੀਮਾਈਜ਼ਡ ਆਡੀਓ
Whisper ਤੁਹਾਡੀ ਫਾਈਲ ਦੇਖਣ ਤੋਂ ਪਹਿਲਾਂ, Subtitle Studio ਆਡੀਓ ਨੂੰ ਤਿਆਰ ਕਰਦੀ ਹੈ ਤਾਂ ਜੋ ਮਾਡਲ ਨੂੰ ਸਭ ਤੋਂ ਸਾਫ਼ ਸੰਭਵ ਇਨਪੁਟ ਮਿਲੇ:
- ਵਾਇਸ ਐਕਟੀਵਿਟੀ ਡਿਟੈਕਸ਼ਨ (VAD) — ਪਛਾਣਦਾ ਹੈ ਕਿ ਟ੍ਰੈਕ ਦੇ ਕਿਹੜੇ ਹਿੱਸਿਆਂ ਵਿੱਚ ਬੋਲੀ ਹੈ ਅਤੇ ਕਿਹੜੇ ਖਾਮੋਸ਼ੀ, ਸੰਗੀਤ, ਜਾਂ ਆਲੇ-ਦੁਆਲੇ ਦੀ ਆਵਾਜ਼ ਹਨ
- ਸ਼ੋਰ ਘਟਾਉਣਾ — ਬੈਕਗ੍ਰਾਊਂਡ ਗੂੰਜ, ਕਮਰੇ ਦੀ ਗੂੰਜ, ਅਤੇ ਟਕਰਾਉਂਦੀ ਆਵਾਜ਼ ਨੂੰ ਦਬਾਉਂਦਾ ਹੈ ਤਾਂ ਜੋ ਵਿਅੰਜਨ ਅਤੇ ਸ਼ਬਦ ਦੀਆਂ ਸੀਮਾਵਾਂ ਸਾਫ਼ ਰਹਿਣ
- ਸਪੀਚ ਆਈਸੋਲੇਸ਼ਨ — Whisper ਨੂੰ ਪੂਰੇ ਮਿਲੇ-ਜੁਲੇ ਆਡੀਓ ਬੈੱਡ ਦੀ ਜਗ੍ਹਾ ਮਹੱਤਵਪੂਰਨ ਗੱਲਬਾਤ 'ਤੇ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ
ਇਹ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਉਹੀ ਸ਼੍ਰੇਣੀ ਹੈ ਜੋ ਪ੍ਰੋਡਕਸ਼ਨ Whisper ਸੈਟਅੱਪ ਵਿੱਚ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ — ਪਰ ਬਿਲਟ-ਇਨ, ਆਟੋਮੈਟਿਕ, ਅਤੇ ਖੁਦ ਕੌਂਫਿਗਰ ਕਰਨ ਵਾਲੀ ਕਿਸੇ ਚੀਜ਼ ਦੀ ਥਾਂ ਵੀਡੀਓ ਅਤੇ ਪੌਡਕਾਸਟ ਆਡੀਓ ਲਈ ਟਿਊਨ ਕੀਤੀ ਗਈ ਹੈ। ਸਾਫ਼ ਇਨਪੁਟ ਦਾ ਮਤਲਬ ਹੈ ਇੰਟਰੋ ਸੰਗੀਤ ਦੌਰਾਨ ਘੱਟ ਛੱਡੇ ਗਏ ਸ਼ਬਦ, ਸ਼ੋਰ ਵਾਲੀਆਂ ਕਲਿੱਪਾਂ ਵਿੱਚ ਘੱਟ ਧੁੰਦਲਾ ਆਉਟਪੁਟ, ਅਤੇ ਗੈਰ-ਬੋਲੀ ਹਿੱਸਿਆਂ ਦੌਰਾਨ ਮਾਡਲ ਦੇ ਟੈਕਸਟ ਬਣਾਉਣ ਦੀ ਘੱਟ ਸੰਭਾਵਨਾ।
ਪੋਸਟ-ਪ੍ਰੋਸੈਸਿੰਗ: ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ NLP ਸੈਗਮੈਂਟੇਸ਼ਨ
ਕੱਚਾ Whisper ਆਉਟਪੁਟ ਇੱਕ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਹੈ, ਸਬਟਾਈਟਲ ਨਹੀਂ। ਲੰਬੇ ਲਗਾਤਾਰ ਬਲਾਕ, ਅਜੀਬ ਵਿਚਕਾਰਲੇ-ਵਾਕ ਬ੍ਰੇਕ, ਅਤੇ ਗੁੰਮ ਹੋਈ ਵਿਰਾਮ-ਚਿੰਨ੍ਹ ਇੱਕ ਟੈਕਸਟ ਡਾਕੂਮੈਂਟ ਲਈ ਠੀਕ ਹਨ — ਪਰ ਸਕਰੀਨ 'ਤੇ ਪੜ੍ਹਨਾ ਔਖਾ ਹੈ।
ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਤੋਂ ਬਾਅਦ, Subtitle Studio ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਨੂੰ NLP-ਆਧਾਰਿਤ ਪੋਸਟ-ਪ੍ਰੋਸੈਸਿੰਗ ਰਾਹੀਂ ਚਲਾਉਂਦੀ ਹੈ ਤਾਂ ਜੋ ਇਸਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸੈਗਮੈਂਟਡ ਕੈਪਸ਼ਨ ਬਣਾਇਆ ਜਾ ਸਕੇ:
- ਕੁਦਰਤੀ ਵਾਕ-ਸੀਮਾਵਾਂ — ਲਾਈਨਾਂ ਵਾਕਾਂਸ਼ਾਂ ਅਤੇ ਵਾਕ ਦੇ ਕਿਨਾਰਿਆਂ 'ਤੇ ਟੁੱਟਦੀਆਂ ਹਨ, ਨਾ ਕਿ ਬੇਤਰਤੀਬ ਅੱਖਰ ਗਿਣਤੀ 'ਤੇ
- ਪੜ੍ਹਨਯੋਗਤਾ ਨਿਯਮ — ਬਲਾਕ ਦੀ ਲੰਬਾਈ ਅਤੇ ਪੜ੍ਹਨ ਦੀ ਗਤੀ ਨੂੰ ਟਿਊਨ ਕੀਤਾ ਗਿਆ ਹੈ ਤਾਂ ਜੋ ਦੇਖਣ ਵਾਲੇ ਕਾਹਲੀ ਬਿਨਾਂ ਫਾਲੋ ਕਰ ਸਕਣ
- ਵਿਰਾਮ-ਚਿੰਨ੍ਹ ਬਹਾਲੀ — ਕਾਮੇ, ਪੂਰਨ-ਵਿਰਾਮ, ਅਤੇ ਪ੍ਰਸ਼ਨ-ਚਿੰਨ੍ਹ ਬਹਾਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜਿੱਥੇ Whisper ਨੇ ਇਹ ਛੱਡ ਦਿੱਤੇ ਸਨ
- ਭਾਸ਼ਾ-ਜਾਗਰੂਕ ਵੰਡ — ਚੀਨੀ ਅਤੇ ਜਪਾਨੀ ਵਰਗੀਆਂ CJK ਭਾਸ਼ਾਵਾਂ ਨੂੰ ਅਜਿਹੀ ਸੈਗਮੈਂਟੇਸ਼ਨ ਮਿਲਦੀ ਹੈ ਜੋ ਇਹ ਸਤਿਕਾਰਦੀ ਹੈ ਕਿ ਇਹ ਲਿਪੀਆਂ ਸਕਰੀਨ 'ਤੇ ਕਿਵੇਂ ਪੜ੍ਹੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਨਾ ਕਿ ਅੰਗਰੇਜ਼ੀ ਲਾਈਨ ਬ੍ਰੇਕ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ
ਟੀਚਾ ਹੈ ਅਜਿਹੇ ਸਬਟਾਈਟਲ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਘੱਟੋ-ਘੱਟ ਹੱਥੀਂ ਸਫਾਈ ਨਾਲ ਭੇਜ ਸਕੋ — ਨਾ ਕਿ ਟੈਕਸਟ ਦੀ ਇੱਕ ਦੀਵਾਰ ਜਿਸਨੂੰ ਤੁਹਾਨੂੰ ਹੱਥੀਂ ਦੁਬਾਰਾ ਫਾਰਮੈਟ ਕਰਨਾ ਪਵੇ।
ਫਰੇਮ-ਸਟੀਕ ਟਾਈਮਿੰਗ ਲਈ ਫੋਰਸਡ ਅਲਾਈਨਮੈਂਟ
Whisper ਦੇ ਬਿਲਟ-ਇਨ ਟਾਈਮਸਟੈਂਪ ਅਨੁਮਾਨਿਤ ਹੁੰਦੇ ਹਨ। ਇਹ ਅਕਸਰ ਨੇੜਲੇ ਸੈਕਿੰਡ ਤੱਕ ਗੋਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਲਈ ਠੀਕ ਹੈ ਪਰ ਸਬਟਾਈਟਲ ਲਈ ਨਹੀਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਬਿਲਕੁਲ ਉਸ ਸਮੇਂ ਦਿਖਾਈ ਦੇਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਸ਼ਬਦ ਬੋਲਿਆ ਜਾਂਦਾ ਹੈ।
Subtitle Studio ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਤੋਂ ਬਾਅਦ ਇੱਕ ਫੋਰਸਡ ਅਲਾਈਨਰ ਚਲਾਉਂਦੀ ਹੈ: ਟੈਕਸਟ ਨੂੰ ਸ਼ਬਦ-ਪੱਧਰ 'ਤੇ ਆਡੀਓ ਵੇਵਫਾਰਮ ਨਾਲ ਵਾਪਸ ਮੈਪ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਹਰ ਸਬਟਾਈਟਲ ਬਲਾਕ ਉੱਥੇ ਸ਼ੁਰੂ ਅਤੇ ਖਤਮ ਹੋਵੇ ਜਿੱਥੇ ਬੋਲੀ ਅਸਲ ਵਿੱਚ ਸ਼ੁਰੂ ਅਤੇ ਬੰਦ ਹੁੰਦੀ ਹੈ। ਨਤੀਜਾ ਹੈ ਕੈਪਸ਼ਨ ਜੋ ਵੀਡੀਓ ਨਾਲ ਸਿੰਕ ਮਹਿਸੂਸ ਹੁੰਦੇ ਹਨ — ਇੱਕ ਬੀਟ ਪਹਿਲਾਂ ਤੈਰਦੇ ਜਾਂ ਬੋਲਣ ਵਾਲੇ ਦੇ ਰੁਕਣ ਤੋਂ ਬਾਅਦ ਰੁਕੇ ਨਹੀਂ ਰਹਿੰਦੇ।
ਬਿਲਟ-ਇਨ ਐਡਿਟਿੰਗ ਟੂਲ
ਕੈਪਸ਼ਨ ਨੂੰ ਸੰਵਾਰਨ ਲਈ ਲੋੜੀਂਦੀ ਹਰ ਚੀਜ਼ ਇੱਕੋ ਵਿੰਡੋ ਵਿੱਚ ਰਹਿੰਦੀ ਹੈ:
ਰੀਅਲਾਈਨ (Realign) — ਸਬਟਾਈਟਲ ਦੇ ਕਿਨਾਰੇ ਨੂੰ ਪਕੜੋ ਅਤੇ ਵੇਵਫਾਰਮ ਨਾਲ ਮੈਚ ਕਰਨ ਲਈ ਖਿਸਕਾਓ। ਟਾਈਮਿੰਗ ਟਾਈਮਕੋਡ ਟਾਈਪ ਕੀਤੇ ਬਿਨਾਂ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਅੱਪਡੇਟ ਹੁੰਦੀ ਹੈ।
Subtitle Studio ਰੀਅਲਾਈਨ ਟੂਲ ਇੱਕ ਸਬਟਾਈਟਲ ਬਲਾਕ ਨੂੰ ਆਡੀਓ ਵੇਵਫਾਰਮ ਨਾਲ ਮੈਚ ਕਰਨ ਲਈ ਖਿਸਕਾਇਆ ਜਾਂਦਾ ਹੋਇਆ
ਸਪਲਿਟ — ਪਲੇਹੈੱਡ 'ਤੇ ਇੱਕ ਬਹੁਤ ਲੰਬੇ ਕੈਪਸ਼ਨ ਨੂੰ ਦੋ ਪੜ੍ਹਨ ਯੋਗ ਲਾਈਨਾਂ ਵਿੱਚ ਤੋੜੋ। ਟਾਈਮਿੰਗ ਆਟੋਮੈਟਿਕ ਦੁਬਾਰਾ ਵੰਡੀ ਜਾਂਦੀ ਹੈ।
Subtitle Studio ਸਪਲਿਟ ਟੂਲ ਇੱਕ ਲੰਬੀ ਸਬਟਾਈਟਲ ਲਾਈਨ ਨੂੰ ਦੋ ਛੋਟੇ ਬਲਾਕਾਂ ਵਿੱਚ ਵੰਡਦਾ ਹੋਇਆ
ਮਰਜ (Merge) — ਟੁੱਟੇ ਹੋਏ Whisper ਆਉਟਪੁਟ ਨੂੰ ਸਹਜ, ਨਿਰੰਤਰ ਲਾਈਨਾਂ ਵਿੱਚ ਜੋੜੋ।
Subtitle Studio ਮਰਜ ਟੂਲ ਦੋ ਛੋਟੇ ਸਬਟਾਈਟਲ ਬਲਾਕਾਂ ਨੂੰ ਇੱਕ ਕੈਪਸ਼ਨ ਵਿੱਚ ਜੋੜਦਾ ਹੋਇਆ
ਟ੍ਰਾਂਸਲੇਟ (Translate) — ਆਪਣੇ ਸੁਧਾਰੇ ਹੋਏ ਸੋਰਸ ਤੋਂ ਦੂਜੀ-ਭਾਸ਼ਾ ਦਾ ਸਬਟਾਈਟਲ ਟ੍ਰੈਕ ਬਣਾਓ, ਹਰ ਟਾਈਮਕੋਡ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ। OpenAI, DeepSeek, Grok, ਜਾਂ ਲੋਕਲ Ollama ਮਾਡਲ ਨਾਲ ਕਨੈਕਟ ਕਰੋ।
Subtitle Studio ਟ੍ਰਾਂਸਲੇਟ ਪੈਨਲ ਭਾਸ਼ਾ ਚੋਣਕਾਰ ਅਤੇ AI ਪ੍ਰੋਵਾਈਡਰ ਵਿਕਲਪਾਂ ਨਾਲ
ਇਹ ਬਾਅਦ ਦੇ ਵਿਚਾਰ ਨਹੀਂ ਹਨ — ਇਹ ਉਸ ਵਿਅਕਤੀ ਦਾ ਰੋਜ਼ਾਨਾ ਵਰਕਫਲੋ ਹੈ ਜੋ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਕੈਪਸ਼ਨਡ ਵੀਡੀਓ ਜਾਂ ਪੌਡਕਾਸਟ ਕਲਿੱਪ ਭੇਜਦਾ ਹੈ।
ਪਾਸੇ-ਪਾਸੇ ਤੁਲਨਾ
ਅਸੀਂ ਦੋਵਾਂ ਐਪਸ ਵਿੱਚ ਇੱਕੋ ਟੈਸਟ ਕਲਿੱਪਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕੀਤਾ। ਹੇਠਾਂ ਦਿੱਤਾ ਟੇਬਲ ਉਹ ਫਰਕ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਅੰਗਰੇਜ਼ੀ ਗੱਲਬਾਤ, ਬਹੁ-ਭਾਸ਼ਾਈ ਕੰਟੈਂਟ, ਅਤੇ ਚੀਨੀ ਬੋਲੀ ਵਿੱਚ ਲਗਾਤਾਰ ਦਿਖਾਈ ਦਿੱਤੇ।
| MacWhisper | Subtitle Studio | |
|---|---|---|
| ਸ਼ੁੱਧਤਾ (ਸਾਫ਼ ਬੋਲੀ) | ਵਧੀਆ | ਵਧੀਆ |
| ਸ਼ੁੱਧਤਾ (ਸੰਗੀਤ / ਸ਼ੋਰ) | ਸ਼ਬਦ ਅਕਸਰ ਗੁੰਮ; ਸੰਗੀਤ ਸੈਕਸ਼ਨ ਭਰੋਸੇਯੋਗ ਨਹੀਂ | VAD + ਸ਼ੋਰ ਘਟਾਉਣ ਦੀ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਸ਼ਬਦ ਕੈਪਚਰ ਸੁਧਾਰਦੀ ਹੈ |
| ਭਰਮ ਸੰਭਾਲ | ਕੱਚਾ Whisper ਆਉਟਪੁਟ; ਫੈਂਟਮ ਟੈਕਸਟ ਸੰਭਵ | ਹੈਲੂਸੀਨੇਸ਼ਨ ਫਿਕਸ ਬਣਾਏ ਗਏ ਸੈਗਮੈਂਟ ਹਟਾਉਂਦਾ ਹੈ |
| ਟਾਈਮਿੰਗ ਸ਼ੁੱਧਤਾ | ਅਨੁਮਾਨਿਤ Whisper ਟਾਈਮਸਟੈਂਪ (~1s ਗ੍ਰੈਨੂਲਾਰਿਟੀ) | ਫੋਰਸਡ ਅਲਾਈਨਰ; ਵੇਵਫਾਰਮ ਨਾਲ ਸ਼ਬਦ-ਪੱਧਰ ਸਿੰਕ |
| ਸੈਗਮੈਂਟੇਸ਼ਨ | ਆਟੋਮੈਟਿਕ ਬਲਾਕ; ਸੀਮਿਤ ਕੰਟਰੋਲ | NLP ਪੋਸਟ-ਪ੍ਰੋਸੈਸਿੰਗ + ਸਪਲਿਟ, ਮਰਜ, ਅਤੇ ਲਾਈਨ-ਬ੍ਰੇਕ ਟੂਲ |
| ਸਬਟਾਈਟਲ ਐਡਿਟਿੰਗ | ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਵਿਊ; ਬਾਹਰੀ ਐਡਿਟਿੰਗ ਲਈ SRT ਐਕਸਪੋਰਟ | ਡਰੈਗ-ਟੂ-ਰੀਅਲਾਈਨ ਦੇ ਨਾਲ ਪੂਰਾ ਵੇਵਫਾਰਮ ਐਡੀਟਰ |
| ਬਹੁ-ਭਾਸ਼ਾਈ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ | Whisper ਦੇ ਡਿਫਾਲਟ | ਮਿਲੀ-ਜੁਲੀ-ਭਾਸ਼ਾ ਵੀਡੀਓ ਲਈ ਟਿਊਨ ਕੀਤੀ ਪਾਈਪਲਾਈਨ |
| ਚੀਨੀ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ | ਸਟੈਂਡਰਡ Whisper ਚੀਨੀ | CJK ਲਈ ਵਧੀਆ ਸੈਗਮੈਂਟੇਸ਼ਨ ਅਤੇ ਵਿਰਾਮ-ਚਿੰਨ੍ਹ |
| ਅਨੁਵਾਦ | ਬਿਲਟ-ਇਨ ਨਹੀਂ | ਬਿਲਟ-ਇਨ, ਟਾਈਮਕੋਡ-ਸੁਰੱਖਿਅਤ, ਕਈ AI ਪ੍ਰੋਵਾਈਡਰ |
| ਸਭ ਤੋਂ ਵਧੀਆ ਲਈ | ਮੀਟਿੰਗਾਂ, ਇੰਟਰਵਿਊ → ਸਾਦਾ ਟੈਕਸਟ | ਵੀਡੀਓ, ਪੌਡਕਾਸਟ, ਕਲਿੱਪਾਂ → ਪ੍ਰਕਾਸ਼ਨ ਲਈ SRT / FCPXML |
ਸ਼ੁੱਧਤਾ: ਸਟੂਡੀਓ-ਗੁਣਵੱਤਾ ਵਾਲੀ ਵਿਵਰਣ 'ਤੇ ਬਿਨਾਂ ਬੈਕਗ੍ਰਾਊਂਡ ਸੰਗੀਤ ਦੇ, ਦੋਵੇਂ ਐਪ ਸਮਾਨ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ — Whisper large-v3 ਹੀ Whisper large-v3 ਹੈ। ਫਰਕ ਉਸ ਪਲ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਸਾਊਂਡਟ੍ਰੈਕ, ਕਮਰੇ ਦੀ ਗੂੰਜ, ਜਾਂ ਕੰਪ੍ਰੈੱਸਡ ਸੋਸ਼ਲ-ਮੀਡੀਆ ਆਡੀਓ ਜੋੜਦੇ ਹੋ। Subtitle Studio ਦੀ VAD ਅਤੇ ਸ਼ੋਰ-ਘਟਾਉਣ ਦੀ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ ਉਹ ਸ਼ਬਦ ਵਾਪਸ ਲੈ ਆਉਂਦੀ ਹੈ ਜੋ MacWhisper ਗੁਆ ਦਿੰਦਾ ਹੈ।
ਸੈਗਮੈਂਟੇਸ਼ਨ: Whisper ਲੰਬੇ ਬਲਾਕ ਜਾਂ ਟੁੱਟੇ-ਫੁੱਟੇ ਟੁਕੜੇ ਬਣਾਉਂਦਾ ਹੈ, ਰੁਕਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ। Subtitle Studio ਦੀ NLP ਪੋਸਟ-ਪ੍ਰੋਸੈਸਿੰਗ ਵੱਧ ਤੋਂ ਵੱਧ ਪੜ੍ਹਨਯੋਗਤਾ ਲਈ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਨੂੰ ਕੁਦਰਤੀ ਵਾਕ-ਸੀਮਾਵਾਂ 'ਤੇ ਤੋੜਦੀ ਹੈ — ਫਿਰ ਸਪਲਿਟ, ਮਰਜ, ਅਤੇ ਲਾਈਨ-ਬ੍ਰੇਕ ਟੂਲ ਤੁਹਾਨੂੰ ਦੂਜੀ ਐਪ ਤੋਂ ਦੁਬਾਰਾ ਐਕਸਪੋਰਟ ਕੀਤੇ ਬਿਨਾਂ ਬਲਾਕਾਂ ਨੂੰ ਤੁਹਾਡੀ ਸਟਾਈਲ ਗਾਈਡ (ਹੋਰੀਜ਼ੌਂਟਲ ਵੀਡੀਓ ਲਈ ਪ੍ਰਤੀ ਲਾਈਨ 42 ਅੱਖਰ, ਵਰਟੀਕਲ ਲਈ 20) ਨਾਲ ਮੈਚ ਕਰਨ ਲਈ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ ਦਿੰਦੇ ਹਨ।
ਬਹੁ-ਭਾਸ਼ਾਈ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ: ਦੋਵੇਂ 90+ ਭਾਸ਼ਾਵਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ, ਪਰ ਸਬਟਾਈਟਲ ਟਾਈਮਿੰਗ ਅਤੇ ਲਾਈਨ ਬ੍ਰੇਕਿੰਗ ਵੱਖ-ਵੱਖ ਲਿਪੀਆਂ ਵਿੱਚ ਵੱਖਰਾ ਵਿਹਾਰ ਕਰਦੇ ਹਨ। Subtitle Studio ਦੀ ਪਾਈਪਲਾਈਨ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਵੀਡੀਓ ਕੈਪਸ਼ਨਿੰਗ ਲਈ ਟਿਊਨ ਕੀਤੀ ਗਈ ਹੈ — ਸਿਰਫ ਟੈਕਸਟ ਦਾ ਢੇਰ ਬਣਾਉਣ ਦੀ ਥਾਂ।
ਚੀਨੀ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ: ਮੈਂਡਰਿਨ ਅਤੇ ਕੈਂਟੋਨੀਜ਼ ਵਿਲੱਖਣ ਚੁਣੌਤੀਆਂ ਪੇਸ਼ ਕਰਦੇ ਹਨ: ਕੋਈ ਸ਼ਬਦ ਸਪੇਸ ਨਹੀਂ, ਟੋਨ-ਸੰਵੇਦਨਸ਼ੀਲ ਸਮਾਨ-ਧੁਨੀ ਸ਼ਬਦ, ਅਤੇ ਵਿਰਾਮ-ਚਿੰਨ੍ਹ ਨਿਯਮ ਜੋ ਅੰਗਰੇਜ਼ੀ ਤੋਂ ਵੱਖਰੇ ਹਨ। Subtitle Studio ਦੀ NLP ਪੋਸਟ-ਪ੍ਰੋਸੈਸਿੰਗ CJK-ਖਾਸ ਸੈਗਮੈਂਟੇਸ਼ਨ ਅਤੇ ਵਿਰਾਮ-ਚਿੰਨ੍ਹ ਬਹਾਲੀ ਲਾਗੂ ਕਰਦੀ ਹੈ ਜੋ ਕੱਚੇ Whisper ਆਉਟਪੁਟ ਵਿੱਚ ਗੁੰਮ ਹੈ, ਸਬਟਾਈਟਲ ਲਾਈਨਾਂ ਬਣਾਉਂਦੀ ਹੈ ਜੋ ਇੱਕ ਲਗਾਤਾਰ ਸਟ੍ਰਿੰਗ ਦੀ ਥਾਂ ਸਕਰੀਨ 'ਤੇ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਪੜ੍ਹੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
ਤੁਲਨਾ ਦੇਖੋ
ਹੇਠਾਂ ਦਿੱਤਾ ਵੀਡੀਓ ਦੋਵੇਂ ਐਪਸ ਦੁਆਰਾ ਪ੍ਰੋਸੈਸ ਕੀਤੀ ਗਈ ਇੱਕੋ ਕਲਿੱਪ ਦਿਖਾਉਂਦਾ ਹੈ। ਸੰਗੀਤ ਸੈਕਸ਼ਨ ਦੌਰਾਨ ਗੁੰਮ ਸ਼ਬਦਾਂ, ਤੇਜ਼ ਗੱਲਬਾਤ 'ਤੇ ਟਾਈਮਿੰਗ ਡ੍ਰਿਫਟ, ਅਤੇ ਲਾਈਨ ਸੈਗਮੈਂਟੇਸ਼ਨ ਦੇ ਫਰਕ ਵੱਲ ਧਿਆਨ ਦਿਓ।
ਫੈਸਲਾ: ਵੱਖ-ਵੱਖ ਕੰਮਾਂ ਲਈ ਵੱਖ-ਵੱਖ ਟੂਲ
MacWhisper ਇੱਕ ਮਜ਼ਬੂਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਟੂਲ ਹੈ। ਜੇ ਤੁਸੀਂ Zoom 'ਤੇ ਮੀਟਿੰਗਾਂ ਰਿਕਾਰਡ ਕਰਦੇ ਹੋ ਜਾਂ ਇੰਟਰਵਿਊ ਤੋਂ ਖੋਜਯੋਗ ਸਾਦੇ-ਟੈਕਸਟ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦੀ ਲੋੜ ਹੈ — ਇਹ ਉਹ ਕੰਮ ਵਧੀਆ, ਪ੍ਰਾਈਵੇਟ ਤੌਰ 'ਤੇ, ਇੱਕ ਵਾਜਬ ਇੱਕ-ਵਾਰ ਕੀਮਤ ਨਾਲ ਕਰਦਾ ਹੈ। ਸਪੀਕਰ ਡਾਇਰਾਈਜ਼ੇਸ਼ਨ, ਬੈਚ ਪ੍ਰੋਸੈਸਿੰਗ, ਅਤੇ ਵਾਚ-ਫੋਲਡਰ ਆਟੋਮੇਸ਼ਨ ਆਡੀਓ-ਪਹਿਲ ਵਰਕਫਲੋ ਲਈ ਅਸਲ ਵਿੱਚ ਲਾਭਦਾਇਕ ਹਨ ਜਿੱਥੇ ਡਿਲੀਵਰੇਬਲ ਟੈਕਸਟ ਹੈ, ਸਬਟਾਈਟਲ ਨਹੀਂ।
Subtitle Studio ਸਬਟਾਈਟਲ ਪ੍ਰੋਡਕਸ਼ਨ ਲਈ ਬਣਾਈ ਗਈ ਹੈ। ਜੇ ਤੁਹਾਡਾ ਡਿਲੀਵਰੇਬਲ ਇੱਕ YouTube ਵੀਡੀਓ ਲਈ SRT ਫਾਈਲ ਹੈ, ਇੱਕ ਪੂਰੇ ਪੌਡਕਾਸਟ ਐਪੀਸੋਡ ਦਾ ਅੱਪਲੋਡ, Instagram ਜਾਂ TikTok ਲਈ ਆਡੀਓਗ੍ਰਾਮ ਕਲਿੱਪ, ਇੱਕ ਅੰਤਰਰਾਸ਼ਟਰੀ ਦਰਸ਼ਕਾਂ ਲਈ ਅਨੁਵਾਦਿਤ ਟ੍ਰੈਕ, ਜਾਂ Final Cut Pro ਵਿੱਚ ਸਟਾਈਲਡ ਕੈਪਸ਼ਨ ਲਈ FCPXML ਇੰਪੋਰਟ — ਤੁਹਾਨੂੰ ਇੱਕੋ ਐਪ ਵਿੱਚ ਸਹੀ ਟਾਈਮਿੰਗ, ਸਾਫ਼ ਸੈਗਮੈਂਟੇਸ਼ਨ, ਅਤੇ ਐਡਿਟਿੰਗ ਟੂਲ ਦੀ ਲੋੜ ਹੈ। ਇਹੀ Subtitle Studio ਲਈ ਆਪਟੀਮਾਈਜ਼ ਹੈ — ਭਾਵੇਂ ਸੋਰਸ ਇੱਕ ਵਲੌਗ, ਟਿਊਟੋਰਿਅਲ, ਜਾਂ ਦੋ-ਘੰਟੇ ਦਾ ਪੌਡਕਾਸਟ ਐਪੀਸੋਡ ਹੋਵੇ।
MacWhisper ਨੂੰ ਸਬਟਾਈਟਲ ਲਈ ਵਰਤਣਾ ਟਾਈਮਲਾਈਨ ਐਡਿਟ ਕਰਨ ਲਈ ਵਰਡ ਪ੍ਰੋਸੈਸਰ ਵਰਤਣ ਵਰਗਾ ਹੈ: ਇਹ ਸਹੀ ਫਾਈਲ ਫਾਰਮੈਟ ਐਕਸਪੋਰਟ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਵਰਕਫਲੋ ਇਸ ਕੰਮ ਲਈ ਡਿਜ਼ਾਈਨ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ।
Subtitle Studio
ਇੱਕ-ਵਾਰ ਦੀ ਖਰੀਦ। ਤੁਹਾਡੇ Mac 'ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਫਲਾਈਨ ਚੱਲਦਾ ਹੈ।
ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ
ਕੀ MacWhisper ਸਬਟਾਈਟਲ ਬਣਾ ਸਕਦਾ ਹੈ?
ਹਾਂ। MacWhisper Pro ਟਾਈਮਸਟੈਂਪ ਦੇ ਨਾਲ SRT ਅਤੇ VTT ਫਾਈਲਾਂ ਐਕਸਪੋਰਟ ਕਰਦਾ ਹੈ। ਸਾਫ਼ ਆਡੀਓ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਐਡਿਟਿੰਗ ਲੋੜਾਂ ਵਾਲੀਆਂ ਸਧਾਰਨ ਕਲਿੱਪਾਂ ਲਈ, ਇਹ ਕਾਫੀ ਹੋ ਸਕਦਾ ਹੈ। ਬੈਕਗ੍ਰਾਊਂਡ ਸੰਗੀਤ, ਤੇਜ਼ ਕਟਸ, ਜਾਂ ਗੈਰ-ਅੰਗਰੇਜ਼ੀ ਕੰਟੈਂਟ ਵਾਲੀ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਲਈ, ਕਾਫੀ ਹੱਥੀਂ ਸਫਾਈ ਦੀ ਉਮੀਦ ਕਰੋ — ਭਾਵੇਂ ਐਕਸਪੋਰਟ ਕੀਤੀ ਫਾਈਲ ਵਿੱਚ ਹੋਵੇ ਜਾਂ ਵੱਖਰੇ ਐਡੀਟਰ ਵਿੱਚ।
ਕੀ ਦੋਵੇਂ ਐਪ ਇੱਕੋ AI ਮਾਡਲ ਵਰਤਦੇ ਹਨ?
ਦੋਵੇਂ OpenAI ਦੇ Whisper ਪਰਿਵਾਰ 'ਤੇ ਬਣੇ ਹਨ, ਪਰ ਇਹ ਅੰਦਰੋਂ ਇੱਕੋ ਜਿਹੇ ਨਹੀਂ ਹਨ। Subtitle Studio ਇੱਕ ਆਪਟੀਮਾਈਜ਼ਡ, ਫਾਈਨ-ਟਿਊਨਡ Whisper ਮਾਡਲ ਵਰਤਦੀ ਹੈ ਜੋ ਖਾਸ ਤੌਰ 'ਤੇ ਵੀਡੀਓ ਅਤੇ ਪੌਡਕਾਸਟ ਕੰਟੈਂਟ ਲਈ ਟ੍ਰੇਂਡ ਅਤੇ ਟਿਊਨ ਕੀਤਾ ਗਿਆ ਹੈ — ਇਹ ਉਸ ਕਿਸਮ ਦੇ ਮਿਲੇ-ਜੁਲੇ ਆਡੀਓ 'ਤੇ ਤੇਜ਼ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਅਤੇ ਵੱਧ ਸ਼ੁੱਧਤਾ ਦਿੰਦਾ ਹੈ ਜਿਸ ਨਾਲ ਕ੍ਰੀਏਟਰ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ: ਇੰਟਰੋ ਸੰਗੀਤ ਉੱਤੇ ਗੱਲਬਾਤ, ਕਮਰੇ ਦਾ ਸ਼ੋਰ, ਕੰਪ੍ਰੈੱਸਡ ਸੋਸ਼ਲ-ਮੀਡੀਆ ਆਡੀਓ, ਅਤੇ ਬਹੁ-ਭਾਸ਼ਾਈ ਬੋਲੀ।
MacWhisper ਤੁਹਾਨੂੰ ਸਧਾਰਨ-ਮਕਸਦ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਲਈ ਸਟੈਂਡਰਡ Whisper ਮਾਡਲ ਸਾਈਜ਼ (Tiny ਤੋਂ Large ਤੱਕ) ਦੀ ਪਹੁੰਚ ਦਿੰਦਾ ਹੈ। Subtitle Studio ਦਾ ਮਾਡਲ ਉੱਪਰ ਇੱਕ ਪੂਰੀ ਸਬਟਾਈਟਲ ਪਾਈਪਲਾਈਨ ਨਾਲ ਜੋੜਿਆ ਗਿਆ ਹੈ: ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ VAD ਅਤੇ ਸ਼ੋਰ-ਘਟਾਉਣ ਦੀ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਿੰਗ, ਬਾਅਦ ਵਿੱਚ NLP-ਆਧਾਰਿਤ ਸੈਗਮੈਂਟੇਸ਼ਨ, ਹੈਲੂਸੀਨੇਸ਼ਨ ਫਿਲਟਰਿੰਗ, ਫੋਰਸਡ ਅਲਾਈਨਮੈਂਟ, ਅਤੇ ਇੱਕ ਸਬਟਾਈਟਲ-ਪਹਿਲ ਐਡਿਟਿੰਗ ਇੰਟਰਫੇਸ।
ਕੀ Subtitle Studio ਪੌਡਕਾਸਟ ਸੰਭਾਲ ਸਕਦੀ ਹੈ?
ਹਾਂ। ਆਪਣੀ ਪੌਡਕਾਸਟ ਵੀਡੀਓ ਫਾਈਲ ਇੰਪੋਰਟ ਕਰੋ — ਇੱਕ ਪੂਰਾ YouTube ਐਪੀਸੋਡ, ਇੱਕ ਰਿਕਾਰਡ ਕੀਤਾ ਇੰਟਰਵਿਊ, ਜਾਂ ਸੋਸ਼ਲ ਲਈ ਕੱਟੀ ਜਾ ਰਹੀ ਕਲਿੱਪ — ਅਤੇ Subtitle Studio ਕਿਸੇ ਵੀ ਹੋਰ ਵੀਡੀਓ ਲਈ ਵਰਤੀ ਗਈ ਉਹੀ ਪਾਈਪਲਾਈਨ ਨਾਲ ਟਾਈਮਡ, ਪੜ੍ਹਨ ਯੋਗ ਸਬਟਾਈਟਲ ਬਣਾਉਂਦੀ ਹੈ। ਇਹ ਖਾਸ ਕਰਕੇ ਉਹਨਾਂ ਪੌਡਕਾਸਟਰਾਂ ਲਈ ਲਾਭਦਾਇਕ ਹੈ ਜੋ ਆਪਣੇ ਸ਼ੋ ਦੇ ਵੀਡੀਓ ਵਰਜ਼ਨ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਆਡੀਓਗ੍ਰਾਮ ਬਣਾਉਂਦੇ ਹਨ, ਜਾਂ ਅੰਤਰਰਾਸ਼ਟਰੀ ਦਰਸ਼ਕਾਂ ਲਈ ਅਨੁਵਾਦਿਤ ਕੈਪਸ਼ਨ ਟ੍ਰੈਕ ਦੀ ਲੋੜ ਰੱਖਦੇ ਹਨ। ਜੇ ਤੁਹਾਨੂੰ ਸਿਰਫ ਸ਼ੋ ਨੋਟਸ ਲਈ ਬਿਨਾਂ ਸਬਟਾਈਟਲ ਵਾਲਾ ਸਾਦਾ-ਟੈਕਸਟ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਚਾਹੀਦਾ ਹੈ, MacWhisper ਸ਼ਾਇਦ ਸਰਲ ਚੋਣ ਹੋਵੇ।
ਕੀ MacWhisper ਖਰਾਬ ਹੈ?
ਨਹੀਂ। ਇਹ Mac 'ਤੇ ਆਡੀਓ ਨੂੰ ਟੈਕਸਟ ਵਿੱਚ ਬਦਲਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਲੋਕਲ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਟੂਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇੱਥੇ ਤੁਲਨਾ ਮਕਸਦ ਲਈ ਫਿੱਟ ਬਾਰੇ ਹੈ — ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਬਨਾਮ ਸਬਟਾਈਟਲ ਪ੍ਰੋਡਕਸ਼ਨ — ਸਮੁੱਚੀ ਗੁਣਵੱਤਾ ਬਾਰੇ ਨਹੀਂ।
ਮੈਨੂੰ ਕਿਹੜਾ ਚੁਣਨਾ ਚਾਹੀਦਾ ਹੈ?
- MacWhisper ਚੁਣੋ ਜੇ ਤੁਹਾਨੂੰ ਮੁੱਖ ਤੌਰ 'ਤੇ ਮੀਟਿੰਗਾਂ, ਕਾਲਾਂ, ਜਾਂ ਇੰਟਰਵਿਊਆਂ ਤੋਂ ਸਾਦੇ-ਟੈਕਸਟ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਦੀ ਲੋੜ ਹੈ — ਬਿਨਾਂ ਸਬਟਾਈਟਲ ਵਾਲੇ ਪੌਡਕਾਸਟ ਸ਼ੋ ਨੋਟਸ ਵੀ ਸ਼ਾਮਲ
- Subtitle Studio ਚੁਣੋ ਜੇ ਤੁਸੀਂ ਵੀਡੀਓ ਐਡਿਟ ਕਰਦੇ ਹੋ, YouTube 'ਤੇ ਪੌਡਕਾਸਟ ਐਪੀਸੋਡ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਦੇ ਹੋ, ਸੋਸ਼ਲ ਲਈ ਕੈਪਸ਼ਨਡ ਕਲਿੱਪ ਕੱਟਦੇ ਹੋ, ਜਾਂ ਸਹੀ, ਸੰਪਾਦਨ ਯੋਗ, ਐਕਸਪੋਰਟ-ਤਿਆਰ ਸਬਟਾਈਟਲ ਚਾਹੀਦੇ ਹਨ
ਬਹੁਤ ਸਾਰੇ ਪੌਡਕਾਸਟਰ ਦੋਵੇਂ ਵਰਤਦੇ ਹਨ: ਲਿਖਿਤ ਸ਼ੋ ਨੋਟਸ ਲਈ MacWhisper, YouTube ਅੱਪਲੋਡ ਅਤੇ ਆਡੀਓਗ੍ਰਾਮ ਕਲਿੱਪ ਲਈ Subtitle Studio।
Subtitle Studio ਮੁਫ਼ਤ ਵਿੱਚ ਅਜ਼ਮਾਓ
ਇੱਕ-ਵਾਰ ਭੁਗਤਾਨ, ਕੋਈ ਸਬਸਕ੍ਰਿਪਸ਼ਨ ਨਹੀਂ। ਤੁਹਾਡੇ Mac 'ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਫਲਾਈਨ ਚੱਲਦਾ ਹੈ।
