টাইমস্ট্যাম্প ও বক্তার নামসহ ভিডিও ট্রান্সক্রিপশন

Recapo সম্পাদকীয় দল · মূল লেখার আপডেট: 2026-07-28

উপকারী ক্যাপশন ট্রান্সক্রিপ্ট শুধু শব্দের স্তূপ নয়। টাইমস্ট্যাম্প প্রতিটি ক্যাপশনকে মূল রেকর্ডিংয়ের সঙ্গে যুক্ত করে, ফলে সাক্ষাৎকার, সভা, পডকাস্ট ও সামাজিক ভিডিও পর্যালোচনা এবং পুনর্ব্যবহার সহজ হয়। স্বয়ংক্রিয় ট্রান্সক্রিপশন ভালো প্রথম খসড়া দিতে পারে, তবে নয়েজ, আলাদা উচ্চারণ, বিশেষজ্ঞ শব্দ বা একসঙ্গে কথা বলা থাকলে মানুষের পর্যালোচনা জরুরি।

বর্তমান প্রকাশ্য আপলোড প্যানেলে MP4, MOV, MKV, WebM, MPEG, MPG, 3GP ও 3GPP, প্রতি ফাইলে 2 GB এবং উৎস ভিডিওর 60 মিনিট সীমা রয়েছে। এটি পুরোনো লেখার 180 মিনিট থেকে আলাদা। বের করা ASR অডিও 100MB ছাড়ালে দীর্ঘ ভিডিওতে কাজ ব্যর্থ হতে পারে; দরকারে আগে ট্রিম করুন এবং আপলোডের আগে বর্তমান প্যানেল দেখুন।

প্রক্রিয়া: ভিডিওর কথা থেকে ক্যাপশন তৈরি, তা যাচাই এবং পরের কাজের উপযুক্ত ফল নেওয়া। আলাদা SRT বা VTT দরকার হলে সংশ্লিষ্ট টুলে এক্সপোর্টের বিকল্প আগে যাচাই করুন। বর্তমান প্রকাশ্য Speech to Text পৃষ্ঠা মূলত ক্যাপশনযুক্ত MP4 বর্ণনা করে, যদিও একটি FAQ-তে সম্পাদনাযোগ্য ট্রান্সক্রিপ্টের ভিন্ন কথা আছে; আলাদা ফাইল পাওয়া নিশ্চিত ধরে শুরু করবেন না।

ট্রান্সক্রিপশনের আগে অডিও প্রস্তুত করুন

1. সম্ভব হলে মূল ফাইল নিন।
2. অনুপস্থিত বা নষ্ট অংশ শুনে দেখুন।
3. কথা বলার ভাষা চিনুন।
4. বক্তা ও প্রযুক্তিগত শব্দের তালিকা রাখুন।
5. রেকর্ডিং প্রক্রিয়া করার অনুমতি নিশ্চিত করুন।
6. পরের পরিষ্কারে নির্ভর না করে উৎসেই এড়ানো যায় এমন নয়েজ কমান।

কাছের মাইক্রোফোনের পরিষ্কার কথা সাধারণত প্রতিধ্বনির ঘরে দূরের কণ্ঠের চেয়ে সহজে শনাক্ত হয়। একই সময়ে একাধিক কণ্ঠ থাকলে কাজ বিশেষ কঠিন।

অডিও থেকে লেখা তৈরির ধাপ

1. অনুমোদিত ভিডিও আপলোড করুন

ইন্দোনেশীয় ব্যবহারকারী ইন্দোনেশীয় Speech to Text পৃষ্ঠা, জাপানি ব্যবহারকারী জাপানি Speech to Text পৃষ্ঠা এবং কোরীয় ব্যবহারকারী কোরীয় কণ্ঠ-থেকে-লেখা পৃষ্ঠা খুলতে পারেন। এগুলি ইন্টারফেসের ভাষার মূল লিংক; রেকর্ডিংয়ের ভাষা আলাদা করে ঠিক বাছুন।

2. সঠিক ভাষা নিন

রেকর্ডিংয়ে বলা ভাষা বেছে নিন। ঘনঘন ভাষা বদলালে বহুভাষিক কথায় টুলের আচরণ দেখুন এবং বাড়তি হাতে সংশোধনের প্রস্তুতি রাখুন।

3. টাইমস্ট্যাম্প ও বক্তার নাম যাচাই করুন

Recapo সময়ের সঙ্গে মেলানো ক্যাপশন তৈরি করে। শুনে প্রতিটি গুরুত্বপূর্ণ ক্যাপশনের শুরু-শেষ দেখুন। প্রকাশ্য পণ্যের বর্ণনা স্বয়ংক্রিয় বক্তা শনাক্তকরণের প্রতিশ্রুতি দেয় না; প্রয়োজন হলে যাচাইয়ের পরে হাতে নাম যোগ করুন।

4. শুনতে শুনতে পর্যালোচনা

শুধু লেখা পড়বেন না। অডিওর সঙ্গে নাম ও প্রতিষ্ঠান, সংখ্যা-তারিখ-দাম, বিশেষজ্ঞ শব্দ ও সংক্ষিপ্ত নাম, বাক্যের সীমানা, বক্তা বদল, বাধার মধ্যে বলা কথা ও অনিশ্চিত চিহ্নিত অংশ দেখুন। গুরুত্বপূর্ণ তথ্য আগে ঠিক করলে ট্রান্সক্রিপ্ট পুনর্ব্যবহার বেশি নিরাপদ হয়।

5. উপযুক্ত ফরম্যাট নিন

1. SRT: ক্রমিক নম্বর ও টাইমস্ট্যাম্পসহ বহুল ব্যবহৃত সাবটাইটেল কিউ।
2. VTT: ওয়েবের সময়যুক্ত লেখার ফরম্যাট, যাতে কিউ সেটিংস ও মেটাডেটাও থাকতে পারে।
3. ক্যাপশনযুক্ত MP4: যাচাই করা লেখা ছবিতে স্থায়ীভাবে রেন্ডার হয়, ফলে বিভিন্ন প্ল্যাটফর্মে একইভাবে দেখা যায়।

পরবর্তী টুল অনুযায়ী ফরম্যাট বেছে নিয়ে এক্সপোর্ট সত্যিই আছে কি না দেখুন। W3C-র WebVTT স্পেসিফিকেশন ক্যাপশন, সাবটাইটেল ও সম্পর্কিত মেটাডেটার মতো সময়যুক্ত লেখার ফরম্যাট নির্ধারণ করে।

টাইমস্ট্যাম্প কত ঘন হবে?

1. গবেষণা ও পর্যালোচনা: অনুচ্ছেদ বা বক্তা বদলের টাইমস্ট্যাম্প যথেষ্ট হতে পারে।
2. ভিডিও ক্যাপশন: বলা শব্দের সঙ্গে বেশি নির্ভুল মিল দরকার।
3. উদ্ধৃতি যাচাই: মূল বাক্য সহজে খুঁজে পাওয়া চাই।
4. সম্পাদনার নোট: কাট, গ্রাফিক্স বা B-roll দরকার এমন অংশ চিহ্নিত করুন।

অতিরিক্ত টাইমস্ট্যাম্প পড়ার ট্রান্সক্রিপ্ট জটিল করে; খুব কম হলে দীর্ঘ রেকর্ডিংয়ে অংশ খোঁজা কঠিন।

বক্তার পরিচয় যোগ করুন

পুরো লেখায় নাম বদলানোর আগে সহজ মানচিত্র বানান:

প্রতিটি গুরুত্বপূর্ণ বক্তা বদলের জায়গা শুনুন। কণ্ঠ যাচাইয়ের পরেই নাম দিন; অনিশ্চিত রেকর্ডিং থেকে পরিচয় অনুমান করবেন না।

ট্রান্সক্রিপশনের ভুলের সাধারণ কারণ

নয়েজ ও প্রতিধ্বনি

নয়েজ ব্যঞ্জনধ্বনি ঢাকতে পারে এবং ঘরের প্রতিধ্বনি শব্দের সীমানা ঝাপসা করে। কাছের মাইক্রোফোন ও শান্ত পরিবেশ সাধারণত পরে অতিরিক্ত সংশোধনের চেয়ে বেশি সাহায্য করে।

একসঙ্গে কথা

দুজন একসঙ্গে বললে ট্রান্সক্রিপশন ও কণ্ঠ আলাদা করা কম নির্ভরযোগ্য হয়। অনিশ্চিত অংশ মানুষের পর্যালোচনার জন্য চিহ্নিত করুন।

নাম ও বিশেষজ্ঞ শব্দ

বিশেষ নাম সাধারণ ভাষা মডেলে প্রচলিত নাও হতে পারে। বানানের তালিকা করে প্রতিটি উপস্থিতি দেখুন।

মিশ্র ভাষা

ভাষা বদল শনাক্তকরণ ও যতিচিহ্ন দুটোতেই প্রভাব ফেলে। একভাষিক না বহুভাষিক প্রক্রিয়া মানাবে যাচাই করুন।

দুর্বল উৎস

ক্লিপিং, খুব নিচু আওয়াজ, অনুপস্থিত চ্যানেল ও ভারী সংকোচন এমন তথ্য মুছতে পারে যা কোনো ট্রান্সক্রিপশন ব্যবস্থা পুরো ফেরাতে পারে না।

গুণমানের দুই দফা পরীক্ষা

1. বিষয়বস্তু: অর্থ, নাম, সংখ্যা, প্রযুক্তিগত শব্দ ও বক্তার পরিচয় ঠিক করুন।
2. উপস্থাপনা: যতিচিহ্ন, অনুচ্ছেদ, প্রযোজ্য ক্ষেত্রে বড়-ছোট অক্ষর, ক্যাপশনের দৈর্ঘ্য ও ফরম্যাট ঠিক করুন।

সংবেদনশীল সাক্ষাৎকার, আইনি বিষয়, স্বাস্থ্যসংক্রান্ত কথা বা আর্থিক সিদ্ধান্তে উপযুক্ত যোগ্য পর্যালোচক নিন এবং সংশ্লিষ্ট গোপনীয়তার নিয়ম মানুন। গুরুত্বপূর্ণ সিদ্ধান্তের একমাত্র ভিত্তি স্বয়ংক্রিয় ফল হওয়া উচিত নয়।

সাধারণ প্রশ্ন

Recapo কি প্রতিটি বক্তা নিজে চিনতে পারে?

বর্তমান প্রকাশ্য বর্ণনায় সেই দাবি নেই। রেকর্ডিং দেখে প্রয়োজনে হাতে বক্তার নাম দিন।

SRT না VTT?

গন্তব্যের চাহিদা দেখুন। SRT অনেক সম্পাদনা ও ভিডিও প্ল্যাটফর্মে প্রচলিত; VTT ওয়েবের সময়যুক্ত লেখার জন্য। সংশ্লিষ্ট এক্সপোর্ট বিকল্পও যাচাই করুন।

অডিওর বদলে ভিডিও ট্রান্সক্রাইব করা যায়?

Recapo-র এই প্রক্রিয়া ভিডিও ইনপুটভিত্তিক। জাপানি ব্যবহারকারী ভিডিওর জাপানি AI ক্যাপশন জেনারেটর ব্যবহার করতে পারেন। বক্তা বদল পর্যালোচনায় ভিডিও দৃশ্যের প্রেক্ষাপটও দেয়।

ট্রান্সক্রিপ্ট কি সঙ্গে সঙ্গে প্রকাশযোগ্য?

না। নাম, সংখ্যা, বিশেষজ্ঞ শব্দ, টাইমস্ট্যাম্প ও বক্তার লেবেল দেখুন। ক্যাপশনে লাইনের দৈর্ঘ্য ও পড়ার গতিও যাচাই লাগতে পারে।

গোপন রেকর্ডিং হলে কী করব?

আপলোডের আগে Recapo গোপনীয়তা নীতি পড়ুন। নির্দিষ্ট সংরক্ষণকাল বা স্বয়ংক্রিয় মুছে ফেলার সময় সেখানে প্রকাশিত নেই। প্রযোজ্য আইন ও উপলব্ধ অ্যাকাউন্ট সেটিংস বা পণ্যের সুবিধার শর্ত অনুযায়ী আপলোড করা ও তা থেকে তৈরি সামগ্রী মডেল এবং পরিষেবার উন্নতিতে ব্যবহার হতে পারে।

রেকর্ডিংকে উপকারী কাজের নথি করুন

পরের ধাপ অনুযায়ী আউটপুট ঠিক করলে বেশি সময় বাঁচে। টাইমস্ট্যাম্প দেখুন, যাচাই করা বক্তার নাম দিন, গুরুত্বপূর্ণ তথ্য অডিওর সঙ্গে মেলান এবং উপযুক্ত উপলব্ধ ফরম্যাট নিন। Recapo Speech to Text-এ অনুমোদিত ভিডিও আপলোড করে ফল পর্যালোচনা করুন এবং উপলব্ধ ক্যাপশন আউটপুট বাছুন।

তথ্যসূত্র

1. W3C: WebVTT