गाइड

दो घंटे की रिकॉर्डिंग को ट्रांसक्राइब कैसे करें

लंबी फ़ाइलें उन तरीक़ों से विफल होती हैं जिनसे छोटी कभी नहीं होतीं — प्रति-मिनट क़ीमत, अपलोड सीमाएँ, मेमोरी, और वे ट्रांसक्रिप्ट जो बीच में ही दोहराए गए टेक्स्ट में घुल जाते हैं।

30 August 2026

दस मिनट का वॉइस मेमो लगभग हर चीज़ में ठीक ट्रांसक्राइब हो जाता है। दो घंटे की बोर्ड मीटिंग अलग समस्या है, और ज़्यादातर टूल उसे चार ख़ास तरीक़ों में से किसी एक में ख़राब ढंग से संभालते हैं।

अगर आपके पास लंबी रिकॉर्डिंग है और आप समझने की कोशिश कर रहे हैं कि बात बन क्यों नहीं रही, तो यह रहा नक़्शा।

चार चीज़ें जो टूटती हैं #

1. क़ीमत, अगर आप प्रति मिनट भुगतान कर रहे हैं #

क्लाउड ट्रांसक्रिप्शन आम तौर पर ऑडियो मिनट के हिसाब से बिकता है। सामान्य दर पर दो घंटे की एक रिकॉर्डिंग कुछ डॉलर की पड़ती है — एक बार के लिए ठीक, आदत बन जाए तो तकलीफ़देह। अगर आप हर हफ़्ते दो घंटे की मीटिंग रिकॉर्ड करते हैं, तो आप ऐसा सब्सक्रिप्शन ले रहे हैं जो आपको वाकई महसूस होगा, उस काम के लिए जो आपका लैपटॉप आपके कॉफ़ी बनाते समय कर सकता है।

चारों में इसे हल करना सबसे आसान है: लोकल ट्रांसक्रिप्शन में प्रति-मिनट कोई मीटर नहीं है, क्योंकि वहाँ मीटर होने की गुंजाइश ही नहीं है।

2. अपलोड का समय और फ़ाइल सीमाएँ #

दो घंटे की WAV कई सौ मेगाबाइट की हो सकती है। होटल के Wi-Fi पर उसे अपलोड करने में मीटिंग से ज़्यादा वक़्त लगता है, और कई सेवाएँ फ़ाइल आकार या अवधि की सीमा तय करती हैं और उसे सीधे मना कर देती हैं।

लोग इसका जो जुगाड़ अपनाते हैं वह है अपलोड से पहले फ़ाइल को कंप्रेस करना या बाँटना, जिससे गुणवत्ता घटती है और बिंदु चार वाली सीमा-संबंधी समस्याएँ पैदा होती हैं।

3. मेमोरी, आपकी अपनी मशीन पर #

अगर आप लोकल तरीक़े से ट्रांसक्राइब करते हैं, तो टूल को ऑडियो कच्चे सैंपल के रूप में मेमोरी में रखना पड़ता है। 16 kHz पर दो घंटे लगभग 470 MB फ़्लोट सैंपल बनते हैं, और Whisper उसके ऊपर तुलनीय आकार का एक स्पेक्ट्रोग्राम बनाता है।

16 GB RAM वाले Mac पर किसी को कुछ पता नहीं चलता। iPhone पर, जो ऐप भोलेपन से पूरी फ़ाइल लोड कर लेता है, उसे सिस्टम बीच में ही बंद कर देता है — यही वजह है कि कुछ मोबाइल ट्रांसक्रिप्शन ऐप चुपचाप फ़ाइल की लंबाई सीमित कर देते हैं, या लंबी रिकॉर्डिंग पर बिना कारण बताए क्रैश हो जाते हैं।

इसका हल है विंडो में ट्रांसक्राइब करना: एक टुकड़ा डिकोड कीजिए, उसे ट्रांसक्राइब कीजिए, छोड़ दीजिए, आगे बढ़िए। तब चरम मेमोरी फ़ाइल की लंबाई के बजाय विंडो के आकार पर निर्भर करती है, और दो घंटे की रिकॉर्डिंग की लागत पंद्रह मिनट वाली के लगभग बराबर होती है।

4. ट्रांसक्रिप्ट बीच में बिखर जाता है #

यही वह बात है जो लोगों को चौंकाती है, क्योंकि पहले दस मिनट बिल्कुल सही दिखते हैं।

लंबी रिकॉर्डिंग में ख़ामोशी होती है — मीटिंग शुरू होने से पहले, ब्रेक के दौरान, सबके चले जाने के बाद। Whisper को जो दिया जाए वह उसके लिए टेक्स्ट बनाता है, और ख़ामोशी मिलने पर वह ख़ुद को दोहराता है, कभी-कभी पन्नों तक। हमने इसके कारण पर विस्तार से लिखा है, क्योंकि स्वचालित ट्रांसक्रिप्शन को लेकर यही इकलौती सबसे आम शिकायत है।

दो घंटे की फ़ाइल के लिए यह कोई ऊपरी दिखावे की समस्या नहीं है। यह आपके ट्रांसक्रिप्ट के आख़िरी एक-चौथाई हिस्से को शोर में बदल सकती है।

साफ़ नतीजा पाना #

फ़ाइल को इस तरह रिकॉर्ड कीजिए कि उसे ट्रांसक्राइब किया जा सके #

आगे की हर चीज़ यहीं तय होती है, और लंबे सत्र से पहले तीस सेकंड सोचना सार्थक है:

• माइक्रोफ़ोन को एयर कंडीशनिंग की तुलना में वक्ताओं के ज़्यादा पास रखिए। बोर्डरूम की मेज़ के बीचोंबीच रखा फ़ोन क्लासिक ग़लती है — वह सबसे बराबर दूरी पर है, यानी सबसे दूर है।
• हो सके तो बिना कंप्रेशन के रिकॉर्ड कीजिए। सामान्य बिटरेट पर WAV या M4A। भारी कंप्रेशन ठीक वही उच्च-आवृत्ति विवरण हटा देता है जो मिलते-जुलते व्यंजनों में फ़र्क करता है।
• मीटिंग ख़त्म होते ही रिकॉर्डर बंद कीजिए। सामान समेटने के बीस मिनट का शोर ही दोहराव की समस्या का कच्चा माल है।

भाषा स्पष्ट रूप से तय कीजिए #

स्वतः पहचान फ़ाइल की शुरुआत का नमूना लेती है। अगर आपकी रिकॉर्डिंग तीस सेकंड के कमरे के शोर से शुरू होती है, या ऐसे किसी व्यक्ति से जो बाक़ी मीटिंग से अलग भाषा बोल रहा है, तो पहचान ग़लत चुन सकती है और दो घंटे तक ग़लत बनी रह सकती है।

अगर आपको भाषा पता है, तो उसे तय कीजिए। Offline Transcription में आप किसी फ़ाइल पर Transcribe बटन दबाए रखकर सीधे उसकी भाषा चुन सकते हैं, जो तब सबसे ज़्यादा मायने रखता है जब आप अलग-अलग भाषाओं की रिकॉर्डिंग का एक बैच ट्रांसक्राइब कर रहे हों।

उसे शुरू कीजिए और जाकर कुछ और कीजिए #

आधुनिक Apple Silicon Mac पर दो घंटे की फ़ाइल में घंटे नहीं, मिनट लगते हैं — ऑन-डिवाइस इंजन वास्तविक समय से कई गुना तेज़ चलता है। पुराने Intel Mac पर यह धीमा है, और उसे देखते रहने के बजाय दोपहर के भोजन से पहले शुरू कर देना बेहतर है।

चलते समय ऐप से आपको जो चाहिए वह है ईमानदारी: एक प्रतिशत और बचा हुआ समय, ताकि आपको पता रहे कि वह काम कर रहा है या अटक गया है। दो घंटे की फ़ाइल पर बिना प्रगति वाला स्पिनर हैंग होने से अलग नहीं दिखता।

पूरी चीज़ नहीं, सीमाओं को जाँचिए #

आप दो घंटे का टेक्स्ट प्रूफ़रीड करने वाले नहीं हैं। आपको करना भी नहीं है।

लंबे ट्रांसक्रिप्ट में ग़लतियाँ अनुमान लगाने योग्य जगहों पर इकट्ठा होती हैं: नाम और संक्षिप्ताक्षर, पहला मिनट (जब तक मॉडल को संदर्भ नहीं मिला), वे क्षण जब लोग एक-दूसरे के ऊपर बोलते हैं, और वह हर बिंदु जहाँ रिकॉर्डिंग का चरित्र बदलता है — कोई स्पीकरफ़ोन पर जुड़ता है, कमरा बदलता है, कोई वीडियो चलता है।

टाइमस्टैंप वाला सेगमेंट व्यू इसे तेज़ बना देता है: उन क्षणों पर सरसरी नज़र डालिए, और जो पंक्ति ग़लत लगे उसके पीछे का ऑडियो चलाइए, बजाय इसके कि उसे ढूँढ़ने के लिए दो घंटे का वेवफ़ॉर्म खंगालें।

अगर आपके पास लंबी रिकॉर्डिंग का ढेर है #

प्रति-फ़ाइल यांत्रिकी से ज़्यादा मायने क़तार रखती है। सबको डाल दीजिए, उन्हें क्रम से चलने दीजिए, और बाद में लौट आइए — लोकल तरीक़े में उन्हें एक-एक करके करने की कोई वजह नहीं है, क्योंकि न कोई अपलोड है न प्रति-फ़ाइल लागत।

प्रति फ़ाइल करने लायक़ इकलौती चीज़ है भाषा तय करना, अगर वे अलग-अलग हों।

संक्षेप में #

लंबी रिकॉर्डिंग क़ीमत, अपलोड सीमाओं, मेमोरी, और ख़ामोशी से पैदा हुए दोहराव पर विफल होती हैं। लोकल ट्रांसक्रिप्शन पहली दो को सिरे से हटा देता है। बाक़ी दो के लिए आपको ऐसा टूल चाहिए जो पूरी फ़ाइल लोड करने के बजाय विंडो में ट्रांसक्राइब करे, और वॉइस एक्टिविटी डिटेक्शन चलाए ताकि ख़ामोश हिस्से मॉडल तक पहुँचें ही नहीं। फिर पूरे दो घंटे पढ़ने के बजाय ट्रांसक्रिप्ट को सीमाओं पर जाँचिए।

Offline Transcription ख़ास तौर पर दो घंटे वाले मामले को संभालता है: विंडो में ट्रांसक्रिप्शन ताकि मेमोरी सपाट बनी रहे, वॉइस डिटेक्शन ताकि ख़ामोशी दोहराए गए टेक्स्ट में न बदले, और बचे हुए समय के साथ सजीव प्रगति ताकि आपको पता रहे कि आप कहाँ हैं। इसे डाउनलोड करके आज़माना मुफ़्त है, Mac और iPhone दोनों पर।