Whisper ট্রান্সক্রিপশন গাইড ২০২৬: নির্ভুলতা, মডেল সাইজ ও অফলাইন ব্যবহার

Whisper আসলে কী?

Whisper একটি অটোমেটিক স্পিচ রিকগনিশন (ASR) মডেল, যা OpenAI ২০২২ সালের সেপ্টেম্বরে MIT লাইসেন্সে প্রকাশ করে। এটি একটি encoder-decoder ট্রান্সফরমার, ৬,৮০,০০০ ঘণ্টারও বেশি বহুভাষিক অডিওতে প্রশিক্ষিত, এবং প্রায় ১০০টি ভাষায় ট্রান্সক্রিপশনের পাশাপাশি ইংরেজিতে অনুবাদও করতে পারে।

আপনার জন্য সবচেয়ে গুরুত্বপূর্ণ অংশটি হলো: মডেলের ওয়েটগুলো উন্মুক্ত। Google বা Amazon-এর স্পিচ API-এর মতো নয় — Whisper-কে অন্য কারও সার্ভারে চলতে হয় না। এটি লোকালভাবে চালানোর জন্য একটি সম্পূর্ণ ইকোসিস্টেম রয়েছে — whisper.cpp, faster-whisper, আর Whisper Notes-এর মতো নেটিভ অ্যাপ। এ কারণেই সত্যিকারের অফলাইন, ব্যক্তিগত ট্রান্সক্রিপশন সম্ভব হয়।

Whisper মডেলের সাইজ: কোনটি ব্যবহার করবেন

Whisper ছয়টি প্রধান সাইজে আসে। যত বড়, তত নির্ভুল — আর তত ধীর:

প্রায় সবার জন্যই উত্তরটি large-v3-turbo: এটি large-v3-এর encoder ধরে রাখে, কিন্তু decoder-এর লেয়ার ৩২ থেকে কমিয়ে ৪-এ নামায় — অনেক কম কম্পিউটে প্রায় একই নির্ভুলতা। আমরা এর বিস্তারিত বেঞ্চমার্ক করেছি Whisper Large V3 Turbo vs V3-তে।

Whisper ট্রান্সক্রিপশন কতটা নির্ভুল?

পরিষ্কার ইংরেজি অডিওতে বড় মডেলগুলো প্রায় ৫-৮% ওয়ার্ড এরর রেটে (WER) পৌঁছায় — বেশিরভাগ ব্যবহারিক কাজে যা পেশাদার মানব ট্রান্সক্রিপশনের সমতুল্য। ব্যাকগ্রাউন্ড শব্দ, ভারী উচ্চারণভঙ্গি, একসাথে কথা বলা আর কম-রিসোর্সের ভাষায় নির্ভুলতা কমে যায়।

Whisper-এর একটি কুখ্যাত দুর্বলতা: নীরবতার সময় হ্যালুসিনেশন। এর অটোরিগ্রেসিভ decoder মাঝে মাঝে কেউ কথা না বললেও পুনরাবৃত্ত বাক্যাংশ বা সাবটাইটেল ক্রেডিট বানিয়ে ফেলে। নতুন মডেলগুলো এটি ঠিক করেছে — NVIDIA-র Parakeet V3-কে বিশেষভাবে নন-স্পিচ অডিওতে প্রশিক্ষণ দেওয়া হয়েছে এবং আমাদের পরীক্ষায় এটি শূন্য হ্যালুসিনেশন দিয়েছে (সম্পূর্ণ Parakeet V3 vs Whisper বেঞ্চমার্ক)।

চীনা, জাপানি, কোরিয়ান ও ক্যান্টনিজের জন্য একটি বিশেষায়িত মডেল গতি ও যতিচিহ্ন — দুই দিকেই Whisper-কে ছাড়িয়ে যায়: দেখুন CJK ভাষার জন্য SenseVoice vs Whisper।

Whisper ট্রান্সক্রিপশন চালানোর ৫টি উপায়

সহজ নিয়ম: আপনি যদি টার্মিনালেই দিন কাটান, faster-whisper চমৎকার। যদি কোনো প্রোডাক্ট বানান, API-ই যুক্তিসঙ্গত (ডেভেলপারদের জন্য প্রতি অডিও মিনিটে $0.006)। আর যদি শুধু Python না ছুঁয়ে নিজের রেকর্ডিং ব্যক্তিগতভাবে টেক্সটে রূপান্তর করতে চান, নেটিভ অ্যাপ ব্যবহার করুন — Whisper Mac অ্যাপগুলোর অস্তিত্বের পুরো কারণই এটি।

অফলাইন টুলগুলো আরও বিস্তৃতভাবে যাচাই করতে চান — Windows ও Android-এর বিকল্পসহ? দেখুন আমাদের সম্পূর্ণ অফলাইন স্পিচ-টু-টেক্সট গাইড।

Whisper vs নতুন লোকাল মডেল (২০২৬)

লোকাল ট্রান্সক্রিপশনের যুগ Whisper-ই শুরু করেছিল, কিন্তু এখন সে আর একা নয়। নিচের গতিগুলো M4 Pro Mac-এ মাপা:

তিনটি মডেলই Whisper Notes-এ লোকালভাবে চলে, আর প্রতিটি রেকর্ডিংয়ের জন্য আলাদা করে মডেল বদলানো যায়। পাশাপাশি তুলনার বেঞ্চমার্ক রয়েছে আমাদের Whisper মডেল তুলনা পেজে।

Mac ও iPhone-এ Whisper ট্রান্সক্রিপশন অফলাইনে যেভাবে চালাবেন

কোনো কমান্ড লাইন নেই, Python নেই, ক্লাউড নেই:

1. Mac-এর জন্য Whisper Notes ডাউনলোড করুন (ফ্রি ট্রায়াল) অথবা iPhone-এর জন্য ($6.99 একবার)।
2. মডেল বেছে নিন: বিস্তৃত ভাষা কভারেজের জন্য Whisper Large V3 Turbo, ইংরেজিতে গতির জন্য Parakeet V3, CJK-এর জন্য SenseVoice। একবার ডাউনলোড হয়, তারপর চিরকাল অফলাইনে কাজ করে।
3. সরাসরি রেকর্ড করুন, Fn চেপে ধরে যেকোনো অ্যাপে ডিক্টেট করুন, অথবা অডিও-ভিডিও ফাইল ফেলে দিন (MP3, WAV, M4A, MP4)।
4. প্রসেসিংয়ের সাথে সাথেই টেক্সট আসতে থাকে। TXT বা SRT হিসেবে এক্সপোর্ট করুন।

"অফলাইন" নিয়ে সন্দেহ? আগে এয়ারপ্লেন মোড চালু করুন। ট্রান্সক্রিপশন পূর্ণ গতিতেই চলবে — কিছুই আপলোড হয় না, কখনোই না।

বাংলায় Whisper ট্রান্সক্রিপশন কতটা নির্ভুল? কোন মডেল বেছে নেবেন?

বাংলার জন্য সঠিক পছন্দ Whisper Large V3 Turbo: এর কভার করা ১০০+ ভাষার মধ্যে বাংলা রয়েছে — যেখানে Parakeet V3 (শুধু ইউরোপীয় ভাষা) ও SenseVoice (চীনা/জাপানি/কোরিয়ান) বাংলা সমর্থন করে না। ~1.5GB-এর এই মডেলটি Whisper Notes-এ একবার ডাউনলোড হয়, তারপর Mac ও iPhone দুটোতেই সম্পূর্ণ অফলাইনে চলে। পরিষ্কার অডিও ও কাছের মাইক্রোফোনে ফলাফল সবচেয়ে ভালো; আঞ্চলিক উচ্চারণ বা মিশ্র বাংলা-ইংরেজিতে নির্ভুলতা কিছুটা কমতে পারে — তাই কেনার আগে Mac-এর ফ্রি ট্রায়ালে নিজের আসল রেকর্ডিং দিয়ে যাচাই করে নিন।

সচরাচর জিজ্ঞাসিত প্রশ্ন

iOS-এর জন্য ডাউনলোড করুন Mac-এ বিনামূল্যে ব্যবহার করুন