Start free

लांब ऑडिओ फाइल ट्रान्सक्राइब करा.10 घंटांपर्यंत. टाइमआउट नाही.

एक लांब ऑडिओ फाइल टाका — 10 घंटांपर्यंत, Business वर 5 GB. आम्ही समांतरती चंक करतो, स्पीकर ID शेवटपर्यंत सुसंगत ठेवतो, आणि एकाऐवजी क्रमांकित फोल्डर देतो.

तुमचा ऑडिओ किंवा व्हिडिओ टाका

MP3 · WAV · M4A · MP4 · MOV · MKV · OGG · OPUS · FLAC · WEBM — up to 100 MB anonymously

Paste a link, we’ll fetch the audio

YouTube · TikTok · Vimeo · Twitter · SoundCloud · Spotify · 50+ more

थेट तुमच्या browser मधून record करा

Sign up ला 30 सेकंद — लगेच dashboard मध्ये recording उघडतं.

No card required~90s per 60-min fileSRT · VTT · DOCX · TXTफाइल्स २४ तासांत ऑटो-डिलीट

↓ 5-तास फाइल, मध्य-ट्रान्सक्रिप्ट

तास आत. एक स्वच्छ फाइल बाहेर.

बहुतेक साधने 90-मिनिटाच्या चिन्हाभोवती टाइमआउट होतात किंवा आपला लांब रेकॉर्डिंग क्रमांकित आंशिकमध्ये विभाजित करतात जे आपल्याला सिलाई करावे लागतात. आम्ही 12-मिनिटांच्या अतिव्यापी खिडक्यांमध्ये चंक करतो, त्यांना समांतरती प्रक्रिया करतो, आणि विश्वव्यापी स्पीकर पास सह पुन्हा एकत्र करतो.

बोर्ड कार्यनीती सेशनREC 3 स्पीकर · 5:14:22 · 3.1 GB
स्वयंचलित-शोधित en-GB44.1 kHz स्टिरिओ · 192 kbps
~90s
ट्रान्सक्रिप्ट · एकल फाइल92% अचूकता · t=3:14:08
S1

आम्ही तीन तास आत आहोत — सकाळच्या सत्रातील सरवणा साखळी बिंदूकडे परत जाऊ या.

S2

बरोबर, व्हिएतनाम उत्पादन पिव्हॉट. मला वाटते की आम्ही लीड-वेळ जोखीमावर गोंधळ केला.

S1

लीड वेळ शुल्क बदलानंतर 14 ते 31 दिवसांपर्यंत गेली.

S3

आणि हे लांग बीचला बंदर ट्रॅफिकसाठी आमचे विचार करण्यापूर्वी आहे.

पूर्ण 5h फाइलमध्ये 92%DOCX · SRT · TXT · JSON

↓ This is the dashboard

This is what loads when the job finishes.

Same layout as the real dashboard — Summary, full Transcript, Speakers tab, Exports. Key points and action items extracted automatically. Auto-tags on every job.

Try it on your own file — it's free

तीन खरे पर्याय · प्रामाणिक तुलना

Otter Pro. DIY Whisper चंकिंग. किंवा आम्ही.

उपभोक्ता साधने फाइल लांबी कॅप करतात आणि शांतपणे truncate करतात. Whisper API ला 25 MB प्रति-विनंती मर्यादा आहे, त्यामुळे आप स्वयं चंकर तयार करता. आम्ही संपूर्ण 10-तास फाइल स्वीकारतो आणि एक ट्रान्सक्रिप्ट मिळवतो.

Option 01

Otter Pro

लांब फाइल्सना प्रति रेकॉर्डिंग 4 तास कॅप घालते. स्पीकर लेबल्स 2-तास चिन्हापटापास्त विचलित होतात.

कमाल फाइल लांबी4 तास (Pro tier)
कमाल फाइल आकार~1.5 GB अपलोड
स्पीकर ID शेवटपर्यंत2 तासानंतर विचलित होते
लांब-फाइल आउटपुटएकल डॉक, कॅपवर truncate केले
खर्च$16.99/user/mo
Resumable अपलोडनाही
Best for2 तासांपेक्षा कमी मीटिंग. दिवस-लांब रेकॉर्डिंगवर अपयशी होते.
Option 02

Transcription.Solutions

प्रति फाइल 10 तास. समांतर चंकिंग, विश्वव्यापी स्पीकर पास, एक DOCX बाहेर.

कमाल फाइल लांबी10 तास (Pro & Business)
कमाल फाइल आकार2 GB Pro · 5 GB Business
स्पीकर ID शेवटपर्यंतविश्वव्यापी embedding पास
लांब-फाइल आउटपुटएकल फाइल · DOCX/SRT/TXT
खर्च · प्रति मिनिट$0.03 सपाट लांबीकडे विचारात न घेता
Resumable अपलोडMultipart, ड्रॉप्स टिकून राहते
Best forदिवस-लांब कार्यशाळा, जमा, बोर्ड मीटिंग, मौखिक इतिहास — 90-मिनिटाच्या भिंतीपटापास्त कोणतीही.
Option 03

Whisper API + DIY चंकिंग

प्रति मिनिट सर्वस्वस्त. आप चंकर, स्पीकर stitch, आणि retry लॉजिक तयार करता.

कमाल फाइल लांबी25 MB प्रति विनंती (~25 मिनिट)
कमाल फाइल आकार25 MB hard कॅप
स्पीकर ID शेवटपर्यंतनाही — diarization नाही
लांब-फाइल आउटपुटक्रमांकित आंशिक, आप stitch करतात
खर्च · प्रति मिनिट$0.006 (OpenAI Whisper)
अभियांत्रिकी वेळप्रति पाइपलाइन तास ते दिवस
Best forअभियंते जे प्रत्येक चंकचा raw टेक्स्ट चाहतात आणि speakers, summaries, किंवा एकल आउटपुटची गरज नाही.

किंमत आणि मर्यादा मे 2026 अक्षर अचूक. Otter Pro लांबी कॅप शेवटी त्यांच्या सार्वजनिक किंमत पृष्ठावर पडताळलेला.

लांब फाइलमध्ये विशिष्ट

तीन way generic साधने 90-मिनिटाच्या चिन्हापटापास्त मरतात.

बहु���ेक पाइपलाइन एक-तास मीटिंगसाठी तयार केले गेले. लांब ऑडिओ त्यांना पूर्वानुमानित ways मध्ये तोडते — येथे आम्ही काय वेगळे करतो.

काय चूक होते

  1. 190 मिनिटांवर शांत timeout. कार्य एक तास स्पिन करते, नंतर उपयोगी error शिवाय मरते. आपल्याकडे retry करण्यासाठी काहीही नाही.
  2. 2स्पीकर ID chunks मधील विचलित होतात. तास 1 वर Speaker 1 तास 3 वर Speaker 4 बनते कारण प्रत्येक chunk diarization मध्ये isolation आहे.
  3. 3आउटपुट क्रमांकित फोल्डर आहे. `transcript_part_01.txt` ते `transcript_part_24.txt` प्रत्येक chunk boundary वर timestamp resets सह. आप ते स्वयं stitch करतात.

येथे काय flip करा

  1. 1Resumable multipart अपलोड. तास 2 वर अपलोड drop होते 4 GB? शेवटच्या completed part पासून resumes. 4 GB पुन्हा-अपलोड नाही.
  2. 2विश्वव्यापी स्पीकर embedding पास. प्रति-chunk diarization नंतर, आम्ही संपूर्ण फाइलमध्ये voices group करतो तर Speaker 3 मिनिट 12 आणि मिनिट 487 वर समान व्यक्ती आहे.
  3. 3एकल DOCX hour marker सह. एक फाइल, निरंतर timestamps, प्रत्येक 60 मिनिटांवर optional chapter break. Stitching नाही.

लांब फाइलसाठी अनुशंसित job सेटिंग्ज

90 मिनिटांपेक्षा कोणतीही काहीही टाका आणि हे स्वयंचलितपणे flip होते. फॉर्मपासून प्रति-job override करा.

Chunk strategy
12 मिनिट windows · 10s overlap
Diarization
सर्व chunks मधील विश्वव्यापी पास
स्पीकर मॉडेल
लांग-फॉर्म · 2-20 स्पीकर
अपलोड
Resumable multipart
Queue
प्राधान्य (Business plan)
निर्यात
एकल DOCX · hour marker वर

Accuracy · real-world numbers

92% 5-तास फाइलमध्ये टिकून राहते. गुणवत्ता तास-ते-तास सपाट राहते.

लांब ऑडिओसह कठीण भाग मॉडेल नाही — हे मिनिट 1 ते मिनिट 600 पर्यंत अचूकता सपाट ठेवणे आहे. स्पीकर ड्रिफ्ट आणि chunk-boundary त्रुटी हेच आहेत जे बहुतेक पाइपलाइन मारतात. खाली संख्या पूर्ण-लांबी ग्राहक फाइलवर मोजलेल्या आहेत, पहिल्या 10 मिनिटांवर नाही.

95%
स्टुडिओ लांग-फॉर्म, एकल स्पीकर

ऑडिओबुक narration, एकल की podcast, dictated पांडुलिपि. 6-10 तासाचा स्वच्छ voice room noise शिवाय. Diarization आवश्यक नाही.

92%
Boardroom, 2-6 स्पीकर

सम्मेलन टेबल, योग्य mic, 3-5 तास. विश्वव्यापी स्पीकर पास ID संपूर्ण फाइलमध्ये स्थिर ठेवते.

88%
दिवस-लांब कार्यशाळा, lapel mics

7-9 तासाचा प्रशिक्षण दिवस mic handoff आणि audience Q&A सह. नावांचे 5-मिनिट पास speaker chips मध्ये आवश्यक आहे.

82%
क्षेत्र roundtable, 8+ स्पीकर

लांब मौखिक इतिहास, focus group, किंवा अतिव्यापी voices आणि ambient noise सह panel. उपयोगी, पण cleanup अपेक्षा करा.

सामान्य प्रश्न

लोक 8 गोष्टीं विचारतात. लांब ऑडिओ ट्रान्सक्रिप्शन बद्दल

01वास्तविक फाइल लांबी आणि आकार मर्यादा काय आहे?+
Pro आणि Business दोन्हींवर प्रति फाइल 10 तास. Pro फाइल आकार 2 GB वर कॅप करते, Business 5 GB वर. जर आपल्याकडे 10 तासांपेक्षा लांब काहीही असेल, तर एकदा नैसर्गिक break वर विभाजित करा — आम्ही ID सुसंगत ठेवू जर आप त्यांना समान प्रकल्पवर back-to-back अपलोड करतात.
02मी एक ट्रान्सक्रिप्ट किंवा क्रमांकित आंशिकचा फोल्डर मिळते?+
एक फाइल. नेहमी. DOCX, SRT, TXT, किंवा JSON — आपली निवड. टाइमस्टँप 00:00:00 ते रेकॉर्डिंगच्या शेवटी चालतात, प्रत्येक chunk boundary वर नाही reset.
036-तास फाइल परत येण्यासाठी किती वेळ जाते?+
Pro queue वर अंदाजे 18-25 मिनिट, Business priority वर 8-12. आम्ही 12-मिनिटांच्या chunks समांतरती प्रक्रिया करतो, त्यामुळे wall-clock वेळ फाइल लांबीसह sub-linearly scales, minute-for-minute नाही.
04स्पीकर ID शेवटपर्यंत सुसंगत राहते?+
होय. प्रति-chunk diarization नंतर, विश्वव्यापी embedding पास संपूर्ण फाइलमध्ये voices cluster करते. Speaker 3 मिनिट 12 वर Speaker 3 मिनिट 487 वर समान आहे. DIY Whisper पाइपलाइन हीच मुख्य गोष्ट चूक करतात.
05माझे अप���ोड 4 GB फाइलचे तास 3 वर drop होते तर काय होते?+
Resumable multipart अपलोड शेवटच्या completed part पासून pick up करते. आप पहिल्या 3 GB पुन्हा-अपलोड करत नाहीत. फिकी hotel Wi-Fi आणि cellular tethering वर काम करते — आम्ही दोन्हीही चाचणी केली.
06Whisper API लांब फाइलवर का chokeतात?+
OpenAI च्या Whisper endpoint ला 25 MB प्रति-विनंती hard कॅप आहे — संकुचित ऑडिओचे अंदाजे 25 मिनिट. कोणतीही लांबी आपल्याला chunk, समांतरती transcribe, त्यानंतर ट्रान्सक्रिप्ट आणि align speakers stitch आवश्यक आहे. आम्ही त्याचे सर्व server-side करतो.
0710-तास फाइलवर प्रति-मिनिट किंमत 10-मिनिट फाइलवर समान आहे?+
होय. $0.03 प्रति मिनिट सपाट, लांबीकडे विचारात न घेता. 10-तास फाइल $18 खर्च करते. आम्ही लांब फाइलवर surcharge करत नाहीत Rev करतात ($1.50/min human × 10 तास = $900).
08मी chapter marker किंवा प्रत्येक तासाचे timestamp मिळू शकते?+
job form वर 'Hour marker' toggle करा आणि DOCX प्रत्येक 60 मिनिटांवर heading break सह निर्यात करतात. SRT निरंतर timecode ठेवते. JSON दोन्हीही — chapter array plus word-level timestamps.

आपली लांब फाइल टाका. एक ट्रान्सक्रिप्ट परत मिळवा.

प्रत्येक महीना 30 मुक्त मिनिट. कार्ड नाही. 10 तास पर्यंत फाइल, स्पीकर लेबल जे सुसंगत राहते, एकल-फाइल निर्यात.

मुक्त प्रारंभ करा