Is this Mandarin speech-to-text really free?

Yes. The page is public, no signup is required, and there are no length limits. The recognition model runs entirely in your browser. For higher accuracy on noisy or accented audio, run your file through Subformer's cloud transcription in Subtitles-only mode.

How does the Mandarin transcription work in the browser?

It uses an open-source neural speech recognition model, executed by a WebAssembly runtime on your own device. The model (~75 MB) is downloaded on first use and cached in your browser. Subsequent visits skip the download entirely and can transcribe offline.

Is my audio uploaded to a server?

No. Recognition runs locally in your browser. The only network calls are to download the model and the WebAssembly runtime - both are static assets. Your audio file and the generated transcript never leave your device.

What audio formats are supported?

Anything your browser can decode: MP3, WAV, M4A, AAC, FLAC, OGG/Opus, plus video containers like MP4, MOV, and WEBM (the audio track is extracted automatically).

Can I download SRT or VTT subtitles?

Yes. After transcription you can download the result as plain text (.txt), SubRip subtitles (.srt), or WebVTT (.vtt) - both subtitle formats include segment-level timestamps so you can drop them straight into any video editor or player.

Tiny vs Base - which model should I pick?

Tiny (~40 MB) is fastest and great for clean studio audio. Base (~75 MB) is roughly twice as accurate on noisy or accented audio and only slightly slower. If you're not sure, start with Base - it's the default. For the highest accuracy on hard audio (accents, noise, overlap), use Subformer's cloud transcription in Subtitles-only mode.

Does it work offline?

Once the model is cached, yes. The first visit needs network access to download it; after that the page can transcribe audio offline.

Which browsers are supported?

Any modern browser with WebAssembly: Chrome, Firefox, Safari 15+, Edge, and Chromium-based mobile browsers.

Subformer

પ્રવેશ કરો

મફત · કોઈ સાઈનઅપ નથી · તમારા બ્રાઉઝરમાં ચાલે છે

મફત Mandarin સ્પીચ-ટુ-ટેક્સ્ટ

中文

એક Mandarin ઑડિયો અથવા વિડિઓ ફાઇલ છોડો અને ટાઈમસ્ટેમ્પ્સ સાથેની સંપૂર્ણ ટ્રાન્સક્રિપ્ટ મેળવો - બધું તમારા બ્રાઉઝરમાં, કોઈ સાઇનઅપ વગર. મોડેલ એક વખત (~75 MB) ડાઉનલોડ થાય છે અને લોકલી કેશ થાય છે, તેથી બાદનાં રન તરત થાય છે અને ઓફલાઇન કામ કરે છે.

બ્રાઉઝર સપોર્ટ ચકાસી રહ્યું છે…

વધુ ચોકસાઈ અથવા વધુ ભાષાઓની જરૂર છે?

ક્લાઉડ-આધારિત Mandarin સ્પીચ ટુ ટેક્સ્ટ

મફત ઇન-બ્રાઉઝર ટૂલ એક નાનું ઓપન-સોર્સ મોડેલ ચલાવે છે - સ્વચ્છ ઑડિયો માટે સારું છે, પરંતુ તે ભારે Mandarin ઉચ્ચારો, અવાજ અથવા ઓવરલેપિંગ સ્પીકર્સ સાથે સંઘર્ષ કરી શકે છે, અને ફક્ત મર્યાદિત ભાષાઓને આવરી લે છે. બ્રોડકાસ્ટ-ગ્રેડ ચોકસાઈ, ઘણી વ્યાપક ભાષા સપોર્ટ અને SRT/VTT/TXT ડાઉનલોડ્સ માટે, અમારા પેઇડ ક્લાઉડ-આધારિત સ્પીચ ટુ ટેક્સ્ટનો ઉપયોગ કરો.

ક્લાઉડ-આધારિત સ્પીચ ટુ ટેક્સ્ટ અજમાવો

તે કેવી રીતે કામ કરે છે

1. ફાઇલ છોડો
કોઈપણ Mandarin ઑડિયો અથવા વિડિઓ નાખો - MP3, WAV, M4A, MP4 અને WEBM બધા સમર્થિત છે.
2. ટ્રાન્સક્રાઇબ કરો
પ્રથમ ક્લિકમાં ~75 MBનું મોડેલ તમારા બ્રાઉઝરમાં ડાઉનલોડ થાય છે. ત્યારબાદ ઓળખ તાત્કાલિક થાય છે અને ઑફલાઇન કાર્યક્ષમ છે.
3. ડાઉનલોડ કરો
ટ્રાન્સક્રિપ્ટને TXT, SRT, અથવા VTT તરીકે સંગ્રહ કરો. તમારું ઓડિયો અને પરિણામ ક્યારેય તમારા ડિવાઇસને બહાર નહીં જાય.

તમારું ઓડિયો તમારા ડિવાઈસ પર જ રહે છે

પહચાન સંપૂર્ણપણે તમારા બ્રાઉઝરમાં WebAssembly વાપરીને ચાલે છે. એકમાત્ર નેટવર્ક વિનંતીઓ મોડેલ અને WebAssembly રનટાઈમ લાવવા માટે છે - બંને જાહેર, સ્થિર એસેટ્સ છે. અમે તમારું ઓડિયો જોઈએ નહી અને ટ્રાન્સક્રિપ્ટ પણ નહીં જોઈએ.

તમારા બ્રાઉઝરમાં Mandarin ટ્રાન્સક્રિપ્શન કેવી રીતે ચાલે છે

સ્પીચ રેકગ્નિશનનો સામાન્ય રીતે અર્થ થાય છે કે તમારો ઓડિયો કોઈના GPU પર અપલોડ કરવો. અહીં મોડેલ તેના બદલે તમારી પોતાની મશીન પર ચાલે છે, જે આને એક જ સમયે મફત અને ખાનગી બનાવે છે.

Open-source recognition model: બહુભાષી ઓડિયો પર તાલીમ પામેલું એક ઓપન-સોર્સ ન્યુરલ મોડેલ - તેથી જ એક ડાઉનલોડ Mandarin ને કોઈ ભાષા-વિશિષ્ટ મોડેલ વિના હેન્ડલ કરે છે.
WebAssembly: ઇન્ફરન્સ રનટાઇમ WebAssembly માં કમ્પાઇલ થયેલ છે, જેથી ન્યુમેરિકલ કોડ લગભગ મૂળ ગતિએ પ્લગઇન અને ઇન્સ્ટોલ વિના સેન્ડબોક્સવાળી ટેબની અંદર ચાલે છે.
On-device inference: ~75 MB ક્વોન્ટાઈઝ્ડ મોડેલ લોડ થાય છે અને ડીકોડિંગ લૂપ સંપૂર્ણપણે ક્લાયંટ-સાઇડ ચલાવવામાં આવે છે. એકવાર પૃષ્ઠ લોડ થઈ જાય પછી પાઇપલાઇનનો કોઈ ભાગ સર્વરને કૉલ કરતો નથી.
Web Audio API: તમારી ફાઇલને ડીકોડ કરવામાં આવે છે અને મોડેલ અપેક્ષા રાખે છે તે 16 kHz મોનોમાં ફરીથી સેમ્પલ કરવામાં આવે છે બ્રાઉઝરની પોતાની ઑડિઓ પાઇપલાઇનનો ઉપયોગ કરીને, જેથી તમારું બ્રાઉઝર ચલાવી શકે તે કોઈપણ ફોર્મેટ સ્વીકારવામાં આવે છે.

પ્રીમિયમ - Subformer તરફથી પણ

અનુવાદ અને ડબ

વિડિયોઝને એક ક્લિકમાં 30+ ભાષાઓમાં અનુવાદ અને ડબ કરો.

ઉપશીર્ષકો અનુવાદ કરો

SRT અથવા VTT નાખો અને કોઈપણ ભાષામાં સુધરેલું અનુવાદ મેળવો.

સબટાઇટલ એડિટર

તમારા સબટાઇટલ્સને મફત ઇન-બ્રાઉઝર સંપાદકમાં પૉલિશ, રીટાઇમ, અને રેસ્ટાઇલ કરો

મફત Mandarin સ્પીચ-ટુ-ટેક્સ્ટ

ક્લાઉડ-આધારિત Mandarin સ્પીચ ટુ ટેક્સ્ટ

તે કેવી રીતે કામ કરે છે

1. ફાઇલ છોડો

2. ટ્રાન્સક્રાઇબ કરો

3. ડાઉનલોડ કરો

તમારું ઓડિયો તમારા ડિવાઈસ પર જ રહે છે

તમારા બ્રાઉઝરમાં Mandarin ટ્રાન્સક્રિપ્શન કેવી રીતે ચાલે છે

વારંવાર પૂછાતા પ્રશ્નો

અન્ય મફત સ્પીચ-ટુ-ટેક્સ્ટ ભાષાઓ અજમાવો