Is my audio uploaded to a server?

The file is sent once to induwara.lk's transcription proxy, which forwards the bytes to the Hugging Face Inference API hosting OpenAI Whisper. Nothing is written to disk on our end and the upstream is configured with caching disabled, so no copy lingers after the response. There is no account, no log of audio content, and no third party other than Hugging Face touches the bytes.

How do I transcribe audio to text for free?

Drop a file (MP3, WAV, M4A, OGG, FLAC, MP4, or WebM, up to 25.0 MB) onto the tool above, leave the language on Auto-detect, and press Transcribe audio. The server forwards your audio to Whisper large-v3 on the Hugging Face Inference API; a one-minute clip typically returns in 15–30 seconds.

Why is this server-side instead of in-browser?

Whisper's quantised weights are between 75 MB (tiny) and ~1.5 GB (large-v3). Downloading even the smallest checkpoint into every Sri Lankan visitor's browser eats a chunk of their mobile data plan, and the larger checkpoints, the ones that actually transcribe Sinhala and Tamil well, are not realistic for in-browser delivery at all. Server-side inference via the Hugging Face Inference API gives users the highest-quality checkpoint with no download.

Is there a free Sinhala or Tamil audio-to-text tool?

Yes. This one. Whisper covers 99 languages and the multilingual checkpoints include Sinhala (si) and Tamil (ta). Quality on Sinhala is significantly better on the large-v3 model than on medium, per the per-language WER table in the Whisper paper. Set the source language explicitly (instead of Auto-detect) on short clips for a small accuracy bump.

How do I generate SRT subtitles from an MP3 file?

Upload the MP3, transcribe it, then press the .srt download button. The tool builds SRT cues from Whisper's chunk timestamps, index, HH:MM:SS,mmm start --> HH:MM:SS,mmm end, cue text, blank line. Drop the .srt into Premiere, DaVinci Resolve, Final Cut, or YouTube Studio and your subtitles are wired up.

What is the difference between SRT and VTT?

SRT (SubRip) is the older format video editors expect, numbered cues, comma in the millisecond separator (HH:MM:SS,mmm). VTT (WebVTT) is the W3C standard the HTML element loads, same timestamps but a dot before milliseconds (HH:MM:SS.mmm) and a WEBVTT header line. This tool emits both from the same chunk data, so the cues line up sample-for-sample.

What does Translate → English do?

Whisper has a built-in translate task that decodes any supported source language into English text. It is one-way only. There is no Sinhala→French in the model. Useful for getting English captions on a Sinhala or Tamil interview without a separate translation step. Leave the task on Transcribe if you want the words in their original language.

What file types and sizes are supported?

Anything ffmpeg can decode on the Hugging Face backend: MP3, WAV, M4A (AAC), OGG/OGA, FLAC, AAC, plus video containers MP4, WebM, and MOV. The hard cap is 25.0 MB per file, a roughly 25-minute mono MP3 at 64 kbps. Longer recordings should be split with Audacity or ffmpeg before uploading.

Can I transcribe a one-hour lecture?

Not in one go, the per-file cap is 25.0 MB, which is roughly 25 minutes of speech-quality MP3. For a one-hour lecture, split it into three ~20-minute chunks with Audacity or ffmpeg, transcribe each, and concatenate the SRT files (adjusting the second and third part's timestamps by the offset of the previous part). A dedicated long-form transcription mode is on the roadmap.

When were these models and references last verified?

The Whisper paper, OpenAI model card, Hugging Face Inference API reference, WebVTT specification, and SRT format notes were all cross-checked on 2026-05-12. The page is reviewed whenever Hugging Face rotates the Whisper variants in its hosted inference catalogue or OpenAI ships a new Whisper checkpoint.

AI · භාෂා 99ක්

AI ශ්‍රව්‍ය පිටපත්කරු, නොමිලේ Whisper, භාෂා 99ක්

ශ්‍රව්‍ය හෝ වීඩියෝ ගොනුවක් එක් කර තත්පර කිහිපයකින් සිංහල සහ දෙමළ ඇතුළත් වේලා සටහන් සහිත පිටපතක් ලබා ගන්න. Hugging Face Inference API හි OpenAI Whisper භාවිත කරයි. ලියාපදිංචි වීමක් අවශ්‍ය නැත, API යතුරක් අවශ්‍ය නැත, ශ්‍රව්‍ය ගොනු ගබඩා නොකෙරේ. සරල පෙළ, SRT උපසිරැසි හෝ WebVTT සිරස්තල ලෙස අපනයනය කරන්න.

නිර්මාණය: Induwara Ashinsana· සම-නිර්මාතෘ, Ryzera Technologiesයාවත්කාලීන කළේ මැයි 12, 2026

ශ්‍රව්‍ය පිටපත් කරන්නWhisper · භාෂා 99ක්

ගිණුමක් අවශ්‍ය නැත · මූලාශ්‍ර සඳහන් කර ඇත

ශ්‍රව්‍ය හෝ වීඩියෝ ගොනුවක් එක් කරන්න (MP3, WAV, M4A, OGG, FLAC, MP4, WebM)ගොනුවක් මෙහි දමන්න, නැතහොත් තේරීමට ක්ලික් කරන්නශ්‍රව්‍ය සඳහා උපරිමය 25.0 MB, වීඩියෝ සඳහා උපරිමය 150.0 MB · භාෂා 99ක්

පිටපත් කිරීම සත්කාරකත්වය සපයන Whisper සේවාදායකයක් මත සිදු වේ. ශ්‍රව්‍ය ගොනුව එක් වරක් යවා කිසිවිටෙක ගබඩා නොකෙරේ.

මෙය කරන්නේ කුමක්ද

25.0 MB දක්වා වූ ශ්‍රව්‍ය ගොනුවක් හෝ 150.0 MB දක්වා වූ වීඩියෝවක් කියවා වේලා සටහන් සහිත පිටපතක් සකස් කරයි. Whisper පිරික්සුම් ලක්ෂ්‍යයක් සහ මූලාශ්‍ර භාෂාව තෝරන්න (නැතහොත් ස්වයංක්‍රීයව හඳුනාගැනීම) ලෙස තබන්න, ඉන්පසු තෝරන්න පිටපත් කරන්න හෝ ඉංග්‍රීසි භාෂාවට පරිවර්තනය කරන්න →, ඉන්පසු ඔබන්න ශ්‍රව්‍ය පිටපත් කරන්න. සාමාන්‍ය පෙළ ලෙස අපනයනය කරන්න, .srt උපසිරැසි හෝ .vtt සිරස්තල අපනයනය කරන්න.

ආකෘතිය

මූලාශ්‍ර භාෂාව

Whisper තත්පර 30ක ආරම්භක කොටසකින් භාෂාව හඳුනාගනී.

කාර්යය

ප්‍රතිදාන ආකෘතිය

Whisper හරහා සේවාදායකයේදී හඬ පිටපත් කිරීම. සාමාන්‍යයෙන් කොටසක් තත්පර 5 සිට 60ක් ඇතුළත ලැබේ.

පහත පිටුවේ මූලාශ්‍ර දක්වා ඇත. අවසන් වරට හරස් පරීක්ෂාව කළේ 2026-05-12. Whisper පර්යේෂණ පත්‍රිකාව: Radford et al., arXiv:2212.04356.

මෙය ක්‍රියා කරන ආකාරය

මෙවලම ක්‍රියා කරන්නේ OpenAI Whisper වෙත යොමු කරමිනි Hugging Face Inference API. පෙරනිමි checkpoint එක වන්නේ openai/whisper-large-v3 (1550 M parameters, the lowest published WER of the public Whisper checkpoints); a faster whisper-medium (769 M) ඉංග්‍රීසි භාෂාවෙන් පමණක් හඬින් ලිවීම සඳහා ලබා දේ. පරිවර්තනය සේවාදායකයේ සිදු කරන්නේ ප්‍රසිද්ධ කර ඇති quantised Whisper මාදිලි සියල්ලම අවම වශයෙන් 75 MB වන නිසාය. එය ශ්‍රී ලංකාවේ ජංගම බ්‍රවුසරයකට යැවීමට ඉතා විශාලය. සිංහල සහ දෙමළ නිවැරදිව හඳුනාගන්නා විශාල මාදිලි බ්‍රවුසරය තුළ ලබා දීමට කිසිසේත් සුදුසු නොවේ.

A single transcription goes through five deterministic steps:

වලංගු බව තහවුරු කරන්න. ගොනුව ffmpeg මඟින් විකේතනය කළ හැකි ශ්‍රව්‍ය හෝ වීඩියෝ ආකෘතියකින් (MP3, WAV, M4A/AAC, OGG, FLAC, MP4, WebM, MOV) විය යුතු අතර, එහි ප්‍රමාණය 25.0 MB නොඉක්මවිය යුතුය.
යොමු කරන්න. The bytes are POSTed once to /api/tools/transcribe-audio, which streams them to api-inference.huggingface.co වෙත තෝරාගත් භාෂාව සහ කාර්යය සමඟය. අපගේ සේවාදායකයේ කිසිවක් ගබඩා නොකෙරේ. බයිට් පවතින්නේ ඉල්ලීමේ මතකයේ පමණක් වන අතර ප්‍රතිචාරය ලැබුණු විට ඒවා නිදහස් කෙරේ.
විකේතනය කර නැවත නියැදි අනුපාතයට සකසන්න. HF පසුබිම බහාලුම විකේතනය කිරීමට සහ නියැදි අනුපාතය වෙනස් කිරීමට ffmpeg භාවිත කරයි 16,000 Hz ඒක නාලිකා බවට නැවත නියැදි අනුපාතයට සකසයි. Whisper හි feature extractor අපේක්ෂා කරන නියැදි අනුපාතය මෙයයි.
කොටස් කර විකේතනය කරන්න. Whisper natively processes 30-second windows. The HF pipeline is called with return_timestamps: true සහ chunk_length_s: 30 so cues stay aligned across chunk boundaries on files longer than 30 seconds. Decoding is greedy (no sampling) with the source language token forced if you picked one, or Whisper's built-in language-detection token if you left the picker on Auto-detect. The task token selects transcribe හෝ translate ය (ඕනෑම භාෂාවකින් → ඉංග්‍රීසි).
Cue සාදන්න. API ප්‍රතිචාරය ලබා දෙයි { text, chunks: [{ text, timestamp:[start,end] }, …] }. SRT cue සාදන්නේ HH:MM:SS,mmm කාල සලකුණු (SubRip සම්ප්‍රදාය අනුව, කොමා වෙන්කිරීමේ ලකුණක් ලෙස). WebVTT කාල සලකුණු සඳහාද එම කාල සලකුණු භාවිත වන අතර, කොමාව වෙනුවට තිතක් යොදයි, අනුව W3C WebVTT පිරිවිතරය. දෙවන ස්වාධීන හැඩතලකාරකයක් (formatTimestampByMath) සෑම cue එකකදීම ප්‍රධාන හැඩතලකාරකය පිරිසිදු අංක ගණිතය සමඟ හරස් පරීක්ෂා කරයි. කිසියම් වෙනසක් තිබේ නම් ගොඩනැගීමේදී assert පරීක්ෂාවක් එය හඳුනා ගනී.

අග සිට අග දක්වා ප්‍රමාදය HF පෝලිම සහ තෝරාගත් checkpoint එක මත රඳා පවතී. whisper-large-v3 භාවිත කරන විට මිනිත්තු 1ක පටයක් සාමාන්‍යයෙන් තත්පර 15 සිට 30 දක්වා කාලයකින් ලැබේ. මිනිත්තු 5ක පටයක් සඳහා තත්පර 30 සිට 90 දක්වා ගත වේ. Medium මාදිලිය දෙගුණයක් පමණ වේගවත් වන අතර, සුළු නිරවද්‍යතා අඩුවීම නොපෙනෙන ඉංග්‍රීසි පමණක් ඇති කථන සඳහා එය සුදුසු තේරීමයි. සේවාදායකය සෑම ඉල්ලීමකටම තත්පර 120ක කාල සීමාවක් පනවයි. ඉහළ සේවාව පෝලිමේ ඇති විට හෝ වෙනත් හේතුවකින් ප්‍රවේශ විය නොහැකි විට, “model unavailable” යන පැහැදිලි බැනරයක් පෙන්වයි. එබැවින් පිටුව කිසිවිටෙක ක්‍රියා විරහිත තත්ත්වයක් නොපෙන්වයි.

Two privacy notes. The audio bytes are forwarded as a singlemultipart/form-data POST ඉල්ලීමක් ලෙස යොමු කර, ඉහළ සේවාවේ ප්‍රතිචාරය ලැබුණු වහාම මකා දමයි. ශ්‍රව්‍ය අන්තර්ගතය සටහන් නොකරයි. සටහන් කරන්නේ සේවාදායකයේ කාල ගණකය පමණි (ඉල්ලීම සඳහා ගත වූ ms, model id). මෙම මෙවලම කථකයා හඳුනා ගැනීමට හෝ වයස හෝ ජනවාර්ගිකත්වය අනුමාන කිරීමට කිසිවිටෙක උත්සාහ නොකරයි. Whisper යනු අනුක්‍රමයෙන් අනුක්‍රමයට ASR මාදිලියකි. එය කථකයන් වර්ග කරන මාදිලියක් නොවේ.

විසඳා දැක්වූ උදාහරණ

UCSC අධීක්ෂක රැස්වීම, ඉංග්‍රීසි, large-v3, SRT නිර්යාතය

A 12-minute M4A recorded on a phone, transcribed with whisper-large-v3 in English. Whisper emits two cues per minute on average at the default 30 s chunk; here are the first two for illustration.

මාදිලිය:: Whisper large-v3 (ඉහළම ගුණාත්මකභාවය)
භාෂාව:: ඉංග්‍රීසි

SRT පෙරදසුන

1
00:00:00,000 --> 00:00:30,000
Right, so let's go through the literature review you sent last week.

2
00:00:30,000 --> 00:01:00,000
I have a few suggestions on the methodology section in particular.

සටහන්: පිටපත් කිරීම ඇතුළුව, මිනිත්තු 6ක ඉංග්‍රීසි ගොනුවක් සැකසීමට ආසන්න වශයෙන් මිනිත්තුවක් ගත වේ. ඉහළ සේවාවේ පෝලිමේ රැඳී සිටින කාලය ද මෙයට ඇතුළත්ය. ඉහළ සේවාවේ Whisper ක්‍රියාත්මක වන්නේ do_sample=false ලෙස බැවින් SRT අන්තර්ගතය සෑම විටම එකම ප්‍රතිඵලය ලබා දෙයි. එකම ශ්‍රව්‍යය සහ එකම checkpoint එක භාවිත කළ විට, ඉල්ලීම් අතර කාල මුද්‍රා සහ පෙළ හරියටම සමාන වේ.

සිංහල ගුවන්විදුලි පටය, large-v3, VTT නිර්යාතය

සිංහල භාෂාවෙන් විකාශය වූ ගුවන්විදුලි වැඩසටහනක මිනිත්තු 4ක MP3 පටයක්. සිංහල සඳහා whisper-large-v3 භාවිත කිරීමට අපි නිර්දේශ කරමු. Whisper පර්යේෂණ පත්‍රිකාවේ 8 වගුවට අනුව, සම්පත් අඩු අක්ෂර පද්ධති සඳහා Medium මාදිලියේ එක් එක් භාෂාවට අදාළ WER අගය සැලකිය යුතු ලෙස අඩු වේ.

මාදිලිය:: Whisper large-v3 (ඉහළම ගුණාත්මකභාවය)
භාෂාව:: සිංහල

VTT පෙරදසුන

WEBVTT

00:00:00.000 --> 00:00:12.340
ආයුබෝවන් සියලු දෙනාටම, අද වැඩසටහනට.

00:00:12.340 --> 00:00:28.900
අපි කතා කරන්නේ දේශීය ක්‍රීඩා ගැන.

සටහන්: ස්වයංක්‍රීයව හඳුනාගැනීම තෝරාගෙන තිබුණේ නම් මෙම ගොනුව සිංහල ලෙසත් හඳුනාගැනීමට ඉඩ තිබුණි. පළමු අන්තර්ගත ටෝකනයට පෙර Whisper භාෂා ටෝකනයක් නිකුත් කරන අතර HF endpoint එක එය ප්‍රතිචාරයේ පෙන්වයි. මිලි තත්පර ආකෘතිකරණයේ කොටස පරීක්ෂා කිරීම සඳහා cue වල තත්පර අගයන් පූර්ණ සංඛ්‍යා නොවේ.

පැයක සීමාව, HH:MM:SS පෙරළීම පරීක්ෂා කිරීම

විශේෂ අවස්ථාව: පැයක සීමාව ඉක්මවා යන තනි cue එකක්. පැය අගය අහිමි නොකර මිනිත්තු අගය නිවැරදිව නැවත ආරම්භ කිරීමට ආකෘතිකරණය කළ යුතුය.

මාදිලිය:: Whisper large-v3 (ඉහළම ගුණාත්මකභාවය)
භාෂාව:: ඉංග්‍රීසි

SRT පෙරදසුන

1
00:59:59,500 --> 01:00:01,500
And that brings us to the close of part one.

සටහන්: අතින් ගණනය කිරීම: 3599.5 s → 0 h, 59 m, 59.5 s → 00:59:59,500. 3601.5 s → 1 h, 0 m, 1.5 s → 01:00:01,500. හරස් පරීක්ෂා කිරීමේ හැඩතලකාරකය වන formatTimestampByMath කාල මුද්‍රා දෙකම සමඟ එකඟ වේ. එබැවින් formatSrtTimestamp හි අනාගත වෙනසකින් මෙම අවස්ථාව බිඳ වැටුණහොත්, ගොඩනැගීමේදී පිටුවේ assert පරීක්ෂාව අසමත් වේ.

මාදිලි ප්‍රභේද පිළිබඳ කෙටි බැල්මක්

Whisper large-v3 පෙරනිමි මාදිලිය වන අතර, මහජනයාට ලබාගත හැකි Whisper checkpoint අතරින් සිංහල සහ දෙමළ සඳහා හොඳම ගුණාත්මකභාවය ලබා දෙයි. HF යටිතල පහසුකම් මත Medium මාදිලිය දෙගුණයක් පමණ වේගවත් වේ. එක් එක් භාෂාවට අදාළ WER වෙනස කුඩා වන බැවින් ඉංග්‍රීසි පමණක් ඇති කථන ලිවීම සඳහා එය සුදුසු තේරීමයි. පහත WER සංඛ්‍යා Whisper පර්යේෂණ පත්‍රිකාවේ වාර්තා කර ඇති බහුභාෂා පරීක්ෂණ ලකුණු වේ.

ආකෘතිය	පරාමිති	ඉංග්‍රීසි WER	සටහන්
Whisper large-v3 (ඉහළම ගුණාත්මකභාවය)	1550M	2.7%	OpenAI හි විශාලතම Whisper පිරික්සුම් ලක්ෂ්‍යය සහ පෙරනිමි විකල්පය මෙයයි. ඉංග්‍රීසි සහ බහුලව භාවිත වන වෙනත් භාෂාවලදී මෙය වඩාත් නිවැරදිය.
Whisper medium (වඩා වේගවත්)	769M	4.1%	වඩා වේගවත් සහ කුඩාය. ඉංග්‍රීසි සහ බොහෝ යුරෝපීය භාෂා සඳහා හොඳින් ක්‍රියා කරයි. අඩුවෙන් භාවිත වන භාෂා සඳහා එතරම් හොඳින් ක්‍රියා නොකරයි.

නිතර අසන ප්‍රශ්න

මූලාශ්‍ර සහ යොමු

The Whisper paper, model cards, Hugging Face Inference API reference, and the WebVTT specification were all cross-checked on 2026-05-12. මෙම පිටුව සෑම කාර්තුවකම සහ Hugging Face විසින් එහි සත්කාරක අනුමාන නාමාවලියේ Whisper ප්‍රභේද මාරු කරන සෑම විටම සමාලෝචනය කරනු ලැබේ.

අදාළ මෙවලම්

පෙළ

කථනයෙන් පෙළට

ඔබේ බ්‍රවුසරයේ ඇති කථන හඳුනාගැනීමේ පහසුකම භාවිතයෙන් ඕනෑම භාෂාවකින් කථනය පෙළට හරවන්න. ඉංග්‍රීසි, සිංහල, දෙමළ සහ තවත් භාෂා 30+ කට සහාය දක්වයි. .srt සහ .vtt උපසිරැසි ලෙස අපනයනය කළ හැකිය. සියල්ල ඔබේ බ්‍රවුසරය තුළම ක්‍රියාත්මක වේ.

මෙවලම විවෘත කරන්න

AI හඬ ජනකය

Turn text into realistic AI speech and download the MP3, free, no signup. 5 natural voices, 29 languages, and emotion effects like whisper, laugh, and pauses. Great for videos, narration, e-learning, and accessibility.

මෙවලම විවෘත කරන්න

AI පරිවර්තකය

ඉංග්‍රීසි ↔ සිංහල, ඉංග්‍රීසි ↔ දෙමළ සහ වෙනත් භාෂා යුගල 50+ ක් අතර ඔබේ බ්‍රවුසරය තුළ පරිවර්තනය කරන්න. transformers.js හරහා Meta හි NLLB-200 (කිසිදු භාෂාවක් අතපසු නොකරන) මාදිලිය භාවිතයෙන් ක්‍රියා කරයි. ලියාපදිංචි වීම, උඩුගත කිරීම හෝ අක්ෂර සීමා අවශ්‍ය නැත. මූලාශ්‍ර දක්වා ඇත.

මෙවලම විවෘත කරන්න

Comments & feedback

Spotted a bug or want an improvement? Tell us, our team reviews every comment, and good ideas get built. Comments are public and anonymous.

දෝෂයක් හෝ විශේෂ අවස්ථාවක් හමු වූවාද, නැතහොත් වැඩිදියුණු කිරීමක් යෝජනා කිරීමට අවශ්‍යද?

මට [email protected] , බොහෝ නිවැරදි කිරීම් පැය 24ක් ඇතුළත නිකුත් කෙරේ.

මෙය ක්‍රියා කරන ආකාරය

විසඳා දැක්වූ උදාහරණ

මාදිලි ප්‍රභේද පිළිබඳ කෙටි බැල්මක්

නිතර අසන ප්‍රශ්න

මගේ ශ්‍රව්‍ය ගොනුව සේවාදායකයකට උඩුගත කරනවාද?

ශ්‍රව්‍ය නොමිලේ පෙළ බවට පරිවර්තනය කරන්නේ කෙසේද?

මෙය බ්‍රවුසරය තුළ ක්‍රියා නොකර, සේවාදායකය හරහා ක්‍රියා කරන්නේ ඇයි?

සිංහල හෝ දෙමළ ශ්‍රව්‍ය පෙළ බවට පරිවර්තනය කරන නොමිලේ මෙවලමක් තිබේද?

MP3 ගොනුවකින් SRT උපසිරැසි සාදාගන්නේ කෙසේද?

SRT සහ VTT අතර වෙනස කුමක්ද?

ඉංග්‍රීසිට පරිවර්තනය කරන්න යන්නෙන් අදහස් කරන්නේ කුමක්ද?

සහාය දක්වන ගොනු වර්ග සහ ප්‍රමාණ මොනවාද?

පැයක දේශනයක් පිටපත් කළ හැකිද?

මෙම මාදිලි සහ මූලාශ්‍ර අවසන් වරට තහවුරු කළේ කවදාද?

මූලාශ්‍ර සහ යොමු

අදාළ මෙවලම්

කථනයෙන් පෙළට

AI හඬ ජනකය

AI පරිවර්තකය

Comments & feedback