Kaiju Hub AI

ভয়েস টাইপিং

Kaiju Hub সেটিংসে ভয়েস টাইপিং পরিষেবা নির্বাচন

ওভারভিউ

একটি স্থানীয় ট্রান্সক্রিপশন ইঞ্জিন বা আপনার অপারেটিং সিস্টেমের বিল্ট-ইন ডিক্টেশন পরিষেবা চয়ন করুন৷ প্রাপ্যতা আপনার প্ল্যাটফর্ম এবং কোন ঐচ্ছিক ইঞ্জিন ইনস্টল করা আছে তার উপর নির্ভর করে।

বক্তৃতা থেকে পাঠ্য কি করে

কইজু হাব AI যেখানেই মাইক্রোফোন অ্যাকশন অফার করে সেখানে আপনি যা বলেন তা সম্পাদনাযোগ্য পাঠ্যে পরিণত করে। এজেন্ট প্রম্পট নির্দেশ করতে, একটি Kaiju ভয়েস কথোপকথন চালিয়ে যেতে এবং টাইপ না করে দীর্ঘ নির্দেশাবলী লিখতে এটি ব্যবহার করুন। স্থানীয় ইঞ্জিন যেমন হুইস্পার এবং প্যারাকিট আপনার মেশিনে ট্রান্সক্রিপশন রাখে; প্ল্যাটফর্ম ডিকটেশন উইন্ডোজ বা ম্যাকওএস দ্বারা প্রদত্ত বক্তৃতা পরিষেবা ব্যবহার করে।

উপলব্ধ সেবা

ফিসফিস

নির্বাচনযোগ্য মডেলের আকার এবং হার্ডওয়্যার ত্বরণ সহ স্থানীয় OpenAI হুইস্পার ট্রান্সক্রিপশন।

NVIDIA প্যারাকিট

ঐচ্ছিক প্যারাকিট ইঞ্জিন ব্যবহার করে দ্রুত স্থানীয় স্পিচ রিকগনিশন।

Insanely দ্রুত ফিসফিস

সমর্থিত GPU কনফিগারেশনের জন্য একটি অপ্টিমাইজড হুইস্পার পাথ।

উইন্ডোজ ভয়েস টাইপিং

উইন্ডোজ ডিকটেশন এবং কনফিগার করা সিস্টেম হটকি ব্যবহার করে।

আপেল ডিকটেশন

বিল্ট-ইন macOS ডিকটেশন পরিষেবা ব্যবহার করে।

উপলব্ধ মডেল

ইনস্টলেশন স্থিতি

ছোট

উপলব্ধ মডেল

বেস

৭৪ মিলিয়ন প্যারামিটার, ~১৪৫ এমবি ডাউনলোড, ~৭x রিয়েলটাইম গতি, ১ জিবি ভিআরএএম প্রয়োজন।

ছোট

২৪৪ মিলিয়ন প্যারামিটার, ~৪৬৫ এমবি ডাউনলোড, ~৪x রিয়েলটাইম গতি, ২ জিবি ভিআরএএম প্রয়োজন।

মাঝারি

৭৬৯ মিলিয়ন প্যারামিটার, ~১.৫ জিবি ডাউনলোড, ~২x রিয়েলটাইম গতি, ৫ জিবি ভিআরএএম প্রয়োজন।

বড়

1550 মিলিয়ন প্যারামিটার, ~3 জিবি ডাউনলোড, 1x রিয়েলটাইম গতি, 10 জিবি ভিআরএএম প্রয়োজন।

টার্বো

৮০৯ মিলিয়ন প্যারামিটার, ~১.৬ জিবি ডাউনলোড, ~৮x রিয়েলটাইম গতি, ৬ জিবি ভিআরএএম প্রয়োজন।

প্ল্যাটফর্ম ভয়েস

স্পিচ-টু-টেক্সট ট্রান্সক্রিপশনের জন্য উইন্ডোজ ভয়েস টাইপিং কনফিগার করুন। এই পরিষেবাটি উইন্ডোজ ১০ এবং তার পরের সংস্করণে নির্মিত অ্যাজুর স্পিচ পরিষেবা ব্যবহার করে। একটি ইন্টারনেট সংযোগ প্রয়োজন। উইন্ডোজ সেটিংস-এ স্পিচ রিকগনিশন সক্ষম করতে সেটআপ নির্দেশাবলী অনুসরণ করুন।

কোন হুইস্পার মডেল আমি নির্বাচন করা উচিত?

গতি, মেমরি ব্যবহার এবং ট্রান্সক্রিপশন গুণমানের ব্যবহারিক ভারসাম্যের জন্য Small দিয়ে শুরু করুন। হার্ডওয়্যার সীমিত হলে নিচে সরান, অথবা সঠিকতা এবং GPU কর্মক্ষমতা বেশি গুরুত্বপূর্ণ হলে Medium, Large বা Turbo বেছে নিন।

বেস

ওয়েক-শব্দ সনাক্তকরণ, দ্রুত কমান্ড এবং সর্বনিম্ন-মেমরি সিস্টেমে পরীক্ষা।

ছোট

সংক্ষিপ্ত নোট, প্রম্পট, এবং পরিমিত হার্ডওয়্যারের সাধারণ শ্রুতিমালা।

মাঝারি

এজেন্ট প্রম্পট এবং দীর্ঘ শ্রুতিমধুর জন্য একটি সুষম দৈনন্দিন পছন্দ।

বড়

সঠিকতা-কেন্দ্রিক প্রতিলিপি যখন আপনি অতিরিক্ত প্রক্রিয়াকরণ সময় এবং মেমরি ট্রেড করতে পারেন।

টার্বো

কমপক্ষে 10 GB উপলব্ধ VRAM সহ সিস্টেমের জন্য সর্বোচ্চ-নির্ভুলতা স্থানীয় বিকল্প।

প্ল্যাটফর্ম ভয়েস

কমপক্ষে 6 GB উপলব্ধ VRAM সহ একটি সমর্থিত GPU-তে দ্রুত, উচ্চ-মানের ট্রান্সক্রিপশন।

ইনস্টলেশন স্ট্যাটাস

৩৯ মিলিয়ন প্যারামিটার, ~৭৫ এমবি ডাউনলোড, ~১০x রিয়েলটাইম গতি, ১ জিবি ভিআরএএম প্রয়োজন।

ফিসফিস
FFmpeg
CUDA
UV (Python env)

প্যারাকিট এবং ইনসানেলি ফাস্ট হুইস্পার

ঐচ্ছিক দ্রুত ইঞ্জিন

এই ইঞ্জিনগুলি আলাদা ডাউনলোড তাই ডিফল্ট ইনস্টলেশন ছোট থাকে৷ সেটিংস স্ক্রীন প্রতিটি ইঞ্জিনের জন্য ইনস্টলেশন এবং হার্ডওয়্যারের স্থিতি দেখায়।

লাইভ স্থানীয় ট্রান্সক্রিপশনের মাধ্যমে কথা বলার সাথে সাথে শব্দগুলো দেখুন। Insanely Fast Whisper আধুনিক NVIDIA GPU-এর জন্য অপ্টিমাইজ করা হয়েছে; Whisper, Parakeet, ক্লাউড এবং প্ল্যাটফর্ম স্পিচ বিকল্পও উপলব্ধ।

NVIDIA প্যারাকিট

একটি উচ্চ-গতির স্থানীয় স্পিচ-টু-টেক্সট ইঞ্জিন। এটি নির্বাচন করার আগে ভয়েস টাইপিং সেটিংস থেকে এর ঐচ্ছিক রানটাইম ইনস্টল করুন।

Insanely দ্রুত ফিসফিস

সামঞ্জস্যপূর্ণ GPU সিস্টেমের জন্য একটি ত্বরিত হুইস্পার বাস্তবায়ন। ব্যবহারের আগে ঐচ্ছিক ইঞ্জিন ইনস্টল করুন।

কাইজু ভয়েসের মাধ্যমে একটি নির্বাচন করা কখনই নিঃশব্দে একটি বড় ডাউনলোড শুরু করে না। প্রথমে সেটিংসে ইনস্টল করুন; সহকারী তারপরে উপলব্ধতা যাচাই করতে এবং পরিষেবাগুলি পরিবর্তন করতে পারে৷

প্ল্যাটফর্ম ভয়েস

Windows Voice Typing — keyboard shortcut configuration and system setup

অ্যাপল ডিকটেশন

সিস্টেমের প্রয়োজনীয়তা

হটকী

ডিফল্ট ট্রিগার হটকী: সিট্রেল+শিফট+ডব্লিউ। আপনার পছন্দ অনুযায়ী কনফিগার করা যায়।

পরীক্ষা ট্রিগার

ভয়েস টাইপিং সঠিকভাবে কাজ করছে কিনা তা যাচাই করার জন্য একটি পরীক্ষা বোতাম।

টেস্ট ট্রিগার

ডিফল্ট ট্রিগার হটকী: সিট্রেল+শিফট+ডি। আপনার পছন্দ অনুযায়ী কনফিগার করা যায়।

হুইস্পার

উইন্ডোজ ১০ বা তার পরের সংস্করণ, সিস্টেম সেটিংসে স্পিচ রিকগনিশন সক্ষম।

হটকী

ভয়েস টাইপিং সঠিকভাবে কাজ করছে কিনা তা যাচাই করার জন্য একটি পরীক্ষা বোতাম।

পরীক্ষা ট্রিগার

ওয়েক ওয়ার্ড

টেস্ট ট্রিগার

ওয়েক ওয়ার্ড অ্যাক্টিভেশন

টেক্সট টু স্পিচ এবং এআই ভয়েস

Build with the speech API

In desktop versions with Settings → Voice → API, enable the speech API to let programs on the same computer use Kaiju's speech engines. That tab shows the current base URL, a private Bearer access key, endpoint details, and Python examples. Keep Kaiju open; the URL's port may change after restarting.

POST /speech returns audio from an installed TTS model and compatible voice, including a selected remote TTS computer; Pro access is required. POST /transcriptions accepts a base64 recording and its extension, then uses the speech-to-text provider selected in Voice settings. Enable Speech to Text first. Cloud transcription may incur provider charges, and platform microphone dictation cannot transcribe uploaded files.

Use GET /models and GET /voices for exact TTS IDs. Every endpoint requires Authorization: Bearer YOUR_KEY. The API accepts speech text up to 4,000 characters and recordings up to 40 MB, with two concurrent requests. Access is loopback-only; browser origins are blocked. Regenerate the key to revoke previous integrations, or disable the API to reject new calls.

স্থানীয় ভয়েস মডেল

এআই ব্রেইন নির্বাচিত ইন্সটল মডেলের মাধ্যমে কথা বলে। মডেল পরিবর্তন করা নতুন লোড করার আগে পূর্ববর্তী মডেলটিকে আনলোড করে এবং ভয়েস তালিকাটি সেই মডেলের সাথে সামঞ্জস্যপূর্ণ ভয়েসগুলিতে ফিল্টার করা হয়৷

কোকোরো 82M

একটি বিস্তৃত অন্তর্নির্মিত ভয়েস নির্বাচন সহ হালকা, দ্রুত স্থানীয় বক্তৃতা।

চ্যাটারবক্স টার্বো

কম-বিলম্বিত অভিব্যক্তিপূর্ণ বক্তৃতা এবং সমর্থিত ভয়েস ক্লোনিং।

চ্যাটারবক্স

অভিব্যক্তিপূর্ণ স্থানীয় সংশ্লেষণ এবং ক্লোনিংয়ের জন্য সম্পূর্ণ চ্যাটারবক্স মডেল।

OmniVoice 0.6B

কমপ্যাক্ট বহুভাষিক স্থানীয় পাঠ্য থেকে বক্তৃতা।

OuteTTS 1.0 1B

নিজস্ব কম্প্যাটিবল ভয়েস সেট সহ স্থানীয় স্পিচ জেনারেশন।

Qwen3-TTS 1.7B

বৃহত্তর বহুভাষিক এবং অভিব্যক্তিপূর্ণ স্থানীয় সংশ্লেষণ।

Fish Speech S2 Pro

সমর্থিত রেফারেন্স-ভয়েস ওয়ার্কফ্লো সহ উচ্চ-মানের স্থানীয় বক্তৃতা।

বক্তৃতা গতি 0.5× থেকে 2× পর্যন্ত সেট করা যেতে পারে। ভয়েস ক্লোনিং শুধুমাত্র মডেলগুলির জন্য প্রদর্শিত হয় যা এটি সমর্থন করে; আপনার মালিকানাধীন অডিও ব্যবহার করুন বা ব্যবহারের অনুমতি আছে।

ক্লাউড প্রদানকারীর ক্যাটালগ

সেটিংস ক্যাটালগে OpenAI, ElevenLabs, Cartesia, Smallest AI, Fish Audio, Speechmatics, Amazon Poly, Google Cloud Text-to-Speech, এবং Microsoft Azure-এর কনফিগারেশনও রয়েছে। প্রাপ্যতা প্রদানকারীর কনফিগারেশন এবং আপনার সরবরাহ করা প্রমাণপত্রের উপর নির্ভর করে।

API শংসাপত্রগুলি সেটিংসে থাকে এবং Kaiju Voice-এর কথ্য বা কাঠামোগত সেটিংস সারাংশ থেকে বাদ দেওয়া হয়৷

Kaiju Hub AI-এ প্রদর্শিত সব তৃতীয় পক্ষের লোগো, ট্রেডমার্ক ও ব্র্যান্ড নাম তাদের নিজ নিজ মালিকদের সম্পত্তি। এগুলো শুধুমাত্র শনাক্তকরণের উদ্দেশ্যে ব্যবহৃত হয় এবং সমর্থন, স্পনসরশিপ বা সম্পর্ক বোঝায় না।