गाइड
आपका ट्रांसक्रिप्ट ग़लत है — असल में इसे क्या ठीक करता है
लोग सबसे पहले बड़े मॉडल की ओर जाते हैं। उपलब्ध बदलावों में यह सबसे कम असरदार है, और जो माइक्रोफ़ोन आपके पास पहले से है, वही सबसे ज़्यादा असरदार है।
जब ट्रांसक्रिप्ट ग़लतियों से भरा हुआ लौटता है, तो सहज प्रवृत्ति होती है टूल को दोष देना और कोई बेहतर टूल ढूँढ़ने निकल पड़ना। कभी-कभी यह सही भी होता है। आम तौर पर समस्या इससे पहले के चरण में होती है, और उसका हल मुफ़्त है।
असल में सटीकता को क्या हिलाता है, यह रहा — असर के क्रम में।
1. माइक्रोफ़ोन की दूरी (कहीं आगे सबसे बड़ा कारक) #
आवाज़ और बाक़ी हर चीज़ के अनुपात के साथ स्पीच रिकग्निशन बिगड़ता है। दूरी उस अनुपात को हर चीज़ से तेज़ी से नष्ट करती है: दूरी के साथ ध्वनि दाब घटता है जबकि कमरे का शोर स्थिर रहता है, इसलिए आप जितने क़दम पीछे हटते हैं, बोली एयर कंडीशनिंग, ट्रैफ़िक और कॉफ़ी मशीन के मुक़ाबले उतनी ही धीमी होती जाती है।
वक्ता के मुँह से डेढ़ फ़ुट दूर रखा फ़ोन उसी ऐप और उसी मॉडल के साथ ऐसा ट्रांसक्रिप्ट देता है जो छह फ़ुट दूर रखे उसी फ़ोन से नाटकीय रूप से बेहतर होता है। यह कोई छोटा असर नहीं है — यह उस ट्रांसक्रिप्ट और उस ट्रांसक्रिप्ट के बीच का फ़र्क है जिसे आप पाँच मिनट में ठीक कर लेते हैं और जिसे आप दोबारा टाइप करते हैं।
अगर आप ठीक एक चीज़ बदल सकते हैं, तो यही बदलिए।
2. रिकॉर्डर कहाँ रखा है #
संबंधित, पर अलग बात, और यहीं मीटिंग रिकॉर्डिंग बिगड़ती हैं।
मेज़ के बीचोंबीच रखा उपकरण सबसे बराबर दूरी पर होता है, यानी वह सबसे दूर होता है और मेज़ के सबसे पास — और मेज़ हर थपकी, सरकन और कॉफ़ी के कप को सीधे माइक्रोफ़ोन तक पहुँचाती है। बेहतर: रिकॉर्डर को सतह से ऊपर उठाइए, और उसे उस व्यक्ति की ओर मोड़िए जो सबसे ज़्यादा बोलता है।
किसी व्याख्यान या प्रस्तुति के लिए, अगर कमरे में PA सिस्टम या कोई आधिकारिक रिकॉर्डिंग है, तो वह फ़ीड उस हर चीज़ से बेहतर है जो आप अपनी सीट से कैप्चर कर सकते हैं।
3. भाषा स्पष्ट रूप से तय कीजिए #
स्वचालित भाषा पहचान फ़ाइल की शुरुआत का नमूना लेती है। अगर पहले तीस सेकंड कमरे का शोर, संगीत, या बाक़ी रिकॉर्डिंग से अलग भाषा में बोलता कोई व्यक्ति हों, तो पहचान ग़लत भाषा पर टिक सकती है और पूरी फ़ाइल भर ग़लत बनी रह सकती है।
लक्षण साफ़ भी है और उलझाने वाला भी: ऐसी भाषा में ट्रांसक्रिप्ट जो किसी ने बोली ही नहीं, या बीच-बीच में उसके टुकड़े। अगर आपको भाषा पता है, तो टूल को अंदाज़ा लगाने देने के बजाय उसे तय कर दीजिए। Offline Transcription में आप किसी फ़ाइल का Transcribe बटन दबाए रखकर उसकी भाषा चुन सकते हैं, जो तब सबसे ज़्यादा मायने रखता है जब आपके पास अलग-अलग भाषाओं में कई रिकॉर्डिंग हों।
4. ज़रूरत से ज़्यादा कंप्रेस करके रिकॉर्ड मत कीजिए #
लगभग 64 kbps से नीचे, लॉसी कंप्रेशन उस उच्च-आवृत्ति विवरण को हटा देता है जो मिलते-जुलते व्यंजनों में फ़र्क करता है — "fifteen" और "fifty" के बीच का अंतर वहीं ऊपर बसता है। कोई भी ट्रांसक्रिप्शन टूल वह जानकारी वापस नहीं ला सकता जिसे एनकोडर ने फेंक दिया।
बिना कंप्रेशन के या सामान्य बिटरेट पर रिकॉर्ड कीजिए। अगर आपको कम बिटरेट वाली फ़ाइल थमा दी गई है, तो वही आपकी सटीकता की सीमा है और कोई सेटिंग उसे नहीं बदलती।
5. ख़ामोशी काट दीजिए #
बिना बोली वाले लंबे हिस्से तटस्थ नहीं होते। Whisper को जो भी दिया जाए, वह उसके लिए टेक्स्ट बनाता है, और ख़ामोशी मिलने पर वह ख़ुद को दोहराता है, कभी-कभी पन्नों तक।
वॉइस एक्टिविटी डिटेक्शन इसे ठीक से हल करता है, क्योंकि वह मॉडल को ख़ामोश हिस्से दिखाता ही नहीं। ऐसा न हो सके तो ट्रांसक्राइब करने से पहले रिकॉर्डिंग को काट-छाँट लीजिए।
6. उसके बाद, शायद, बड़ा मॉडल #
यह सूची में आख़िर में है, और इसकी वजह है।
मॉडल का आकार सटीकता सुधारता तो है, और यह सुधार असली है पर लोगों की उम्मीद से कम — और इसकी बहुत सारी क़ीमत समय और डिस्क में चुकानी पड़ती है। उससे भी अहम बात यह है कि बड़ा मॉडल ऊपर बताई गई किसी भी समस्या को ठीक नहीं करता। वह दूर से रिकॉर्ड की गई, शोर भरी, ज़्यादा कंप्रेस्ड रिकॉर्डिंग को थोड़ा बेहतर ट्रांसक्राइब करेगा, और फिर भी ख़राब ही करेगा।
ईमानदार बात यह है: मॉडल का आकार आपकी ऑडियो गुणवत्ता पर लगने वाला गुणक है। ख़राब ऑडियो को गुणा करने पर आपको थोड़े कम ख़राब नतीजे मिलते हैं। मॉडल चुनने पर हमारी मार्गदर्शिका इस अदला-बदली को कवर करती है।
जो बिल्कुल मदद नहीं करता #
वही फ़ाइल दोबारा चलाना। सैंपलिंग पूरी तरह निर्धारित नहीं होती, इसलिए आपको थोड़ी अलग ग़लतियाँ मिल सकती हैं। वह भिन्नता है, सुधार नहीं।
आवाज़ बढ़ा देना। धीमी रिकॉर्डिंग को बढ़ाने से कमरे का शोर भी उतना ही बढ़ जाता है। अनुपात — यानी जो चीज़ मायने रखती है — वैसा का वैसा रहता है।
नॉइज़ रिडक्शन, आम तौर पर। आक्रामक डीनॉइज़िंग ऐसी विकृतियाँ पैदा करती है जो मॉडल को उतना ही उलझाती हैं जितना शोर उलझाता था। गड़गड़ाहट हटाने के लिए हल्की हाई-पास फ़िल्टरिंग थोड़ी मदद कर सकती है। भारी प्रोसेसिंग आम तौर पर नुकसान पहुँचाती है।
प्रति मिनट ज़्यादा पैसा देना। क्लाउड सेवाएँ मॉडलों के उसी परिवार को चलाती हैं। क़ीमत सटीकता नहीं है।
अच्छा नतीजा कैसा दिखता है #
सब कुछ सही होने पर भी स्वचालित ट्रांसक्रिप्शन पूर्ण नहीं होता और कोई टूल उसे पूर्ण नहीं बनाएगा। उम्मीद रखिए कि ये चीज़ें किसी न किसी दर पर ग़लत बनी रहेंगी: अनजाने विशेष नाम, तकनीकी शब्दजाल, तेज़ी से बोले गए अंक, और वे क्षण जब दो लोग एक-दूसरे के ऊपर बोलते हैं।
इसीलिए वर्कफ़्लो उतना ही मायने रखता है जितनी सटीकता: टाइमस्टैंप वाले सेगमेंट व्यू का इस्तेमाल कीजिए ताकि जिस भी पंक्ति पर आपको संदेह हो, उसके पीछे का ऑडियो चला सकें, और उन हिस्सों की जाँच कीजिए जिन पर आप भरोसा करने वाले हैं। हमारी साक्षात्कार मार्गदर्शिका ऐसा करने का एक तेज़ तरीक़ा बताती है।
संक्षेप में #
माइक्रोफ़ोन को पास लाइए। रिकॉर्डर को मेज़ से हटाइए और वक्ता की ओर मोड़िए। पहचान पर भरोसा करने के बजाय भाषा स्पष्ट रूप से तय कीजिए। कम बिटरेट पर रिकॉर्ड मत कीजिए। ख़ामोशी काटिए या उसका पता लगाइए। इसके बाद ही मॉडल के आकार के बारे में सोचिए, जो इन छह में सबसे छोटा लीवर है।
Offline Transcription पाएं
ऑडियो और वीडियो को पूरी तरह अपने Mac पर ही ट्रांसक्राइब करें। कुछ भी अपलोड नहीं होता, कोई अकाउंट नहीं, और प्रति मिनट का कोई मीटर नहीं।