एक वीडियो अपलोड करें और मिनटों में उसका टाइम्ड ट्रांसक्रिप्ट पाएं, जो बर्न-इन कैप्शन बनाने या टेक्स्ट के रूप में रखने के लिए तैयार होगा। लाइन दर लाइन सुनने की जरूरत नहीं, हाथ से टाइमस्टैम्प खींचने की जरूरत नहीं, बस एक स्क्रिप्ट जिसे आप वीडियो पब्लिश करने से पहले एक बार जांचते हैं।
अब कोई भी आवाज़ ऑन करके वीडियो नहीं देखता, कम से कम फोन पर तो नहीं। सोशल फीड डिफ़ॉल्ट रूप से म्यूट चलती हैं, सहकर्मी अपनी डेस्क पर मीटिंग रिकॉर्डिंग सरसरी तौर पर देखते हैं, और बहरे या कम सुनने वाले दर्शक पूरी तरह स्क्रीन पर दिखने वाले शब्दों पर निर्भर होते हैं। हर लाइन को हाथ से टाइप करना और टाइम करना लगभग उतना ही समय लेता है जितना वीडियो खुद चलता है। स्वचालित ट्रांसक्रिप्शन उस एक घंटे की क्लिकिंग को कुछ मिनटों की जांच में बदल देता है।
आज ज्यादातर वीडियो वहां देखे जाते हैं जहां आवाज़ चलाना असुविधाजनक हो: बस में, खुले ऑफिस में, फार्मेसी की लाइन में। फीड डिफ़ॉल्ट रूप से म्यूट चलती हैं, इसलिए किसी वीडियो के पहले तीन सेकंड या तो स्क्रीन पर दिख रही चीज़ से ध्यान खींचते हैं, या ऑडियो को मौका मिलने से पहले ही दर्शक को खो देते हैं। कैप्शन कभी वैकल्पिक चीज़ थी, अब नहीं; म्यूट फीड पर यह वह मुख्य तरीका है जिससे ज्यादातर लोग संवाद की पहली लाइन तक पहुंचते हैं।
पहुंच यानी एक्सेसिबिलिटी इस तर्क का दूसरा आधा हिस्सा है, और यह किसी के लिए भी वैकल्पिक नहीं है जो मुट्ठी भर दोस्तों से आगे बढ़कर दर्शक वर्ग बनाना चाहता हो। बहरे या कम सुनने वाले दर्शक बिना कैप्शन के वीडियो फॉलो नहीं कर सकते, और कई सुनने वाले दर्शक भी इन पर निर्भर रहते हैं, शोरगुल वाले सफर में या किसी दूसरी भाषा को कान से समझने से ज्यादा तेज़ी से पढ़ते हुए। बिना कैप्शन वाला वीडियो अपने ही दर्शक वर्ग के एक हिस्से को शब्द कहे बिना बाहर कर देता है।
रिटेंशन भी अक्सर इसी तर्क का पालन करता है। जो दर्शक साथ-साथ पढ़ सकता है वह उस कट पर टिका रहता है जिसे वह चुपचाप स्क्रॉल करके छोड़ सकता था, और जो प्लेटफॉर्म वॉच टाइम मापते हैं वे पर्याप्त वीडियो पर यह पैटर्न देख लेते हैं। इसके लिए किसी विशेष प्रतिशत के दावे की जरूरत नहीं, बस इतना सीधा तथ्य कि कैप्शन म्यूट या कम सुनने वाले दर्शक को देखते रहने की वजह देते हैं, छोड़ने की वजह की जगह।
कैप्शन हाथ से टाइप करने का मतलब है एक क्लिप सुनना, लाइन लिखना, उसे ऑडियो के साथ टाइम करने के लिए फिर से सुनना, और वीडियो के हर वाक्य के लिए यह दोहराना। इस तरीके से दस मिनट का वीडियो आसानी से एक घंटा खा सकता है, जिसका ज्यादातर हिस्सा उन्हीं तीन सेकंड पर आगे-पीछे स्क्रब करने में जाता है। स्वचालित ट्रांसक्रिप्शन एक बार सुनता है और उतने ही समय में टाइम्ड ट्रांसक्रिप्ट लौटाता है जितने में कॉफी बनती है।
स्पीड सबसे साफ फायदा है; एक्यूरेसी ईमानदार सीमा है। साफ-साफ बोलते एक व्यक्ति की स्वच्छ रिकॉर्डिंग लगभग परफेक्ट लौटती है। इसमें तेज़ लहजा, तकनीकी शब्द, अनोखी स्पेलिंग वाला ब्रांड नाम, या ऐसा मज़ाक जोड़ दें जो एक जैसी सुनाई देने वाली दो शब्दों पर टिका हो, तो ट्रांसक्रिप्ट को पब्लिश होने से पहले इंसानी नज़र की जरूरत पड़ेगी। स्वचालित ट्रांसक्रिप्शन टाइपिंग की जगह लेता है, प्रूफरीडिंग की नहीं, और नतीजे को एक बहुत अच्छे पहले ड्राफ्ट की जगह तैयार स्क्रिप्ट मान लेना इसके साथ सबसे आम गलती है।
पंक्चुएशन वहीं है जहां यह फर्क सबसे ज्यादा दिखता है। मॉडल सिर्फ रुकावट और लहजे से अंदाज़ा लगाता है कि वाक्य कहां खत्म होता है, और जल्दी बोलने वाला कोई शख्स जो वाक्यों को जोड़ता चला जाए, वह शब्द-दर-शब्द सटीक ट्रांसक्रिप्ट बना सकता है जो फिर भी एक लंबे बेतरतीब पैराग्राफ जैसी पढ़ी जाए। कैप्शन को सामान्य गति पर वापस पढ़ना, सिर्फ शब्दों को ऑडियो से मिलाना नहीं, ज्यादातर वह चीज़ पकड़ लेता है जो पहली नज़र में छूट जाती है। Picasso IA पर ट्रांसक्रिप्ट Toolkit के अंदर वापस आता है, जहां इसे बनाने वाला वही स्टेप इसे एडिट और स्टाइल करने भी देता है।
टिप: वीडियो एडिट करने से पहले, बाद में नहीं, कच्ची रिकॉर्डिंग पर ट्रांसक्रिप्शन चलाएं। जंप कट्स और हटाए गए पॉज़ वाला रफ कट टाइमिंग को उलझा देता है, जबकि बिना छेड़छाड़ किया ऑडियो मॉडल को फॉलो करने के लिए एक लगातार आवाज़ देता है, और बाद में आप फुटेज के साथ-साथ कैप्शन ट्रैक भी ट्रिम कर सकते हैं।
शुरुआत में ही कैप्शन स्टाइल चुनना बाद में रीस्टाइलिंग का एक राउंड बचा देता है, क्योंकि एक ही ट्रांसक्रिप्ट को पांच अलग तरीकों से सजाया जा सकता है, और हर तरीका इस बात पर निर्भर करते हुए अलग पढ़ा जाता है कि वीडियो कहां देखा जाएगा।
| स्टाइल | कैसा दिखता है | सबसे अच्छा कहां फिट होता है |
|---|---|---|
| मिनिमल सिंगल-लाइन | एक छोटी लाइन, छोटा फॉन्ट, निचला तिहाई हिस्सा | टॉकिंग-हेड इंटरव्यू और पॉडकास्ट |
| बोल्ड वर्ड-हाइलाइट | बड़ा टेक्स्ट, बोलते समय एक शब्द हाइलाइट होता है | छोटे सोशल क्लिप्स |
| क्लासिक सबटाइटल बार | दो लाइन, डार्क बैकग्राउंड स्ट्रिप, बीच में | ट्यूटोरियल और स्क्रीन रिकॉर्डिंग |
| लार्ज मोबाइल-फर्स्ट | बड़ा सेंटर्ड टेक्स्ट, हाई कॉन्ट्रास्ट | म्यूट देखा जाने वाला वर्टिकल वीडियो |
| लोअर-थर्ड कैप्शन | कोने में छोटा बॉक्स, फ्रेम को नहीं ढकता | वेबिनार और स्लाइड्स वाला टॉकिंग-हेड |
विदेशी भाषा में डबिंग तैयार करने के लिए, पब्लिश होने वाले वर्जन के लिए लुक चुनने के बाद भी एक बिना-स्टाइल एक्सपोर्ट रखें। ट्रांसलेटर को साफ, टाइम्ड ट्रांसक्रिप्ट चाहिए होता है, स्टाइल्ड ओवरले नहीं, और वही साफ टेक्स्ट अनुवाद के बाद एक AI वॉयसओवर को शुरुआती इनपुट दे सकता है।
ट्रांसक्रिप्शन हर पल बोल रही आवाज़ को फॉलो करता है, लेकिन खुद-ब-खुद यह लेबल नहीं करता कि कौन बोल रहा है। दो लोगों का इंटरव्यू एक ही लगातार ट्रांसक्रिप्ट के रूप में लौटता है जो लाइन दर लाइन सही पढ़ी जाती है; अगर आप चाहते हैं कि आखिरी कैप्शन में दिखे कि किसने क्या कहा, तो स्पीकर टैगिंग रिव्यू के दौरान एक मैनुअल स्टेप है, यह वह चीज़ नहीं जो ट्रांसक्रिप्शन खुद जोड़ता है।
साफ, अच्छी तरह रिकॉर्ड की गई स्पीच में लहजों की एक बड़ी रेंज अच्छी तरह हैंडल होती है, लेकिन बहुत तेज़ क्षेत्रीय लहजा, वाक्य के बीच भाषा बदलना, या बहुत तेज़ बोली गई डायलेक्ट कुछ खास हिस्सों में एक्यूरेसी घटा देती है। पूरी दोबारा सुनने की बजाय एक तेज़ रीरीड, उन हिस्सों में छूटी ज्यादातर चीज़ पकड़ लेता है, क्योंकि गलतियां पूरे ट्रांसक्रिप्ट में फैलने के बजाय छोटे-छोटे झुंड में जमा होती हैं।
बैकग्राउंड शोर और ओवरलैपिंग स्पीच वे दो हालात हैं जो एक्यूरेसी को सबसे तेज़ी से गिराते हैं। एक समय पर एक आवाज़ वाला शांत कमरा लगभग परफेक्ट नतीजे देता है; व्यस्त कैफे, संवाद के नीचे बजता संगीत, या दो लोग एक साथ बोलते हुए, मॉडल को शब्दों का अंदाज़ा लगाना शुरू करने से पहले ही आवाज़ को शोर से अलग करने पर मजबूर करते हैं। यह कोई ऐसी खामी नहीं जिससे बचना हो, बल्कि यह याद दिलाता है कि एक ठीक-ठाक माइक्रोफोन आज भी उसके बाद चलने वाले किसी भी सॉफ्टवेयर से ज्यादा मायने रखता है।
अपलोड से एक्सपोर्ट तक की पूरी प्रक्रिया पांच मिनट के वीडियो के लिए आमतौर पर दस से पंद्रह मिनट लेती है, और इसका ज्यादातर समय मॉडल का इंतज़ार करने की बजाय रिव्यू करने में जाता है।
क्रेडिट सिर्फ जनरेशन स्टेप पर खर्च होते हैं, और किसी लंबे वीडियो के लिए कमिट करने से पहले आप प्राइसिंग पेज पर एक रन की लागत देख सकते हैं।
एक ईमानदार पेज बताता है कि टूल कहां टूटता है। स्वचालित ट्रांसक्रिप्शन टाइपिंग हटाता है, गलती के हर स्रोत को नहीं, और पांच सीमाएं इतनी बार सामने आती हैं कि उनके लिए योजना बनाना समझदारी है।
खासतौर पर ट्रांसक्रिप्शन के इर्द-गिर्द बने टूल, जिनकी तुलना Descript कंपेरिज़न पेज पर की गई है, आम कैटलॉग से कहीं ज्यादा गहराई से ऑडियो एडिटिंग में जाते हैं; फायदा यह है कि कैप्शन बनने के बाद वही Picasso IA अकाउंट रीस्टाइलिंग, अपस्केलिंग और बाकी मॉडल कैटलॉग भी कवर करता है।
साफ-साफ बोलते एक ही स्पीकर के लिए, यह शब्द-दर-शब्द लगभग परफेक्ट लौटता है, बस किसी नाम या अनोखे शब्द में कभी-कभार चूक हो जाती है। जैसे-जैसे हालात मुश्किल होते हैं एक्यूरेसी घटती है: बैकग्राउंड शोर, ओवरलैप होती आवाज़ें, तेज़ लहजे और तेज़ रफ्तार सब ज्यादा गलतियां लाते हैं, लेकिन ये पूरे ट्रांसक्रिप्ट में फैलने की बजाय कुछ लाइनों में जमा होती हैं। पब्लिश करने से पहले एक रीरीड लगभग हर पकड़ने लायक चीज़ पकड़ लेता है।
हां, अपने नाम से पब्लिश की जाने वाली किसी भी चीज़ के लिए। स्वचालित ट्रांसक्रिप्शन एक बहुत तेज़ पहला ड्राफ्ट है, फाइनल स्क्रिप्ट नहीं, और कैप्शन में गलत शब्द बोलने में हुई उसी चूक से ज्यादा दिखता है, क्योंकि दर्शक उस पर रुक सकता है। ट्रांसक्रिप्ट को सामान्य गति पर ऑडियो के साथ पढ़ने के लिए कुछ मिनट निकालें, यहीं ज्यादातर छूटी गलतियां पकड़ में आती हैं।
खुद-ब-खुद नहीं। यह हर पल बोल रही आवाज़ को फॉलो करता है और उसे सही ट्रांसक्राइब करता है, लेकिन खुद यह लेबल नहीं करता कि कौन बोल रहा है। अगर आपको फाइनल कैप्शन में स्पीकर के नाम दिखाने हैं, तो वह टैगिंग बेस ट्रांसक्रिप्ट आने के बाद, आपकी रिव्यू के दौरान होती है, ट्रांसक्रिप्शन का हिस्सा होने की बजाय।
साफ, अच्छी तरह रिकॉर्ड की गई स्पीच में लहजों की एक बड़ी रेंज पर यह ठीक-ठाक अच्छा काम करता है, हालांकि बहुत तेज़ क्षेत्रीय लहजों, वाक्य के बीच भाषा बदलने, या असामान्य रूप से तेज़ बोली के लिए एक्यूरेसी घट जाती है। ये गलतियां पूरे ट्रांसक्रिप्ट में फैलने की बजाय छोटे हिस्सों में जमा होती हैं, इसलिए मुश्किल हिस्सों पर टार्गेटेड रीरीड आमतौर पर काफी होता है।
आपके ऑडियो के साथ लाइन-दर-लाइन टाइम्ड ट्रांसक्रिप्ट, जो टेक्स्ट के तौर पर रिव्यू करने और फिर बर्न-इन कैप्शन के तौर पर स्टाइल करने के लिए तैयार होता है, या डिस्क्रिप्शन, ब्लॉग पोस्ट या ट्रांसलेशन में दोबारा इस्तेमाल के लिए प्लेन टेक्स्ट के तौर पर रखा जा सकता है। आप पहले से कोई फाइल फॉर्मेट नहीं चुनते; आपको ऐसा टेक्स्ट मिलता है जिसे आप एडिट, रीस्टाइल, और अगले स्टेप को जिस शक्ल की जरूरत हो उसी में एक्सपोर्ट कर सकते हैं।
हां, लेकिन सिर्फ आवाज़ वाली साफ रिकॉर्डिंग से ज्यादा सुधार की उम्मीद रखें। संवाद के नीचे संगीत मॉडल का काम मुश्किल बना देता है, क्योंकि शब्दों को ट्रांसक्राइब करने से पहले उसे आवाज़ को बैकग्राउंड से अलग करना पड़ता है, और सबसे धीमी लाइनों में सुधार की सबसे ज्यादा जरूरत पड़ती है। अगर हो सके तो बोले जा रहे हिस्सों में संगीत की आवाज़ धीमी करना पहले नतीजे को काफी बेहतर बनाता है।
पांच मिनट के वीडियो के लिए, शुरू से आखिर तक लगभग दस से पंद्रह मिनट, और इसका ज्यादातर समय ट्रांसक्रिप्ट का इंतज़ार करने की बजाय उसे पढ़ने में जाता है। जनरेशन स्टेप खुद वीडियो की अपनी लंबाई का बहुत छोटा हिस्सा लेता है; असली समय बाद की रिव्यू और स्टाइलिंग में जाता है, और यह इस पर निर्भर करता है कि असली ऑडियो कितना साफ था।
दोनों। ट्रांसक्रिप्ट रिव्यू और स्टाइल हो जाने के बाद, आप ऐसा वीडियो एक्सपोर्ट कर सकते हैं जिसमें कैप्शन पहले से फ्रेम में बेक्ड हों, जो वैसे ही पोस्ट करने के लिए तैयार हो, या टाइम्ड टेक्स्ट को अलग से रख सकते हैं ताकि उसे कहीं और, जैसे ट्रांसलेटेड वर्जन या वीडियो के लिखित रीकैप में, दोबारा इस्तेमाल किया जा सके।
नए अकाउंट को फ्री क्रेडिट मिलते हैं, जो एक-दो वीडियो ट्रांसक्राइब और स्टाइल करने के लिए काफी हैं और यह जांचने के लिए कि क्या यह वर्कफ्लो और खर्च करने से पहले सच में समय बचाता है। इसके बाद, जनरेशन क्रेडिट खर्च करता है, और मौजूदा प्लान प्राइसिंग पेज पर लिस्टेड हैं। कैप्शनिंग के लिए कोई अलग टियर नहीं है; वही क्रेडिट पूरे कैटलॉग में इमेज, वीडियो, ऑडियो, और 3D मॉडल भी कवर करते हैं।
टाइम्ड ट्रांसक्रिप्शन के लिए बने स्पीच-टू-टेक्स्ट मॉडल सही फैमिली हैं, जो अलग कैप्शनिंग प्रोडक्ट में बंद रखने की बजाय कैटलॉग के बाकी 488 मॉडलों के साथ लिस्टेड हैं। अगर आप इस वर्कफ्लो में नए हैं, तो Toolkit में डिफ़ॉल्ट ट्रांसक्रिप्शन मॉडल से शुरुआत करें और सिर्फ तुलना के लिए एक बेसलाइन मिलने के बाद ही दूसरे विकल्प देखें।
आपके अगले वीडियो में पहले से ही ऐसा ऑडियो है जिसे कैप्शन की जरूरत है। इसे Toolkit में चलाएं और देखें कि बिना एक भी सुधार के ट्रांसक्रिप्ट का कितना हिस्सा बचता है।
