रिकॉर्ड की गई बातचीत अपलोड करें और घंटों टाइप करने की बजाय मिनटों में पढ़ने लायक टेक्स्ट पाएं। Picasso IA इंटरव्यू, पॉडकास्ट और कॉल्स को ट्रांसक्राइब करता है, स्पीकर्स को अलग करता है, और एक घंटे के ऑडियो को ऐसे टेक्स्ट में बदलता है जिसे आप सर्च और कोट कर सकें।
रिकॉर्ड की गई एक घंटे की बातचीत कच्चा माल है, इस्तेमाल के लिए तैयार कोट नहीं। इसे हाथ से टाइप करने में इंटरव्यू से तीन या चार गुना ज़्यादा समय लगता है, और हर हफ्ते ऐसा करने वालों के लिए मिनट के हिसाब से पैसे लेने वाली ट्रांसक्रिप्शन सेवा जल्दी महंगी पड़ जाती है। ऑटोमैटिक स्पीच टू टेक्स्ट रिकॉर्डिंग को मिनटों में पढ़ने लायक टेक्स्ट में बदल देता है, तो बचता है सिर्फ पढ़ना, टाइप करना नहीं।
आज के स्पीच टू टेक्स्ट मॉडल बोली जाने वाली भाषा की भारी मात्रा पर ट्रेन किए गए हैं, और यह सामान्य स्थितियों में साफ दिखता है: फोन पर इंटरव्यू रिकॉर्ड करता पत्रकार, एक-एक करके सेशन लेता रिसर्चर, अच्छे माइक्रोफोन पर दो लोगों की बातचीत रिकॉर्ड करता पॉडकास्टर। इन हालात में मॉडल ज़्यादातर शब्द सही पहचानता है, आम रुकावटों और हिचकिचाहट को समझता है, और ऐसा टेक्स्ट देता है जिसे बस हल्की एडिटिंग चाहिए, दोबारा लिखना नहीं। आम भाषाएँ और आम एक्सेंट, जो ज़्यादातर मेहमान ज़्यादातर समय बोलते हैं, बिल्कुल वही स्थिति है जिसके लिए ये मॉडल बनाए गए हैं।
Picasso IA पर, ट्रांसक्रिप्शन Toolkit से होता है: ऑडियो या वीडियो फाइल अपलोड करें, एक स्पीच टू टेक्स्ट मॉडल चुनें, और ट्रांसक्रिप्ट प्लेन टेक्स्ट के रूप में वापस आता है जिसे आप सीधे कॉपी, सर्च या एडिट कर सकते हैं। जो अकाउंट इंटरव्यू ट्रांसक्राइब करता है वही उस लेख की इमेज या वीडियो भी बना सकता है जो उसे कोट करता है, तो एक ही वर्कफ़्लो दोनों काम कवर करता है।
ऑटोमैटिक ट्रांसक्रिप्शन जादू नहीं है, और ऐसा मान लेना शर्मिंदा करने वाले कोट देता है। चार स्थितियाँ लगभग हमेशा दूसरी नज़र चाहती हैं: अनजान नाम और स्पेलिंग जो मॉडल ने पहले कभी नहीं देखे, आपके मेहमान के क्षेत्र से जुड़ी तकनीकी शब्दावली, तेज़ या क्षेत्रीय एक्सेंट जिन पर मॉडल ज़्यादा ट्रेन नहीं हुआ, और दो लोगों का एक साथ बोलना। इनमें से कोई भी ट्रांसक्रिप्शन को बेकार नहीं बनाता, बस इसका मतलब है कि पहला नतीजा एक बहुत अच्छा ड्राफ्ट है, पूरा दस्तावेज़ नहीं।
टिप: रिकॉर्डिंग शुरू होने से पहले अपने मेहमान से नाम, कंपनियाँ और तकनीकी शब्द स्पेल करने को कहें, या दस सेकंड का गैप छोड़ें जहाँ आप दोनों उन्हें दोहराएँ। ये कुछ सेकंड आपको बाद में ट्रांसक्रिप्ट जांचने के लिए एक रेफरेंस देते हैं, और यह बाद में संदर्भ से स्पेलिंग अंदाज़ा लगाने से कहीं तेज़ है।
एक साथ बोली गई बातचीत किसी भी ट्रांसक्रिप्शन मॉडल, इंसान हो या मशीन, के लिए सबसे मुश्किल स्थिति है। जब दो लोग एक साथ बोलते हैं, मॉडल को अंदाज़ा लगाना पड़ता है कि हर शब्द किस आवाज़ का है, और कभी-कभी वह दोनों आवाज़ों को एक उलझी हुई लाइन में मिला देता है। अगर आपका मेहमान बार-बार बीच में बोलता है, तो उन खास हिस्सों को साफ करने में बाकी पूरी ट्रांसक्रिप्ट से ज़्यादा समय लगने की उम्मीद रखें।
साफ ट्रांसक्रिप्ट आपके अपने इंटरव्यू का सर्च इंडेक्स है। एक घंटे के ऑडियो में आगे-पीछे भटकते हुए याद करने की बजाय कि किसने वह अच्छी लाइन कहाँ बोली, आप टेक्स्ट में एक कीवर्ड सर्च करते हैं और सीधे सही पैराग्राफ पर पहुँच जाते हैं। यह अकेला अक्सर खुद ट्रांसक्रिप्शन से भी ज़्यादा समय बचाता है, खासकर लंबी रिकॉर्डिंग में जहाँ सबसे अच्छा कोट चालीस मिनट बाद दबा हुआ हो।
लिखे गए लेख के लिए, ट्रांसक्रिप्ट खुद ड्राफ्ट न होकर पहले ड्राफ्ट का कच्चा माल बन जाता है। बातचीत की बनावट समझने के लिए इसे एक बार पढ़ें, वे दो-तीन हिस्से चिन्हित करें जो लेख को सहारा देते हैं, और याद्दाश्त से पैराफ्रेज़ करने की बजाय उन्हें ज्यों का त्यों कोट करें। ट्रांसक्रिप्ट के खिलाफ जांचा गया ज्यों का त्यों कोट उस तरह से बचाव करने लायक होता है जैसे नोट्स से दोबारा बनाया गया कोट नहीं कर पाता।
जब किसी रिकॉर्डिंग में दो से ज़्यादा लोग हों, तो एक लगातार ब्लॉक की बजाय स्पीकर के हिसाब से बंटी ट्रांसक्रिप्ट मांगें। लेबल किया गया टेक्स्ट, स्पीकर 1, स्पीकर 2, स्पीकर 3, किसी पैनल चर्चा या ग्रुप इंटरव्यू को कुछ ऐसा बना देता है जिसे आप वाकई नेविगेट कर सकें, न कि टेक्स्ट की एक दीवार जहाँ आपको सिर्फ लहजे से अंदाज़ा लगाना पड़े कि कौन बोल रहा है।
सटीकता इस बात पर कहीं ज़्यादा निर्भर करती है कि ऑडियो कैसे कैप्चर हुआ, न कि उसे बाद में कौन सा मॉडल पढ़ता है। शांत कमरे में रिकॉर्ड की गई और भीड़भाड़ वाले कैफे में रिकॉर्ड की गई एक ही इंटरव्यू, एक ही मॉडल से साफ अलग-अलग ट्रांसक्रिप्ट दे सकती है, और यह पहले से पता होना बदल देता है कि आप रिकॉर्ड करने के लिए कहाँ बैठना चुनते हैं।
| रिकॉर्डिंग की स्थिति | अनुमानित सटीकता | आम तौर पर क्या गड़बड़ होती है |
|---|---|---|
| शांत कमरा, एक स्पीकर, पास का माइक | बहुत ज़्यादा | कभी-कभी शब्दावली या अनजान नाम |
| फोन या वीडियो कॉल, दो स्पीकर | ज़्यादा | कंप्रेशन आर्टिफैक्ट, छोटी टकराहट |
| शोरगुल वाला कैफे या ओपन ऑफिस | मध्यम | बैकग्राउंड शोर में खो गए शब्द |
| एक-दूसरे पर बोलते स्पीकर, बार-बार टोकना | मध्यम से कम | टकराव पर मिली-जुली या गायब लाइनें |
| तेज़ बैकग्राउंड म्यूज़िक | कम | गाने के बोल या बीट को बात समझ लिया जाना |
इनमें से कोई भी स्थिति रिकॉर्डिंग को ट्रांसक्राइब न होने लायक नहीं बनाती, वे बस उम्मीदें तय करती हैं। शोरगुल वाले कैफे की रिकॉर्डिंग को ट्रांसक्राइब करना अब भी सार्थक है, ड्राफ्ट को बस शांत कमरे में रिकॉर्ड किए गए से ज़्यादा एडिटिंग चाहिए होगी।
यह प्रक्रिया उसी सेशन में आराम से फिट हो जाती है जिसमें आप इंटरव्यू लेते हैं, और ज़्यादातर समय मॉडल का इंतज़ार करने की बजाय पढ़ने में जाता है।
एक ईमानदार टूल पेज यह भी बताता है कि टूल कहाँ चूकता है। ऑटोमैटिक ट्रांसक्रिप्शन प्रोडक्टिविटी में असली फायदा है, समझ का विकल्प नहीं, और पाँच सीमाएँ इतनी बार दिखती हैं कि उनके हिसाब से योजना बनाना समझदारी है।
इनमें से कोई भी सीमा इस टूल का मकसद नहीं बदलती, एक घंटे के ऑडियो को तेज़ी से पढ़ने लायक टेक्स्ट में बदलना; ये बस बताती हैं कि ध्यान से पढ़ना कहाँ अब भी मायने रखता है। ट्रांसक्रिप्शन से आगे, मॉडल कैटलॉग इमेज जनरेशन से लेकर वीडियो तक सब कुछ कवर करता है, और Descript तुलना दिखाती है कि एक पूरी एडिटिंग सूट फाइल अपलोड करके जनरेट करने वाली मॉडल लाइब्रेरी से कैसे अलग है।
एक या दो स्पीकर वाली साफ रिकॉर्डिंग के लिए सामान्य कमरे में, सटीकता इतनी ज़्यादा होती है कि ज़्यादातर वाक्यों को कोई सुधार नहीं चाहिए। सटीकता को जो घटाता है वह मॉडल की सामान्य क्षमता नहीं बल्कि खास स्थितियाँ हैं: बैकग्राउंड शोर, आपस में टकराती बातचीत, तेज़ एक्सेंट और अनजान शब्दावली। पहले नतीजे को एक मज़बूत ड्राफ्ट मानें और शून्य सुधार मान लेने की बजाय एक छोटी रीड-थ्रू के लिए समय रखें, खासकर अगर आप कुछ पब्लिकली कोट करने वाले हैं।
हाँ, जब रिकॉर्डिंग में आवाज़ें ठीक-ठाक अलग हों और हर समय टकराती न हों। ट्रांसक्रिप्ट स्पीकर की बारी के हिसाब से लेबल होकर वापस आता है, जो दो से ज़्यादा लोगों वाले इंटरव्यू, पैनल चर्चाओं या ग्रुप कॉल्स में खासतौर पर काम आता है। आपस में टकराती बातचीत सबसे ज़्यादा स्पीकर सेपरेशन को उलझाती है, क्योंकि मॉडल को तय करना पड़ता है कि एक ही समय की दो आवाज़ों में से किसे कोई शब्द दिया जाए।
बड़ी भाषाएँ और आम एक्सेंट सबसे मज़बूत स्थिति हैं, क्योंकि वहीं मॉडलों को सबसे ज़्यादा ट्रेनिंग डेटा मिला है। क्षेत्रीय एक्सेंट, एक ही वाक्य में दो भाषाओं के बीच बदलाव, और कम आम भाषाएँ भी काम करती हैं, लेकिन इन्हें ज़्यादा मैनुअल सुधार चाहिए हो सकता है। अगर आप अक्सर किसी खास एक्सेंट या बोली वाले मेहमानों का इंटरव्यू लेते हैं, तो पूरे इंटरव्यू पर भरोसा करने से पहले एक छोटी टेस्ट रिकॉर्डिंग करके देखें कि क्या उम्मीद रखनी है।
प्रोसेसिंग खुद आमतौर पर कुछ मिनट लेती है, रिकॉर्डिंग की असली लंबाई से कहीं कम। जो समय असल में जुड़ता है वह आपकी अपनी रीड-थ्रू है: नाम जांचना, कुछ गलत सुने गए शब्द ठीक करना, और ज़रूरत हो तो स्पीकर के हिसाब से अलग करना। एक साफ एक घंटे के इंटरव्यू के लिए, प्रोसेसिंग के कुछ मिनटों के अलावा करीब पंद्रह से बीस मिनट एडिटिंग के लिए रखें।
हाँ, और यह एक साथ दो समस्याएँ हल करता है। ट्रांसक्रिप्ट किसी एपिसोड को शो नोट्स या किसी साथी लेख के लिए सर्च और कोट करने लायक बनाता है, और आपको टेक्स्ट का एक वर्ज़न देता है जिसे आप ऑडियो या वीडियो एडिट करने से पहले सबसे अच्छे हिस्से ढूंढने के लिए स्कैन कर सकते हैं। कई स्पीकर वाले पॉडकास्ट स्पीकर-लेबल्ड ट्रांसक्रिप्ट से सबसे ज़्यादा फायदा उठाते हैं, क्योंकि यह पता लगाना कि किसी खास लाइन को किसने कहा, ऑडियो स्क्रब करने की बजाय टेक्स्ट सर्च बन जाता है।
थोड़ा बैकग्राउंड शोर ठीक है और ट्रांसक्रिप्ट फिर भी काफी हद तक काम का रहेगा, लेकिन तेज़ या लगातार शोर, शोरगुल वाले कैफे, ट्रैफिक, बातचीत के नीचे बजता म्यूज़िक, सटीकता को नापने लायक हद तक घटाता है। अगर रिकॉर्डिंग के माहौल पर आपका थोड़ा भी नियंत्रण है, तो स्पीकर के पास माइक वाला शांत कमरा बाद की किसी भी सफाई से कहीं ज़्यादा एडिटिंग समय बचाएगा।
पहले नतीजे में भरोसे लायक तरीके से नहीं, और इसकी योजना पहले से बनाना बेहतर है बजाय हैरान होने के। खास शब्दावली, ब्रांड नाम, और अनजान स्पेलिंग वाले नाम बिल्कुल वही शब्द हैं जो एक सामान्य-उद्देश्य वाले मॉडल ने सबसे कम देखे हैं। समाधान आसान है: अपने तैयारी नोट्स से मुश्किल शब्दों और नामों की एक छोटी सूची रखें, और किसी कोट पर भरोसा करने या उसे पब्लिश करने से पहले ट्रांसक्रिप्ट को उस सूची से मिलाएँ।
हाँ, ट्रांसक्रिप्ट प्लेन टेक्स्ट के रूप में वापस आता है, तो आप इसे सीधे Toolkit के नतीजे में एडिट कर सकते हैं, किसी भी लेखन टूल में कॉपी कर सकते हैं, या अपने नोट्स ऐप में पेस्ट कर सकते हैं। इसे बायपास करने के लिए कोई लॉक्ड फॉर्मेट या प्रोप्राइटरी एडिटर नहीं है; ट्रांसक्रिप्शन पूरा होते ही, टेक्स्ट आपका है, जिसे आप किसी भी और दस्तावेज़ की तरह सुधार सकते हैं, फिर से फॉर्मेट कर सकते हैं या छोटा कर सकते हैं।
नहीं, और इसे उस तरह इस्तेमाल नहीं करना चाहिए। कानूनी बयान, अदालती कार्यवाही और मेडिकल रिकॉर्ड को आमतौर पर एक प्रमाणित ट्रांसक्रिप्ट चाहिए होती है, जिसे कोई योग्य इंसानी ट्रांसक्राइबर बनाए या जांचे, जिस स्तर की जवाबदेही एक ऑटोमैटिक टूल नहीं देता। ऑटोमैटिक ट्रांसक्रिप्शन पत्रकारिता, रिसर्च, पॉडकास्टिंग और निजी नोट्स के लिए अच्छी तरह फिट बैठता है, जहाँ बाद में की गई छोटी सुधार की कोई कानूनी अहमियत नहीं होती।
नए अकाउंट्स को मुफ्त क्रेडिट मिलते हैं, जो एक असली इंटरव्यू ट्रांसक्राइब करने और यह तय करने के लिए काफी हैं कि यह वर्कफ़्लो आपके काम करने के तरीके में फिट बैठता है या नहीं। उसके बाद, ट्रांसक्रिप्शन किसी भी और जनरेशन की तरह क्रेडिट खर्च करता है, और मौजूदा प्लान प्राइसिंग पेज पर सूचीबद्ध हैं। ट्रांसक्रिप्शन के लिए अलग से कोई प्लान नहीं है; वही क्रेडिट पूरे कैटलॉग में इमेज, वीडियो और ऑडियो जनरेशन को भी कवर करते हैं।
आपका अगला इंटरव्यू पहले से ही आपके फोन में ऑडियो फाइल के रूप में मौजूद है, और पहली ट्रांसक्रिप्शन आज़माने में कुछ खर्च नहीं होता। इसे Toolkit पर अपलोड करें और बातचीत को फिर से टाइप करने की बजाय पढ़ें।
