सेवा या काउंसिल की बैठक में जिन शब्दों को स्पीच रिकग्निशन सिस्टम गलत समझता है, वे अक्सर वही होते हैं जो पहले से कागज़ पर लिखे होते हैं। उसे एजेंडा दें, ऑडियो कमरे से नहीं बल्कि मिक्सिंग डेस्क से लें, और हर हफ़्ते का आयोजन उसके बाद की चाय से भी सस्ता पड़ेगा।
एक रविवार की सेवा, एक मंगलवार का लेक्चर और एक मासिक काउंसिल बैठक, इनमें जितनी समानता दिखती है उससे ज़्यादा है। तीनों बार-बार उसी कमरे में होती हैं, तीनों को किसी AV कंपनी की जगह कोई स्वयंसेवक या क्लर्क चलाता है, और तीनों में ऐसे लोग आते हैं जो किसी और भाषा में बेहतर समझेंगे, जो ठीक से सुन नहीं पाते, और जो आ ही नहीं पाते। बजट कम होता है और चलाने वाले लोग बदलते रहते हैं। जिसने पिछले साल इसे शुरू किया था, वह अक्सर फूलों की ड्यूटी-सूची पर जा चुका होता है।
यह लेख ऐसे कमरे के लिए VocalStack को एक बार सेट करने के बारे में है, ताकि उसके बाद हर हफ़्ते बस शुरू दबाना काफ़ी हो। यह उन कुछ बातों पर भी बात करता है जिनसे तय होता है कि स्क्रीन पर आने वाले शब्द सही हैं या नहीं। एक-बार के आयोजन के लिए, यानी कई मंचों वाली कॉन्फ़्रेंस के लिए, देखें बहु-भाषी कॉन्फ़्रेंस को लाइव कैप्शन के साथ कैसे चलाएँ। सबसे पहले उस चीज़ से शुरू करें जिसे आप प्रिंट करेंगे।
ब्रॉडकास्ट एक सार्वजनिक लिंक और एक QR कोड है। कोई भी ब्राउज़र में लिंक खोलकर भाषा चुन सकता है और वक्ता के बोलने के साथ-साथ पढ़ सकता है। कुछ इंस्टॉल करने या अकाउंट बनाने की ज़रूरत नहीं है। एक ब्रॉडकास्ट को जितनी चाहें उतनी लाइव ट्रांसक्रिप्शन से फ़ीड किया जा सकता है, इसलिए इस रविवार की रिकॉर्डिंग और अगली रिकॉर्डिंग, दोनों एक ही पते पर दिखेंगी।
QR कोड एक बार प्रिंट करके नोटिस बोर्ड, सेवा के क्रम (order of service), लेक्चर की स्लाइड या सार्वजनिक गैलरी की दीवार पर लगाएँ। सुनने वाले उसे स्कैन करके लाइव अनुवाद खोल सकते हैं और अपनी भाषा चुन सकते हैं। अगर आप कभी लिंक का नाम बदलें, तो पुराना लिंक भी उसी ब्रॉडकास्ट को खोलता रहेगा, इसलिए पिछले साल के पर्चे भी काम करते रहेंगे।
जो श्रोता लिंक जल्दी खोलते हैं, उन्हें दिखेगा कि ब्रॉडकास्ट अभी शुरू नहीं हुआ है। देर से आने वाले को उनके पहुँचने से पहले कही गई सारी बातें दिखेंगी, फिर वे लाइव साथ चलेंगी। जिस श्रोता का कनेक्शन टूट जाए, वह अपने-आप पीछे छूटी बातें पकड़ लेता है।
ब्रॉडकास्ट डिफ़ॉल्ट रूप से सार्वजनिक होता है, जो सेवा या काउंसिल सत्र के लिए सही है, और बंद बैठक या सेमिनार के लिए गलत। उनके लिए इसे निजी करें और पासवर्ड सेट करें: केवल पासवर्ड वाले लोग लिंक खोल पाएँगे, और ट्रांसक्रिप्ट दिखने से पहले उनसे पासवर्ड माँगा जाएगा। दोनों ही स्थितियों में कहीं साफ़ दिखने वाली जगह पर लिखें कि कमरे की बातचीत ट्रांसक्रिप्ट की जा रही है और टेक्स्ट कहाँ जाता है। जो लोग ज़ोर से प्रार्थना कर रहे हैं, या सार्वजनिक टिप्पणी में तीन मिनट बोल रहे हैं, उन्होंने ज़रूरी नहीं कि ट्रांसक्रिप्ट की उम्मीद की हो। सेवा के क्रम या एजेंडा में एक पंक्ति लिख देना सस्ता और आसान है। ब्रॉडकास्ट यहाँ बनाएँ: {{app}}/broadcasts/new।
लिंक सिर्फ़ आधा काम है; उस पर शब्द कोई तो लाए।
किसी भी सॉफ़्टवेयर से पहले, ऑडियो। चर्च और काउंसिल के लिए बने कमरे गूँज के लिए बने होते हैं: पत्थर, ऊँची छतें, लकड़ी की बेंचें। लेक्चर-स्टैंड पर रखा फ़ोन या लैपटॉप वक्ता को पहले सीधे सुनता है, फिर दीवारों से टकराकर कई बार और। दूरी और गूँज मिलकर रिकग्निशन की गलतियों का सबसे बड़ा कारण हैं, लहजों से भी आगे। अगर कमरे में मिक्सिंग डेस्क है, तो वहीं से फ़ीड लें (एक AUX या रिकॉर्ड आउटपुट), ताकि रिकग्नाइज़र वही सुने जो माइक्रोफ़ोन सुनते हैं। जो व्यक्ति घूमता है, जैसे पल्पिट छोड़ने वाला प्रचारक या व्हाइटबोर्ड पर लिखने वाला लेक्चरर, वह स्टैंड वाले माइक पर निर्भर रहने की बजाय लैपल या हेडसेट माइक लगाए। यह ठीक कर लें तो बाकी ज़्यादातर बातें बस ट्यूनिंग रह जाती हैं।
ज़्यादातर चर्च, विश्वविद्यालय और काउंसिल यह डेस्क-ऑडियो पहले से कहीं न कहीं भेजते हैं, और लाइव ट्रांसक्रिप्शन उसे वहीं से ले सकता है, कमरे में रखे किसी डिवाइस से नहीं।
स्ट्रीम के लिए VocalStack ऑडियो खुद खींचता है; आपकी तरफ़ कुछ नहीं चलता। पर पता इंटरनेट से पहुँचने योग्य होना चाहिए। जो स्ट्रीम सिर्फ़ आपके अपने नेटवर्क पर है, उसे कमरे के किसी डिवाइस से रिकॉर्ड करना होगा। लाइव ट्रांसक्रिप्शन {{app}}/transcriptions/new/live पर शुरू करें और उसे ब्रॉडकास्ट से जोड़ें।
अच्छा ऑडियो पहुँच जाए, तब भी आपको कुछ अनुमानित गलतियाँ दिखेंगी।
चर्च, लेक्चर या काउंसिल में स्पीच रिकग्निशन जिन शब्दों पर सबसे ज़्यादा चूकता है, वे अनुमानित होते हैं: लोगों और जगहों के नाम, धर्मग्रंथ के संदर्भ, तकनीकी शब्द, एजेंडा की मदें। कारण संरचनात्मक है। रिकग्नाइज़र आवाज़ के हिसाब से सबसे संभावित शब्द चुनता है, और वह ये संभावनाएँ इस बात से सीखता है कि लोग आम तौर पर क्या कहते हैं। इसलिए कोई दुर्लभ सरनेम हर बार उसी आवाज़ वाले किसी आम शब्द से हार जाता है। इस समस्या का उपाय, जिसे biasing या custom vocabulary कहा जाता है, यह है कि सिस्टम को बताया जाए कि कौन-से दुर्लभ शब्द आने वाले हैं। साप्ताहिक कमरे के लिए काम की बात यह है कि ये ठीक वही शब्द हैं जो आयोजन से पहले ही लिखे जा चुके होते हैं।
शुरू करने से पहले एक स्क्रिप्ट या स्लाइड जोड़ें। उसमें मौजूद नाम और शब्द उन शब्दों पर प्राथमिकता पाते हैं जो रिकग्नाइज़र ने गलत सुने थे। किसी को उसे शब्दशः पढ़ने की ज़रूरत नहीं है; उपदेश की रूपरेखा, हैंडआउट या छपा हुआ एजेंडा पहले से ज़्यादातर व्यक्तिवाचक संज्ञाएँ लिए होता है। रिकॉर्डिंग के दौरान होस्ट स्क्रीन का Script टैब टेलीप्रॉम्प्टर की तरह साथ चलता है और अब तक बोले गए शब्दों को रोशन करता है।
स्क्रिप्ट पहले से लिखी जा सकती है और उसका शुरू होने का समय दिया जा सकता है; लाइब्रेरी उन्हें Upcoming के नीचे Start बटन के साथ दिखाती है। यह रोस्टर के लिए ठीक है: कोई एक व्यक्ति शुक्रवार को टेक्स्ट जोड़ता है, कोई दूसरा रविवार को Start दबाता है।
अगर कोई शब्द फिर भी गलत आए, तो Fix टैब अनिश्चित शब्दों को चिह्नित करता है और होस्ट रिकॉर्डिंग चलते हुए किसी भी पंक्ति पर क्लिक करके उसे ठीक कर सकता है; श्रोता सुधार देखते हैं।
शब्द सही होना एक हिस्सा है; दूसरा हिस्सा यह जानना कि उन्हें किसने कहा।
स्पीकर-लेबल वाले स्विच की तीन स्थितियाँ हैं। When Needed हर पंक्ति पर वक्ता का लेबल तब लगाता है जब एक से ज़्यादा आवाज़ें सुनी जाएँ; वरना ट्रांसक्रिप्ट सादा टेक्स्ट रहता है। On एक ही वक्ता होने पर भी हर पंक्ति पर लेबल लगाता है। Off सादा टेक्स्ट देता है। उपदेश के लिए When Needed का मतलब है कि एक ही आवाज़ गद्य की तरह पढ़ी जाती है; एक दर्जन सदस्यों वाली काउंसिल के लिए हर पंक्ति पर उसका वक्ता लिखा होता है।
लेबल पहले संख्याओं के रूप में शुरू होते हैं। किसी रिकॉर्डिंग में आप किसी वक्ता को नाम दे सकते हैं, और वह नाम उनकी हर पंक्ति पर लागू होता है। जो लोग हर हफ़्ते बोलते हैं, उनके लिए एक कदम और आगे जाएँ और उनकी आवाज़ सेव करें। किसी भी रिकॉर्डिंग में कम से कम तीस सेकंड बोलने वाले वक्ता से, या उनकी दी हुई एक छोटी रिकॉर्डिंग से, आवाज़ बनाई जा सकती है। इसके बाद भविष्य की रिकॉर्डिंग में वह वक्ता पहचाना जाता है और नाम से लेबल होता है। अगर श्रोता अनुवाद को ज़ोर से सुनना चुनें, तो हर भाषा में वह उसी वक्ता की अपनी आवाज़ में पढ़ा जाता है। क्लोनिंग के बिना हर वक्ता को मिलते-जुलते लिंग की एक अलग तैयार आवाज़ मिलती है, और किसी भी वक्ता को म्यूट किया जा सकता है।
क्लोन की गई आवाज़ एक बायोमेट्रिक डेटा है। VocalStack ऐसी आवाज़ केवल वक्ता की स्पष्ट सहमति से बनाता है, उसका इस्तेमाल सिर्फ़ उसी वक्ता की पंक्तियाँ ज़ोर से पढ़ने के लिए करता है, और आपको किसी भी समय उसे मिटाने देता है। काउंसिलर और पादरी अपने कमरों में सार्वजनिक हस्ती होते हैं; लेकिन वह सहमति के बराबर नहीं है, इसलिए पूछें।
काउंसिल के लिए यहीं ट्रांसक्रिप्ट एक रिकॉर्ड बनता है। हर पंक्ति पर नाम लिखा हो, तो मिनट्स आख़िरकार दिखाते हैं कि "I think we've covered this" चौथी बार किसने कहा। इससे सवाल उठता है कि यह रिकॉर्ड किसके लिए है।
सबसे पहले फ़ायदा उन नियमित लोगों को होता है जो ऊँचा सुनते हैं या बिल्कुल नहीं सुन पाते, न कि उन आगंतुकों को जो दूसरी भाषा में पढ़ते हैं, हालाँकि वे भी उतने ही स्वागत योग्य हैं। हियरिंग लूप (इंडक्शन लूप) श्रवण यंत्र वाले लोगों की मदद करता है और बाकी किसी के काम नहीं आता; फ़ोन पर कैप्शन बाकी सबकी मदद करते हैं, और दोनों एक-दूसरे के पूरक हैं, प्रतिस्पर्धी नहीं। कई जगहों पर सार्वजनिक निकायों पर सुलभता और खुली-बैठक की ज़िम्मेदारियाँ होती हैं, और ऐसा ट्रांसक्रिप्ट जो जनता लाइव और बाद में भी पढ़ सके, दोनों के लिए बड़ा काम करता है। अपने इलाके में क्या लागू होता है, यह जाँच लें।
स्वचालित कैप्शन क्या हैं, इस बारे में ईमानदार रहें। एक मानव कैप्शनर (कुछ देशों में इस सेवा को CART कहते हैं) सुनता है, समझता है और टाइप करता है। किसी गरमागरम काउंसिल बहस में जब तीन सदस्य एक साथ बोलें, तो इंसान अब भी मशीन से आगे रहेगा। एक साथ बोले जाने वाले वक्तव्य किसी भी स्वचालित सिस्टम में गलतियाँ पैदा करते हैं, और माइक से दूर धीरे बोलने वाला अध्यक्ष भी। जहाँ शब्दशः कैप्शन की कानूनी ज़रूरत हो, वहाँ स्वचालित कैप्शन पूरक हैं, विकल्प नहीं; और जहाँ विकल्प कुछ नहीं है, वहाँ वे कुछ न होने से बहुत बेहतर हैं।
ट्रांसक्रिप्ट अगले दिन भी उतना ही काम का होता है।
हर रिकॉर्डिंग आपकी लाइब्रेरी में पहुँचती है, और ब्रॉडकास्ट पेज लिंक रखने वाले किसी भी व्यक्ति के लिए पिछली रिकॉर्डिंग्स की सूची दिखाता है। जो बैठक से छूट गया, वह उसे पंक्ति-दर-पंक्ति, अपनी ऑडियो के साथ, ठीक वैसे ही सुन सकता है जैसे वह आई थी।
जब शब्द अंतिम हो जाएँ, तो हर भाषा में शीर्षक और सारांश लिखा जाता है। अपनी भाषा में खोज दूसरी भाषा में बनी रिकॉर्डिंग्स को भी ढूँढ लेती है, इसलिए क्लर्क वह महीना खोज सकता है जब कोई आइटम चर्चा में आया था, और छात्र वह लेक्चर जिसमें कोई टर्म पढ़ाया गया। एक्सपोर्ट SRT सबटाइटल, PDF, Excel या JSON में आते हैं, जिनमें सुधार और अनुवाद शामिल होते हैं; अनूदित ट्रांसक्रिप्ट का PDF मिनट्स के साथ अच्छा लगता है। यह सब अगर किसी के क्लिक किए बिना अपने-आप होना चाहिए, तो API वह सब करता है जो डैशबोर्ड करता है, उसी दर पर, हर प्लान में: देखें {{api}}/docs।
इन सबको किसी पैरिश या समिति के बजट में भी फ़िट बैठना होगा।
लाइव ट्रांसक्रिप्शन की कीमत $0.60 प्रति घंटा ऑडियो है, प्रति सेकंड बिल होती है, हर प्लान में हर ट्रांसक्रिप्शन के लिए 5 मिनट की न्यूनतम अवधि के साथ। सुनने वाले मुफ़्त हैं, चाहे कितने भी हों, और प्रति ट्रांसक्रिप्शन 10 भाषाओं तक अनुवाद शामिल है।
नए अकाउंट के साथ $5 का एक-बार का साइनअप क्रेडिट मिलता है, और कार्ड नहीं माँगा जाता। यह क्रेडिट एक महीने से ज़्यादा के रविवारों को कवर कर देता है। उसके बाद आप ज़रूरत के अनुसार टॉप-अप करें, या Premium लें, जिसकी कीमत $50 प्रति महीना है ($40 प्रति महीना सालाना प्लान पर)। Premium में हर महीने $50 का क्रेडिट शामिल है, जो 83 लाइव घंटे के बराबर है। यह अकाउंट की पूरी उम्र तक हर रिकॉर्डिंग रखता है, 30 दिनों की जगह, और अगर बैठक के बीच में क्रेडिट खत्म हो जाए तो ट्रांसक्रिप्शन को बीच में नहीं काटता। खजांची के लिए दो व्यावहारिक बातें: Pay as you go पर ठंडी शुरुआत में ट्रांसक्रिप्शन शुरू होने में 15 सेकंड तक लग सकते हैं, इसलिए शुरुआती भजन के दौरान नहीं, उससे पहले शुरू दबाएँ। और जो YouTube लाइव खत्म हो चुका है, वह एक वीडियो है, इसलिए उसे फ़ाइल की कहीं कम दर पर फ़ाइल के रूप में ट्रांसक्रिप्ट किया जाता है।
एक कमरे और एक नियमित आयोजन के लिए Pay as you go काफ़ी है। ऐसी संस्था के लिए जो सालों बाद भी हर रिकॉर्डिंग खोजने योग्य चाहती है, या एक साथ कई कमरे चलाती है, Premium वह है जो चुनें। पूरी तालिका, सीमाएँ और अवधारण कीमत पृष्ठ पर है, और इंटरैक्टिव डेमो दिखाता है कि श्रोता क्या देखता है।
