खराब ट्रांसक्रिप्ट की आम तौर पर एक या दो वजहें होती हैं, और पन्ने पर दिखती गलतियाँ ही बता देती हैं कि कौन सी। ऑडियो ट्रांसक्रिप्शन की गलतियों के सात आम कारण: हर एक कैसा दिखता है, क्यों होता है, और रिकॉर्डिंग तथा ट्रांसक्रिप्ट दोनों में उसका इलाज क्या है।
ऑडियो ट्रांसक्रिप्शन की गलतियाँ शायद ही कभी बेतरतीब होती हैं। जो ट्रांसक्रिप्ट "Kubernetes" को "Cooper Netties" बना दे, दो लोगों के शब्द एक नाम के नीचे रख दे, या वक्ता के "fifteen" कहने पर "fifty" लिख दे, वह आपको बता रहा है कि क्या गड़बड़ हुई। हर वजह अपनी तरह की गलती छोड़ती है, और हर गलती का अपना इलाज है। कुछ इलाज अगली रिकॉर्डिंग में करने के हैं, कुछ उस ट्रांसक्रिप्ट में जो आपके पास पहले से है।
यह गाइड गलती से शुरू करती है। नीचे की सूची में वह गलती ढूँढिए जो आपके ट्रांसक्रिप्ट से मेल खाती हो, फिर उसके सेक्शन पर जाइए: गलती कैसी दिखती है, सीधे शब्दों में वह क्यों होती है, और उसके बारे में क्या करना है।
ज़्यादातर ट्रांसक्रिप्शन समस्याएँ सात पैटर्न में आती हैं। लक्षण को वजह से मिलाइए:
दो वजहें अक्सर साथ मिल जाती हैं। शोर वाले कैफ़े में हेडसेट लगाए, लहज़े के साथ बोलता दूर का मेहमान एक साथ तीन तरह की गलतियाँ पैदा करेगा। सबसे पहले वह वजह ठीक कीजिए जो सबसे ज़्यादा पंक्तियों को प्रभावित करती है: आम तौर पर ऑडियो, फिर भाषा, फिर शब्द।
यह कैसा दिखता है। कैफ़े में बनी रिकॉर्डिंग में "Let's move the launch to March" लौटता है "Let's move the lunch to March" बनकर। दरवाज़े की धड़ाम के नीचे एक शब्द गायब हो जाता है। एयर कंडीशनर की गुनगुनाहट वाली लंबी खामोशी पर एक ऐसी पंक्ति आ जाती है जो किसी ने नहीं कही, जैसे "Thank you for watching."
यह क्यों होता है। स्पीच रिकग्निशन जो आवाज़ पाता है उसके लिए सबसे संभावित शब्दों का अंदाज़ा लगाता है। शोर सबसे पहले बोली के धीमे हिस्सों को ढकता है: शब्दों के अंत और उनके बीच के छोटे शब्द। असली संकेत कम मिलने पर अंदाज़ा इस पर ज़्यादा टिकता है कि आम तौर पर आगे क्या आता है, और "lunch" शब्द "launch" से ज़्यादा आम है। बिना किसी बोली के लगातार शोर पर भी कुछ सिस्टम एक रटा-रटाया वाक्यांश लिख देते हैं, क्योंकि उन्हें हर बार आवाज़ सुनने पर कुछ न कुछ लिखना सिखाया गया था।
रिकॉर्डिंग में ठीक कीजिए। आवाज़ बढ़ाने के बजाय माइक्रोफ़ोन को वक्ता के क़रीब ले जाइए। दूरी दोगुनी करने से वक्ता की सीधी आवाज़ क़रीब 6 dB घट जाती है जबकि कमरे का शोर वहीं रहता है, इसलिए नज़दीकी किसी भी सेटिंग से ज़्यादा मायने रखती है। हो सके तो रिकॉर्डिंग के दौरान पंखे और एयर कंडीशनर बंद कर दें, और काँच और टाइल की जगह नरम सतहों वाले कमरे में रिकॉर्ड करें।
ट्रांसक्रिप्ट में ठीक कीजिए। VocalStack में शोर वाली रिकॉर्डिंग पर भाषा को स्वचालित पहचान पर छोड़ने के बजाय बोली जाने वाली भाषा बता दीजिए। Dashboard का अपना नोट यही कहता है: भाषा बताने से शोर वाली रिकॉर्डिंग और भारी लहज़े पर सटीकता बेहतर होती है। लाइव ट्रांसक्रिप्शन के लिए Accuracy लेटेंसी मोड थोड़ी ज़्यादा देरी स्वीकार करके कठिन ऑडियो पर कम गलतियाँ देता है। जिन पंक्तियों पर इंजन को सबसे कम भरोसा है (ट्रांसक्रिप्शन की भरोसा-सीमा से नीचे, डिफ़ॉल्ट 0.60) वे श्रोताओं को अंदाज़े की जगह "Audio unclear" के रूप में दिखती हैं और कभी बोलकर नहीं पढ़ी जातीं। जो पंक्ति पूरी तरह गढ़ी हुई हो उसे हाथ से छिपाया जा सकता है: छिपी पंक्तियाँ ट्रांसक्रिप्ट, एक्सपोर्ट, सबटाइटल और प्लेयर से बाहर रहती हैं।
यह कैसा दिखता है। "The data shows a thirty percent rise" बन जाता है "The data shows a dirty percent rise"। गलतियाँ पूरी रिकॉर्डिंग में एक ही वक्ता का पीछा करती हैं, जबकि बाकी सबकी पंक्तियाँ साफ़ रहती हैं।
यह क्यों होता है। रिकग्निशन सिस्टम उस बोली से सीखता है कि शब्द कैसे सुनाई देते हैं जिस पर उसे प्रशिक्षित किया गया था। जब कोई वक्ता किसी ध्वनि का उच्चारण उस बोली के ज़्यादातर हिस्से से अलग करता है, जैसे "th" को "d" की तरह बोलना, तो सिस्टम ठीक वही सुनता है जो कहा गया और उस असली शब्द को चुनता है जो उस ध्वनि से सबसे ज़्यादा मेल खाता है। स्वचालित भाषा पहचान इसे और बिगाड़ सकती है: कड़ा लहज़ा संकेतों को किसी दूसरी ही भाषा की ओर खिसका सकता है (देखिए स्वचालित भाषा पहचान कैसे काम करती है)।
रिकॉर्डिंग में ठीक कीजिए। लाइव भाषण के लिए शुरू करने से पहले Reference Script जोड़ दीजिए (नीचे शब्दावली वाला सेक्शन देखिए), ताकि वक्ता के संभावित शब्द पहले से ज्ञात हों। अच्छा माइक्रोफ़ोन हर लहज़े में मदद करता है, क्योंकि हर ध्वनि का ज़्यादा हिस्सा इंजन तक पहुँचता है।
ट्रांसक्रिप्ट में ठीक कीजिए। उस रिकॉर्डिंग के लिए बोली जाने वाली भाषा बता दीजिए। फिर Fix टैब का इस्तेमाल कीजिए: Mark uncertain words उन शब्दों को रंग देता है और रेखांकित करता है जिन पर इंजन अनिश्चित था, और आप सब कुछ दोबारा पढ़ने के बजाय अनिश्चित हिस्सों से एक-एक करके गुज़र सकते हैं। जहाँ इंजन ने दूसरे शब्दों पर भी विचार किया, वह उन्हें सुझाए गए सुधार के रूप में देता है, इसलिए "dirty" को "thirty" करना आम तौर पर एक क्लिक का काम है। Play just this word से आप बदलने से पहले कान से जाँच सकते हैं।
यह कैसा दिखता है। एक वक्ता पूछता है "So we agree on Tuesday?" और दूसरा बीच में "No, Thursday works" कहता है। ट्रांसक्रिप्ट Speaker 1 के नीचे एक ही पंक्ति दिखाता है: "So we agree on Tuesday no Thursday works." या उलटा: बैठक के बीच में जोश में आया एक व्यक्ति Speaker 1 और Speaker 3 दोनों के रूप में दिखता है।
यह क्यों होता है। नीचे दो अलग काम चलते हैं। स्पीच रिकग्निशन शब्द लिखता है; स्पीकर डायराइज़ेशन तय करता है कि कौन कब बोला, हर आवाज़ कैसी सुनाई देती है इसके आधार पर। ज़्यादातर सिस्टम ऑडियो के हर हिस्से को एक वक्ता देते हैं, इसलिए दो लोग एक साथ बोलें तो एक हार जाता है। किसी की आवाज़ में बदलाव (उत्साहित, थका हुआ, माइक्रोफ़ोन से दूर) उसे नया व्यक्ति दिखा सकता है। स्पीकर डायराइज़ेशन बनाम स्पीच रिकग्निशन दोनों कामों को विस्तार से समझाता है।
रिकॉर्डिंग में ठीक कीजिए। हर व्यक्ति को उसका अपना माइक्रोफ़ोन दीजिए। कई वक्ताओं के लिए यह एक बदलाव किसी भी सेटिंग से ज़्यादा काम करता है। पैनल या दर्शकों के सवालों वाली बैठक में संचालक से कहिए कि जवाब दिए जाने से पहले हर सवाल अपने माइक्रोफ़ोन में दोहराए।
ट्रांसक्रिप्ट में ठीक कीजिए। स्पीकर लेबल की सेटिंग चुनिए: When Needed (डिफ़ॉल्ट) दूसरी आवाज़ सुनाई देते ही पंक्तियों पर लेबल लगाता है, On हर पंक्ति पर लगाता है, Off किसी पर नहीं। रिकॉर्डिंग के दौरान या बाद में हर वक्ता को नाम दीजिए। नाम शब्दों के ऊपर की एक परत है, इसलिए वह टेक्स्ट कभी नहीं बदलता, और ट्रांसक्रिप्शन की हर रिकॉर्डिंग में उस व्यक्ति पर लागू होता है। जिस वक्ता को आप अक्सर रिकॉर्ड करते हैं उसे सेव कर लीजिए, तब बाद के ट्रांसक्रिप्शन उसे नाम से पहचान लेंगे। दो वाक्यों को जोड़ती पंक्ति को दो में बाँटा जा सकता है: उस खाली जगह पर टैप कीजिए जहाँ नई पंक्ति शुरू होती है।
यह कैसा दिखता है। "We deployed it on Kubernetes" बन जाता है "We deployed it on Cooper Netties"। "Ms Nguyen" बन जाता है "Miss Win"। दवा का नाम तीन छोटे अंग्रेज़ी शब्दों में बदल जाता है। वाक्य का बाकी हिस्सा ठीक रहता है।
यह क्यों होता है। सिस्टम सिर्फ़ वही शब्द लिख सकता है जो वह जानता है, और कोई नाम अक्सर एक ही बार आता है, उसके आसपास ऐसा कुछ नहीं होता जिससे उसका अनुमान लगाया जा सके। जब उसने वह शब्द कभी देखा ही नहीं, तो वह सबसे क़रीब सुनाई देने वाले साधारण शब्द चुन लेता है। तकनीकी शब्दावली की सटीक ट्रांसक्रिप्शन के लिए यह सबसे कठिन स्थिति है: वाक्य कोई सुराग नहीं देता, इसलिए कितना भी संदर्भ काम नहीं आता।
रिकॉर्डिंग में ठीक कीजिए। वक्ता के बोलने से पहले ही सिस्टम को शब्द दे दीजिए। VocalStack में वह है Reference Script: शुरू करने से पहले लाइव भाषण की स्क्रिप्ट या स्लाइड, या नामों और शब्दों की सूची जोड़ दीजिए, और उसके नाम और शब्द गलत सुने गए शब्दों पर भारी पड़ते हैं। भाषण के दौरान स्क्रिप्ट टेलीप्रॉम्प्टर की तरह ट्रांसक्रिप्ट के साथ चलती है। स्क्रिप्ट ने जो भी शब्द सुधारा, वह सुधारों के बीच SCRIPT से चिह्नित होता है और अगर वक्ता ने सचमुच कुछ और कहा था तो उसे पूर्ववत (undo) किया जा सकता है।
ट्रांसक्रिप्ट में ठीक कीजिए। नाम एक बार सुधारिए और बाकी जगह खोज से जाँचिए। ट्रांसक्रिप्शन के लाइव रहते सुधार हर श्रोता तक पहुँचते हैं, उस हर भाषा में जो वे पढ़ रहे हैं, और हर सुधार सूचीबद्ध होता है और पूर्ववत किया जा सकता है। एक्सपोर्ट (SRT, PDF, Excel, JSON) में सुधार शामिल होते हैं, इसलिए सबटाइटल और दस्तावेज़ों में सुधारी हुई वर्तनी रहती है।
यह कैसा दिखता है। भाषण स्पेनिश अभिवादन से शुरू होता है और अंग्रेज़ी में चलता है, और अंग्रेज़ी स्पेनिश जैसी दिखती बकवास बनकर निकलती है। या अंग्रेज़ी ट्रांसक्रिप्ट के बीच की कुछ पंक्तियाँ किसी संबंधित भाषा में दिखती हैं। कुछ सिस्टम, गलत भाषा पर सेट होने पर, जो कहा गया उसकी जगह मोटा-मोटा अनुवाद लिख देते हैं।
यह क्यों होता है। जब कोई भाषा नहीं बताई जाती, तो सिस्टम को उसे आवाज़ से पहचानना पड़ता है, अक्सर शुरुआती कुछ सेकंड से। कोई अभिवादन, उद्धरण या कड़ा लहज़ा उसे गलत दिशा में मोड़ सकता है। एक बार गलत भाषा चुन लेने पर उस हिस्से का हर शब्द एक साथ गलत हो जाता है।
रिकॉर्डिंग में ठीक कीजिए। अगर रिकॉर्डिंग एक भाषा में है, तो उसे बता दीजिए। जब सचमुच दो या ज़्यादा भाषाएँ बोली जा रही हों तो पहचान चालू रखिए, ताकि हर हिस्सा अपनी भाषा में ट्रांसक्राइब हो; एक भाषा बता देने से दूसरी उसमें ठूँसी जाएगी। लाइव ट्रांसक्रिप्शन में भाषा चलते समय बदली जा सकती है, और बदलाव तुरंत लागू होता है।
ट्रांसक्रिप्ट में ठीक कीजिए। गलत भाषा में सुनी गई पंक्ति को शब्द-दर-शब्द ठीक नहीं किया जा सकता, क्योंकि उसमें कुछ भी सही नहीं है। VocalStack उस पंक्ति को दोबारा ट्रांसक्राइब कर सकता है: वह भाषा चुनिए जिसमें वह सचमुच बोली गई थी, और पंक्ति का ऑडियो उसी भाषा में फिर से पढ़ा जाता है। नतीजा पंक्ति की जगह एक सामान्य सुधार के रूप में आता है, और उसमें वही पूर्ववत विकल्प रहता है जो किसी भी दूसरे सुधार में है।
यह कैसा दिखता है। "The fees went up" बन जाता है "The thieves went up"। "Free" और "three" आपस में बदल जाते हैं। गलतियाँ पूरी रिकॉर्डिंग में फैली होती हैं, और कॉल पर दूर के वक्ता के लिए सबसे बुरी होती हैं।
यह क्यों होता है। "f", "s" और "th" को अलग करने वाली कई ध्वनियाँ आवृत्ति सीमा के ऊँचे हिस्से में होती हैं। फ़ोन लाइन लगभग 3.4 kHz से ऊपर कुछ नहीं ले जाती, और ब्लूटूथ हेडसेट अक्सर अपना माइक्रोफ़ोन कहीं संकरी सीमा वाले कॉल मोड में बदल देता है। वीडियो कॉल में कम बिटरेट वाली कंप्रेशन और ज़्यादा हटा देती है। सिस्टम को ऐसा ऑडियो मिलता है जिसमें वे ध्वनियाँ पहले ही जा चुकी होती हैं, और वह उन शब्दों के बीच अंदाज़ा लगाता है जो अब एक जैसे सुनाई देते हैं।
रिकॉर्डिंग में ठीक कीजिए। तार वाला माइक्रोफ़ोन इस्तेमाल कीजिए, या ऐसा हेडसेट जिसका माइक्रोफ़ोन पूरी गुणवत्ता वाले मोड में रहे। हो सके तो हर दूर के वक्ता को उसके अपने सिरे पर रिकॉर्ड कीजिए, कॉल रिकॉर्ड करने के बजाय। किसी आयोजन के लिए कमरे में रखे लैपटॉप या फ़ोन के माइक्रोफ़ोन की जगह ऑडियो मिक्सर से फ़ीड लीजिए: VocalStack का लाइव सेटअप मिक्सर से एक केबल लेता है, और फ़ोन का अंतर्निहित माइक्रोफ़ोन कमरे की ज़्यादा आवाज़ उठाता है।
ट्रांसक्रिप्ट में ठीक कीजिए। जो ऑडियो कभी रिकॉर्ड ही नहीं हुआ, उसे न कोई मशीन वापस ला सकती है न कोई इंसान। अनिश्चित शब्दों के चिह्नों से क्षतिग्रस्त हिस्से ढूँढिए, पंक्ति चलाकर जाँचिए, और जो सुन सकते हैं वह सुधारिए। जहाँ कोई नहीं बता सकता कि क्या कहा गया था, वहाँ अंदाज़ा छोड़ने से पंक्ति को छिपा देना ज़्यादा ईमानदार है।
यह कैसा दिखता है। "Fifteen" बन जाता है "fifty"। "One twenty" बन जाता है "120" जबकि वक्ता का मतलब एक डॉलर बीस सेंट था। "The third of the fourth" गलत क्रम की तारीख बनकर निकलता है। हर गलती एक शब्द की होती है, और वाक्य का बाकी हर शब्द सही होता है।
यह क्यों होता है। "Fifteen" और "fifty" मुख्यतः इसमें अलग हैं कि किस शब्दांश पर ज़ोर पड़ता है, और शोर या तेज़ बोलने पर सबसे पहले वही फ़र्क़ खोता है। बोली गई संख्याएँ वह भी छोड़ देती हैं जो लिखी संख्याओं को चाहिए: इकाइयाँ, दशमलव बिंदु, दिन और महीने का क्रम। सिस्टम को प्रारूप का अंदाज़ा लगाना पड़ता है, और उसका अंदाज़ा सबसे आम वाला होता है, आपका नहीं।
रिकॉर्डिंग में ठीक कीजिए। वक्ताओं से कहिए कि आँकड़े इकाई के साथ पूरे बोलें: "one dollar twenty", "the fifteenth of March"। तैयार भाषण के लिए आँकड़े स्क्रिप्ट में रख दीजिए।
ट्रांसक्रिप्ट में ठीक कीजिए। ट्रांसक्रिप्ट को उद्धृत करने, भेजने या प्रकाशित करने से पहले हर ज़रूरी आँकड़ा कान से जाँचिए। गलत संख्या सही जैसी ही पढ़ी जाती है, इसलिए पन्ने पर कुछ भी आपको आगाह नहीं करता। शब्द त्रुटि दर क्या मापती है, और क्या छोड़ देती है समझाता है कि एक अकेला गलत आँकड़ा त्रुटि दर में अपने हिस्से से ज़्यादा क्यों महँगा पड़ता है।
जब ट्रांसक्रिप्ट में कई समस्याएँ हों, तो उन्हें इसी क्रम में ठीक कीजिए, ताकि कोई सुधार अगले से बेकार न हो जाए:
फिर अगली रिकॉर्डिंग को आसान बनाइए: हर वक्ता के लिए एक माइक्रोफ़ोन, भाषा बताई हुई, और नामों वाली स्क्रिप्ट। ऑडियो ट्रांसक्रिप्शन की ज़्यादातर गलतियाँ रिकॉर्ड दबाने से पहले ही तय हो जाती हैं।
किसी सुनवाई, चिकित्सा परामर्श, या ऐसी किसी भी चीज़ के लिए जिसमें एक गलत शब्द के परिणाम होते हैं, ट्रांसक्रिप्ट इस्तेमाल होने से पहले किसी व्यक्ति से जँचवाइए, चाहे उसे किसी भी सिस्टम ने बनाया हो। यह देखने के लिए कि आपका अपना ऑडियो इनमें से कौन सी गलतियाँ पैदा करता है, Dashboard में एक रिकॉर्डिंग आज़माइए।