रीयल-टाइम ट्रांसक्रिप्शन और अनुवाद की व्याख्या: लाइव स्पीच टू टेक्स्ट कैसे चलता है, कितना पीछे रहता है, सटीकता किससे तय होती है, और ख़र्च क्या है।
रीयल-टाइम ट्रांसक्रिप्शन बोलने वाले के बोलते-बोलते ही बोली को टेक्स्ट में बदल देता है। शब्द बोले जाने के कुछ ही पल बाद स्क्रीन पर दिखने लगते हैं, अंतिम पंक्तियों में टिक जाते हैं, और साथ चल रहा कोई भी उन्हें पढ़ सकता है। रीयल-टाइम अनुवाद जोड़ दीजिए, तो हर पाठक उसी भाषण को अपनी भाषा में, टेक्स्ट के रूप में या ज़ोर से पढ़े जाते हुए, सुन-पढ़ सकता है।
यह गाइड रीयल-टाइम ट्रांसक्रिप्शन और अनुवाद को दोनों ओर से देखती है: श्रोता को क्या दिखता है, ऑडियो कहाँ से आ सकता है, सटीकता किस पर निर्भर है, डेवलपर को API से क्या मिलता है, और इसका ख़र्च क्या है।
रीयल-टाइम ट्रांसक्रिप्शन, जिसे लाइव ट्रांसक्रिप्शन या लाइव स्पीच टू टेक्स्ट भी कहते हैं, ऐसी स्पीच रिकग्निशन है जो ऑडियो के आते रहने के दौरान ही चलती है। रिकॉर्ड की हुई फ़ाइल को पूरी रिकॉर्डिंग हाथ में लेकर ट्रांसक्राइब किया जा सकता है। लाइव ट्रांसक्रिप्शन को सिर्फ़ पिछले कुछ सेकंड के आधार पर शब्द तय करने होते हैं, और वक्ता जब तक बोले तब तक उसके साथ चलना होता है।
लाइव कैप्शन वही चीज़ है जो किसी वीडियो के ऊपर या स्क्रीन पर छोटी पंक्तियों के रूप में दिखाई जाती है।
VocalStack पर लाइव ट्रांसक्रिप्शन 100 भाषाएँ सुन सकता है। वह बोली जा रही भाषा अपने आप पहचानता है और अगर वक्ता भाषा बदले तो उसके साथ चलता है, जो स्वचालित भाषा पहचान कैसे काम करती है में समझाया गया है, साथ ही यह भी कि भाषा का नाम पहले से कब देना चाहिए।
टेक्स्ट दो चरणों में आता है। सबसे नए शब्द पहले ड्राफ़्ट के रूप में दिखते हैं, जो और ऑडियो आने पर बदल सकता है। कुछ देर बाद ड्राफ़्ट एक अंतिम पंक्ति में टिक जाता है जो फिर नहीं बदलती।
ड्राफ़्ट इसलिए होता है क्योंकि रिकग्नाइज़र किसी शब्द को कुछ हद तक उसके बाद आने वाली बात से तय करता है। "Ice cream" और "I scream" अगले शब्द के आने तक एक जैसे सुनाई देते हैं। अनुमान को जल्दी दिखाना ही ट्रांसक्रिप्ट को लाइव महसूस कराता है।
टेक्स्ट वक्ता से कितना पीछे रहता है, यह चरण पर निर्भर है:
दो देरियाँ उस श्रृंखला से बाहर हैं। जब स्रोत माइक्रोफ़ोन की जगह कोई सार्वजनिक स्ट्रीम हो, तो स्ट्रीम ख़ुद अपने लाइव किनारे से पहले ही पीछे रहती है: सादी इंटरनेट रेडियो स्ट्रीम के लिए एक से तीन सेकंड, और HLS के लिए कई सेकंड से लेकर आधे मिनट तक। और Pay as you go पर लाइव ट्रांसक्रिप्शन शुरू होने में 15 सेकंड तक लग सकते हैं। Auto, Fast और Accuracy लेटेंसी मोड समेत पूरा ब्योरा लाइव अनुवाद की लेटेंसी, समझाई गई में है।
अनुवाद ट्रांसक्रिप्ट के ऊपर चलता है। एक लाइव ट्रांसक्रिप्शन का एक साथ 10 भाषाओं तक अनुवाद हो सकता है, जो 100 में से चुनी जाती हैं। हर श्रोता अपने डिवाइस पर उनमें से एक चुनता है और उसे कभी भी बदल सकता है; अब तक का ट्रांसक्रिप्ट नई भाषा में फिर से दिखाया जाता है।
हर भाषा का अनुवाद उसी ट्रांसक्रिप्ट से होता है, इसलिए हर श्रोता को वही शब्द मिलते हैं, और एक सुधार उन सब तक पहुँचता है।
जो श्रोता पढ़ने की बजाय सुनना चाहता है, वह हर अनूदित पंक्ति को ज़ोर से पढ़वा सकता है। डिफ़ॉल्ट रूप से हर वक्ता को उसके लिंग से मेल खाती अलग स्टॉक आवाज़ मिलती है, इसलिए पैनल फिर भी कई लोगों जैसा सुनाई देता है। किसी वक्ता की सहमति से होस्ट उसकी आवाज़ को लगभग 30 सेकंड के उसके अकेले बोलने से क्लोन कर सकता है, और तब अनुवाद उसी की अपनी आवाज़ में पढ़ा जाता है।
आवाज़ों का नियम जानबूझकर सीमित है। कोई आवाज़ सिर्फ़ वही पढ़ती है जो उसी व्यक्ति ने कहा, उस भाषा में अनुवादित जो श्रोता ने चुनी। वह कभी किसी का टाइप किया हुआ टेक्स्ट नहीं पढ़ती, और कभी एक वक्ता के शब्द दूसरे वक्ता की आवाज़ में नहीं पढ़ती।
होस्ट के सेटअप से लेकर देर से आए श्रोता तक, पूरे कमरे के लिए यह कैसे काम करता है, यह एक लिंक, हर भाषा में है।
लाइव ट्रांसक्रिप्शन को एक ऑडियो स्रोत चाहिए। VocalStack आज ये स्रोत लेता है:
YouTube के अपने प्लेयर के भीतर, उसके CC बटन के ज़रिए कैप्शन जल्द आ रहे हैं। तब तक YouTube स्ट्रीम के दर्शक ब्रॉडकास्ट लिंक पर कैप्शन के साथ चलते हैं।
अगर आपको आज Windows पर लाइव ट्रांसक्रिप्शन चाहिए, तो Chrome या Edge एक्सटेंशन, OBS प्लगइन और ब्राउज़र में डैशबोर्ड, सब वहाँ चलते हैं।
ब्रॉडकास्ट वह तरीक़ा है जिससे दूसरे लोग लाइव ट्रांसक्रिप्शन के साथ चलते हैं। यह एक लिंक और एक QR कोड है। श्रोता उसे ब्राउज़र में खोलते हैं, भाषा चुनते हैं और साथ-साथ पढ़ते हैं। उन्हें अकाउंट नहीं चाहिए, कुछ इंस्टॉल नहीं करना पड़ता, और उनका कोई ख़र्च नहीं है: बिल श्रोताओं या भाषाओं की संख्या से नहीं बदलता।
ब्रॉडकास्ट डिफ़ॉल्ट रूप से सार्वजनिक होता है और पासवर्ड से सुरक्षित किया जा सकता है। अगर आप उसके लिंक का नाम बदलें, तो पुराना लिंक चलता रहता है, इसलिए प्रोग्राम पर छपा QR कोड पुराना नहीं पड़ता। एक ब्रॉडकास्ट कई लाइव ट्रांसक्रिप्शन ले जा सकता है, इसलिए दो मंच एक लिंक साझा कर सकते हैं।
देर से आया श्रोता अपने आने से पहले जो कुछ कहा गया वह सब देखता है, फिर लाइव चलता है। बाद में Audience व्यू दिखाता है कि कौन सुन रहा था, किस भाषा में, और कब जुड़ा।
आयोजनों के लिए बहुभाषी सम्मेलन चेकलिस्ट ऑडियो, मंच और बजट को समझाती है, और चर्च, लेक्चर हॉल और काउंसिल कक्षों के लिए लाइव ट्रांसक्रिप्शन उसी सेटअप के साप्ताहिक रूप को।
ऊपर की हर चीज़ कोड से की जा सकती है। अपने ऐप में लाइव ऑडियो के लिए API में realtime सेशन हैं: आपका सर्वर API key के साथ POST /v1/realtime/sessions को एक कॉल करता है और एक अल्पकालिक streamUrl वापस पाता है। आपका क्लाइंट उस पर एक WebSocket खोलता है, कैप्चर होते ही रॉ ऑडियो भेजता है, और ट्रांसक्रिप्ट को JSON फ़्रेम के रूप में वापस पढ़ता है।
फ़्रेम वही दो चरण अपनाते हैं जो पाठक को दिखते हैं। transcript.draft लाइव सिरे को बदल देता है, transcript.committed एक अंतिम पंक्ति जोड़ता है, और अनुवाद चालू होने पर पूरे वाक्य अपने अनुवादों के साथ आते हैं। लक्ष्य भाषाएँ, स्पीकर लेबल और लेटेंसी मोड session.update से सेशन के बीच में बदले जा सकते हैं।
realtime सेशन कुछ भी सहेजता नहीं है। जब आप चाहते हैं कि शब्द सहेजे जाएँ, ठीक किए जाएँ और दर्शकों के साथ साझा हों, तो इसकी जगह आप ऑडियो को लाइव ट्रांसक्रिप्शन और ब्रॉडकास्ट में प्रकाशित करते हैं। TypeScript, Python और PHP के आधिकारिक SDK दोनों को समेटते हैं, और एक MCP सर्वर किसी AI असिस्टेंट को वही अकाउंट इस्तेमाल करने देता है।
WebSocket ट्यूटोरियल क़दम-दर-क़दम एक काम करता कैप्शन व्यू बनाता है, और API रेफ़रेंस में हर फ़ील्ड है। API का इस्तेमाल डैशबोर्ड वाली ही दर पर बिल होता है।
सटीकता ज़्यादातर किसी रिकग्नाइज़र के चलने से पहले ही, उसे दिए जाने वाले ऑडियो से तय हो जाती है। चार बातें सबसे ज़्यादा फ़र्क़ डालती हैं।
माइक्रोफ़ोन। वक्ता के पास का माइक्रोफ़ोन, या स्थल की मिक्सिंग डेस्क का फ़ीड, आवाज़ को कमरे की बहुत कम गूँज के साथ ले आता है। मेज़ पर रखा फ़ोन वक्ता के साथ गूँज, कुर्सियाँ और खाँसी भी सुनता है। यह अकेला सबसे बड़ा कारक है, और किसी कमरे के लिए फ़ोन काफ़ी क्यों नहीं है इसकी वजह बताता है।
शोर और ओवरलैप। पृष्ठभूमि का शोर शब्दों के छूटने और गढ़े जाने का कारण बनता है, और दो लोगों का एक साथ बोलना शब्दों और किसने कहा, दोनों को उलझा देता है। ऑडियो ट्रांसक्रिप्शन की त्रुटियाँ सात आम कारण गिनाती है, कि हर एक कैसा दिखता है और उसे कैसे ठीक करें।
Reference Script। जाने-पहचाने नाम और शब्द जैसे हैं वैसे ही पहचाने जाते हैं। किसी कंपनी के प्रोडक्ट के नाम, कोई आंतरिक संक्षिप्त रूप या मेहमान का असामान्य उपनाम पहले से नहीं जाना जा सकता, इसलिए शुरू करने से पहले एक स्क्रिप्ट या स्लाइड जोड़िए, और उनमें के नाम और शब्द ठीक वैसे ही लिखे जाएँगे जैसी आपने वर्तनी लिखी।
स्पीकर लेबल। लेबल Off, On या When Needed हो सकते हैं, जो दूसरा वक्ता सुनाई देने पर उन्हें चालू करता है। स्पीकर डायराइज़ेशन बनाम स्पीच रिकग्निशन समझाता है कि दोनों जवाब, क्या कहा गया और किसने कहा, कैसे अलग हैं और अलग-अलग ठीक किए जाते हैं।
लेटेंसी मोड भी मायने रखता है: Fast टेक्स्ट जल्दी निकालता है पर उसका ज़्यादा हिस्सा बदलता है, Accuracy थोड़ा और रुकता है।
सटीकता का कोई एक आँकड़ा जितना दिखता है उससे कम बताता है। वर्ड एरर रेट ग़लत नाम को उतना ही गिनता है जितना छूट गए "the" को, इसीलिए वर्ड एरर रेट क्या मापता है, और क्या छोड़ देता है किसी सिस्टम को इस आधार पर परखने की वकालत करता है कि वह कौन-सी ग़लतियाँ पकड़कर ठीक करने देता है।
कोई लाइव ट्रांसक्रिप्ट परिपूर्ण नहीं होता, इसलिए होस्ट स्क्रीन पर एक Fix टैब है। वह उन शब्दों पर निशान लगा सकता है जिनके बारे में रिकग्नाइज़र को भरोसा नहीं था, और किसी भी पंक्ति को खोलकर ठीक किया जा सकता है। डेस्क पर कोई दूसरा व्यक्ति उन्हें निपटा सकता है जबकि वक्ता बोलता रहता है।
जब होस्ट किसी शब्द या पंक्ति को दोबारा लिखता है, चाहे वह अभी बोली ही जा रही हो, तो हर श्रोता वह सुधार हर भाषा में देखता है। जो पंक्ति बहुत कम भरोसे से सुनी गई हो, उसे ग़लत दिखाने की बजाय श्रोताओं से "Audio unclear" के रूप में छिपा दिया जाता है; होस्ट उसे फिर भी देखता है।
रिकॉर्डिंग अपने ट्रांसक्रिप्ट, सुधारों और अनुवादों के साथ सहेजी जाती है। बाद में आप कर सकते हैं:
ऑडियो और ट्रांसक्रिप्ट कितने समय रखे जाते हैं यह प्लान पर निर्भर है, और कीमत पेज उसकी सूची देता है।
ज़्यादातर लाइव ट्रांसक्रिप्शन टूल डेमो में एक जैसे दिखते हैं; फ़र्क़ नीचे के सवालों में दिखता है। दाएँ कॉलम में VocalStack का वर्णन है, जैसा वह आज है।
| सवाल | यह क्यों मायने रखता है | VocalStack |
|---|---|---|
| यह कौन-सी भाषाएँ सुन सकता है? | जो टूल वक्ता की भाषा ट्रांसक्राइब नहीं कर सकता, वह अनुवाद कितना भी अच्छा हो, मदद नहीं कर सकता। | 100 भाषाएँ, अपने आप पहचानी जाती हैं, बोलते-बोलते बदलने के साथ |
| टेक्स्ट वक्ता से कितना पीछे रहता है? | पाठक कभी-कभार के ग़लत शब्द से ज़्यादा बढ़ते अंतर को नोटिस करते हैं। | मूल टेक्स्ट सेकंड के अंश जितना पीछे, अनुवाद एक-दो सेकंड बाद; तीन लेटेंसी मोड |
| क्या यह अनुवाद करता है, और भाषा कौन चुनता है? | एक स्क्रीन पर एक सबटाइटल भाषा बाक़ी सबको बाहर छोड़ देती है। | ट्रांसक्रिप्शन पर 10 भाषाओं तक, हर श्रोता अपनी चुनता है |
| क्या यह अनुवाद बोल सकता है? | कुछ श्रोता साथ पढ़ नहीं सकते, या पढ़ना नहीं चाहते। | डिफ़ॉल्ट रूप से स्टॉक आवाज़ें; सहमति से वक्ता की अपनी क्लोन की हुई आवाज़ |
| दर्शकों तक यह कैसे पहुँचता है? | ऐप और अकाउंट दरवाज़े पर ही लोगों को खो देते हैं। | एक लिंक और QR कोड, कोई अकाउंट नहीं, वैकल्पिक पासवर्ड |
| क्या लाइव ग़लतियाँ ठीक की जा सकती हैं? | एक घंटे तक दोहराया जाने वाला ग़लत सुना नाम असली नुक़सान करता है। | हर श्रोता तक पहुँचने वाले लाइव सुधार |
| ऑडियो कहाँ से आ सकता है? | आपका सेटअप टूल के हिसाब से नहीं बदलना चाहिए। | माइक्रोफ़ोन, ब्राउज़र एक्सटेंशन, डेस्कटॉप ऐप, OBS, RTMP, स्ट्रीम लिंक |
| क्या API है? | आप अपने प्रोडक्ट के भीतर कैप्शन चाहते हो सकते हैं। | REST और WebSocket API, SDK, MCP सर्वर, डैशबोर्ड वाली ही दर |
| क़ीमत कैसे तय होती है? | प्रति श्रोता या प्रति सीट क़ीमत आपके दर्शकों के साथ बढ़ती है। | ऑडियो के प्रति सेकंड; श्रोता और भाषाएँ मुफ़्त |
VocalStack पर आप ट्रांसक्राइब किए गए ऑडियो के प्रति सेकंड के हिसाब से चुकाते हैं। यह लिखे जाने के समय लाइव ट्रांसक्रिप्शन $0.60 प्रति घंटा है और फ़ाइलें $0.20 प्रति घंटा, हर प्लान पर, डैशबोर्ड और API दोनों में। अनुवाद, आवाज़ें, सारांश, ब्रॉडकास्टिंग और श्रोता बिल में कभी कुछ नहीं जोड़ते, इसलिए 200 लोगों द्वारा पाँच भाषाओं में पढ़ा गया एक घंटे का भाषण भी उतना ही $0.60 पड़ता है जितना किसी के न पढ़ने पर।
प्लान कुछ बातों में अलग हैं:
अगर उसी समय किसी को साथ पढ़ने की ज़रूरत नहीं है, तो रिकॉर्डिंग बाद में फ़ाइल दर पर अपलोड कीजिए। हर प्लान की मौजूदा कीमतें, रखरखाव अवधि और सीमाएँ कीमत पेज पर हैं।
नए VocalStack अकाउंट के साथ $5 का साइनअप क्रेडिट आता है और कार्ड की ज़रूरत नहीं है। $0.60 प्रति घंटा पर यह लगभग आठ घंटे का लाइव ट्रांसक्रिप्शन है, अनुवाद और ब्रॉडकास्टिंग शामिल। उसके बाद आप प्रति सेकंड चुकाते हैं। श्रोता हमेशा मुफ़्त हैं।
हाँ। लाइव ट्रांसक्रिप्शन का व्यक्ति के बोलते-बोलते एक साथ 10 भाषाओं तक अनुवाद हो सकता है। अनुवाद मूल टेक्स्ट के एक-दो सेकंड बाद दिखता है, और हर श्रोता अपनी भाषा चुनता है।
यह ज़्यादातर ऑडियो पर निर्भर है। पास का माइक्रोफ़ोन या डेस्क फ़ीड, कम पृष्ठभूमि शोर, एक बार में एक व्यक्ति का बोलना और नामों वाला Reference Script सबसे अच्छे नतीजे देते हैं। लाइव सुधार होस्ट को भाषण चलते हुए भी बची ग़लतियाँ ठीक करने देते हैं।
मूल भाषा का टेक्स्ट वक्ता से एक सेकंड के अंश जितना पीछे रहता है, और अनुवाद एक-दो सेकंड बाद आते हैं। कोई सार्वजनिक स्ट्रीम ऑडियो के VocalStack तक पहुँचने से पहले अपनी देरी जोड़ती है।
हाँ, Chrome या Edge एक्सटेंशन, OBS Studio प्लगइन, या ब्राउज़र में डैशबोर्ड से। डेस्कटॉप ऐप आज macOS पर है, और Windows जल्द आ रहा है।
नहीं। श्रोता ब्राउज़र में ब्रॉडकास्ट लिंक खोलते हैं या उसका QR कोड स्कैन करते हैं, भाषा चुनते हैं और पढ़ते हैं। कुछ इंस्टॉल नहीं करना है।
डैशबोर्ड खोलिए, अपने माइक्रोफ़ोन से लाइव ट्रांसक्रिप्शन शुरू कीजिए और उसका ब्रॉडकास्ट लिंक अपने फ़ोन पर खोलिए। साइनअप क्रेडिट आपके पहले कुछ घंटे कवर करता है, और आप ख़ुद देख सकते हैं कि ड्राफ़्ट कैसे टिकते हैं और अनुवाद कैसे पीछे-पीछे चलता है।