लाइव अनुवाद की सटीकता ज़्यादातर किसी मॉडल के चलने से पहले ही तय हो जाती है, यानी माइक्रोफ़ोन कहाँ है उससे। मिक्सिंग डेस्क से ऑडियो लें, बारहवीं पंक्ति की किसी सीट से नहीं, उसका एक बार ट्रांसक्रिप्शन करें, और कोई भी गलती एक ऐसी पंक्ति बन जाती है जिसे सबके लिए एक बार में ठीक किया जा सकता है।
फ़ोन में बने अनुवाद ऐप्स एक असली उपलब्धि हैं। वे अक्सर इतना छोटा स्पीच मॉडल चलाते हैं जो डिवाइस और उसकी बैटरी में समा जाए (कुछ ऐप्स कनेक्शन होने पर ऑडियो को सर्वर को भेज देते हैं), और छोटे, साफ़ और रोज़मर्रा के वाक्यों के लिए वे अपना काम अच्छे से कर देते हैं: रास्ता पूछना, मेन्यू पढ़ना, काउंटर पर होने वाली बातचीत।
एक कमरा जिसमें बहुत से लोग एक ही स्पीकर को सुन रहे हों, वह अलग समस्या है। असली बोलचाल में जो चीज़ें सबसे ज़्यादा गड़बड़ करती हैं, वही चीज़ें छोटा मॉडल सबसे बुरी तरह संभालता है: कम प्रचलित शब्द और नाम, ऐसे शब्द जो एक जैसे सुनाई देते हैं ("their" और "there", "sail" और "sale"), तकनीकी शब्द, लहजे, लोगों का एक-दूसरे पर बोलना, और पृष्ठभूमि का शोर। एक सेलिंग क्लब में, जो मॉडल "sale" सुनता है, उसने एक समझदार अंदाज़ा लगाया है, और वह एक आत्मविश्वास भरी गलती है।
दो चीज़ें छोटे मॉडल को बड़े मॉडल से ज़्यादा अंदाज़ा लगाने पर मजबूर करती हैं। फ़ोन में फ़िट करने के लिए उसे संपीड़ित (compress) किया गया होता है, इसलिए उसे कम शब्द और उन्हें कहने के कम तरीके पता होते हैं; जो सरनेम उसने पहले नहीं सुना, उसे वह सिर्फ़ आवाज़ों से अंदाज़े से पहचानता है। और लाइव रिकग्निशन को अगला शब्द आने से पहले किसी शब्द पर टिकना पड़ता है, इसलिए मॉडल वह चीज़ इस्तेमाल नहीं कर सकता जो "sail" और "sale" में फ़ैसला कर देती: आगे आने वाले शब्द, या वह स्क्रिप्ट जो बताती है कि बात किस विषय पर है। स्पीच रिकग्निशन में संदर्भ (context) का मतलब ठीक यही दो चीज़ें हैं: आसपास के शब्द, और वह जो पहले से पता है।
जब मॉडल को यकीन नहीं होता, तो वह अंदाज़ा लगाता है। अनुवाद फिर उसी अंदाज़े पर बनता है, और उसे पढ़ने वाले को पता नहीं चलता। कमरे में किसी को दिखता नहीं कि कोई पंक्ति गलत थी, सुधारना तो दूर की बात है। और कमरे में एक श्रोता नहीं होता, पचास होते हैं।
फ़ोन स्पीकर को नहीं, कमरे को सुनता है। वजह दूरी है: लैपल या डेस्क माइक्रोफ़ोन मुँह से कुछ सेंटीमीटर दूर होता है, जबकि बारहवीं पंक्ति का फ़ोन दस मीटर या उससे भी ज़्यादा दूर होता है, और उस तक पहुँचने वाली ज़्यादातर आवाज़ पहले दीवारों, छत और कुर्सियों की पीठ से टकरा चुकी होती है। परावर्तित ध्वनि देर से और धुंधली होकर पहुँचती है। ऊपर से फ़ोन दो पंक्तियाँ पीछे खाँसते व्यक्ति को, पड़ोसी की फुसफुसाहट को, और हॉल में लाउडस्पीकर आवाज़ को जिस तरह बदलते हैं, वह सब भी उठा लेता है। हर सीट को थोड़ी अलग रिकॉर्डिंग मिलती है, इसलिए हर सीट को थोड़ा अलग ट्रांसक्रिप्ट मिलता है।
फ़ोन भी एक ही व्यक्ति के लिए अनुवाद करता है। पचास उपस्थित लोग पचास फ़ोन उठाएँ, तो एक ही भाषण के पचास स्वतंत्र ट्रांसक्रिप्ट बनते हैं, और हर एक में गलतियाँ भी अलग होती हैं। बाद में दो लोग नोट मिलाएँ तो इस पर सहमत नहीं होंगे कि क्या कहा गया था। इस बीच स्पीकर उठे हुए फ़ोनों की एक दीवार से बात कर रहा होता है, जो पढ़ने के लिहाज़ से बहुत मुश्किल भीड़ है।
कमरे के कुछ लोगों के लिए यह सिर्फ़ असुविधा नहीं है; यह तय करता है कि वे भाषण को समझ भी पाएँगे या नहीं। सुनने में कठिनाई वाला श्रोता, या किसी तीसरी भाषा में समझ रहा व्यक्ति, एक सही और साझा पाठ चाहता है, पचास अपनी-अपनी कोशिशें नहीं। यानी स्पीकर का एक बार ट्रांसक्रिप्शन करना और सबको एक ही नतीजा देना। एक बार का ट्रांसक्रिप्शन तभी फ़ायदेमंद है जब वह अच्छी तरह हो, और यह इस पर निर्भर करता है कि ऑडियो कहाँ से आ रहा है।
ट्रांसक्रिप्ट उतना ही अच्छा होता है जितना वह ऑडियो जिससे वह बना है। इसलिए पहला फ़ैसला यह नहीं कि कौन-सा मॉडल इस्तेमाल करें, बल्कि यह कि उसे कौन-सा सिग्नल दें। दूसरा फ़ैसला यह कि शुरू करने से पहले मॉडल को क्या बताएँ।
लाइव ट्रांसक्रिप्शन अपना ऑडियो वहीं से लेता है जहाँ साफ़ सिग्नल पहले से मौजूद हो:
VocalStack URL स्ट्रीम को खुद खींचता है, इसलिए आपकी तरफ़ कुछ नहीं चलाना पड़ता। RTMP फ़ीड उल्टी दिशा में काम करता है: आपका एन्कोडर उसे भेजता है। स्पीकर की भाषा अपने-आप पहचानी जाती है, और वे किसी भी समय भाषा बदल सकते हैं। अगर आप भाषा जानते हैं और रिकॉर्डिंग शोरभरी है या लहजा बहुत भारी है, तो उसका नाम बताने से सटीकता बढ़ती है।
साफ़ ऑडियो कमरे की वजह से होने वाली गलतियाँ हटा देता है। शब्दावली की वजह से होने वाली गलतियों पर उसका कोई असर नहीं होता, उनके लिए अलग तरह की मदद चाहिए।
फ़ोन को पता नहीं होता कि कौन बोल रहा है या बात किस विषय पर है, इसलिए उसके लिए किसी प्रोडक्ट का नाम या सरनेम बस एक और आवाज़ है जिसे वह अंदाज़े से पहचानने की कोशिश करता है। ब्रॉडकास्ट को शुरू होने से पहले बताया जा सकता है कि क्या आने वाला है।
शुरू करने से पहले अगर आप स्क्रिप्ट या स्लाइड जोड़ दें, तो उनमें मौजूद नाम और शब्द उस चीज़ पर भारी पड़ते हैं जिसे इंजन ने गलत सुना। रिकॉर्डिंग के दौरान Script टैब स्पीकर के साथ टेलीप्रॉम्प्टर की तरह चलता है। सम्मेलनों और लेक्चरों को भरने वाले भाषण के लिए यह अकेला सबसे बड़ा सटीकता-लाभ है, क्योंकि उसमें इतने विशेष नाम और शब्दावली होती है कि कोई सामान्य मॉडल उन्हें पर्याप्त बार नहीं सुन चुका होता।
अच्छा ऑडियो और एक ग्लॉसरी ज़्यादातर गलतियाँ हटा देते हैं। सवाल यह है कि जो गलतियाँ बची रहती हैं, उनका क्या होता है।
अच्छे ऑडियो और स्क्रिप्ट के बावजूद कुछ पंक्तियाँ गलत निकलेंगी। फ़र्क इस बात से पड़ता है कि उसके बाद क्या होता है।
फ़ोन पर, कुछ नहीं। गलत पंक्ति स्क्रीन पर ऊपर निकल जाती है, और उस पर बना अनुवाद भी उसके साथ चला जाता है।
ब्रॉडकास्ट में, जो पंक्ति दिखाने लायक़ साफ़ न हो, उसे श्रोताओं से "Audio unclear" के रूप में छिपा दिया जाता है, न कि उसे तथ्य बनाकर पेश किया जाता है।
फिर होस्ट के पास Fix टैब है: जिन शब्दों पर इंजन को शक था उन्हें रंग दिया जा सकता है और रेखांकित किया जा सकता है, एक क्लिक से कोई पंक्ति समीक्षा के लिए खुल जाती है, और किसी भी शब्द या पंक्ति को ट्रांसक्रिप्शन लाइव रहते हुए ही दोबारा लिखा जा सकता है। हर श्रोता सुधार को अपनी भाषा में देखता है। हर सुधार चिह्नित होता है और उसे वापस लिया जा सकता है।
बात यह नहीं है कि सर्वर से कभी गलती नहीं होती। बात यह है कि गलती दिखती है, कमरे में किसी के ज़िम्मे होती है, और सबके लिए एक बार ठीक की जाती है।
सुधार वह बदलते हैं जो श्रोता पढ़ते हैं। जो श्रोता भाषण सुनना चाहते हैं, उन्हें भी वही सुधारा हुआ पाठ बोलकर सुनाई देता है।
जो श्रोता पढ़ने के बजाय सुनना पसंद करता है, वह हर अनुवादित पंक्ति को ज़ोर से सुन सकता है। डिफ़ॉल्ट रूप से हर स्पीकर को उसके लिंग से मेल खाती एक अलग तैयार आवाज़ मिलती है, ताकि पैनल अब भी पैनल जैसा लगे। आप हर स्पीकर को कोई आवाज़ दे सकते हैं, या किसी एक को म्यूट कर सकते हैं।
स्पीकर की अनुमति से आप इससे आगे भी जा सकते हैं और उनकी आवाज़ को उनके भाषण के सिर्फ़ तीस सेकंड से क्लोन कर सकते हैं। यह या तो एक क्लिप अपलोड करके होता है, या किसी रिकॉर्डिंग के स्पीकर से सीधे लेकर; कुछ मिनट हों तो नतीजा बेहतर आता है। फिर हर भाषा में अनुवाद स्पीकर की अपनी आवाज़ में पढ़ा जाता है। जिस स्पीकर की आवाज़ सेव है, उसे बाद की रिकॉर्डिंग में भी पहचाना जा सकता है, हालाँकि सिस्टम किसी स्पीकर को बिना नाम के छोड़ देना पसंद करेगा, बजाय इसके कि गलत व्यक्ति का नाम ले।
दो नियम लागू होते हैं, और वे जानबूझकर बनाए गए हैं। क्लोन की गई आवाज़ बायोमेट्रिक डेटा है: वह सिर्फ़ स्पीकर की स्पष्ट सहमति से बनाई जाती है और किसी भी समय हटाई जा सकती है। और कोई आवाज़ सिर्फ़ ट्रांसक्रिप्ट या उसका अनुवाद बोल सकती है; उससे वह कुछ नहीं कहलवाया जा सकता जो उसके मालिक ने कभी नहीं कहा।
अब तक की सारी बातें स्पीकर के बोलते समय होती हैं। आखिरी फ़र्क उनके रुकने के बाद दिखता है।
बाकी फ़ोन के ट्रांसक्रिप्ट ऐप बंद होते ही गायब हो जाते हैं। ब्रॉडकास्ट रिकॉर्डिंग को आपकी लाइब्रेरी में रखता है: ऑडियो, और हर सुधार व अनुवाद के साथ ट्रांसक्रिप्ट। वहाँ उसे पंक्ति-दर-पंक्ति दोबारा चलाया जा सकता है, किसी भी भाषा में खोजा जा सकता है और एक्सपोर्ट किया जा सकता है; लाइब्रेरी क्या-क्या करती है, यह एक लिंक, हर भाषा में की वॉकथ्रू में बताया गया है। श्रोताओं की कोई कीमत नहीं लगती, चाहे वे कितने भी हों। आप सिर्फ़ ट्रांसक्राइब किए गए ऑडियो का भुगतान करते हैं: लाइव के लिए $0.60 प्रति घंटा, हर ट्रांसक्रिप्शन पर 5 मिनट की न्यूनतम अवधि के साथ, और रेट-कार्ड कीमतों के पेज पर है।
फ़ोन हर हाथ में हो तो भी गलियारे की बातचीत के लिए वह ठीक-ठाक बैकअप है। पर जिस कमरे को एक स्पीकर को साथ मिलकर समझना है, उस स्पीकर का स्रोत से एक बार ट्रांसक्रिप्शन होना चाहिए, और कोई ऐसा व्यक्ति हो जो गलत जाने वाली चीज़ को ठीक कर सके। यह कैसा दिखता है, वह होम पेज के इंटरैक्टिव डेमो में देख सकते हैं।
