کیپشنز مکسنگ ڈیسک پر اور اسپیکرز کی سلائیڈز میں جیتے جاتے ہیں۔ ہر اسٹیج سے تقریر کے مائیکروفونز کی ایک صاف فیڈ لیں اور کوئی اسٹیج پر آنے سے پہلے ہر نام اور مخفف لوڈ کر دیں؛ باقی دن انہی دو چیزوں سے رہ جانے والی غلطیاں درست کرنے میں گزرتا ہے۔
کانفرنس کی کیپشننگ کا زیادہ تر کام اسٹیج پر کسی کے قدم رکھنے سے پہلے ہوتا ہے، اور اس کا زیادہ تر حصہ سافٹ ویئر کا نہیں ہوتا۔
لیکچرن پر رکھا ہوا فون کمرے کی آواز سنتا ہے؛ مکسنگ ڈیسک اسپیکر کی آواز سنتی ہے۔ فیڈ ڈیسک سے لیں، اور واضح کریں کہ کون سی فیڈ۔ ساؤنڈ انجینئر سے کہیں کہ صرف تقریر کے مائیکروفونز والا ایک مخصوص aux یا matrix send دے: لیکچرن، لیپل مائیکروفونز، پینل مائیکروفونز۔ واک اِن میوزک، ویڈیو پلے بیک اور تالیوں کا اسٹیم اس میں شامل نہ ہوں۔ جو سسٹم کسی جنگل کے اوپر سے سننے پر مجبور ہو وہ گانے کے بولوں کا پختہ لیکن غلط اندازہ لگا لیتا ہے۔
یہ send ٹیک ریہرسل میں آزمائیں، اصل مائیکروفونز اور اگر ممکن ہو تو اصل اسپیکرز کے ساتھ۔ ورنہ آپ کو تقریب کی صبح 8:55 بجے پتا چلے گا کہ matrix آؤٹ پُٹ فیڈر کے بعد (post-fader) ہے اور انجینئر ہر تقریر کے درمیان لیکچرن کو میوٹ کر دیتا ہے۔
VocalStack کو یہ فیڈ دو طریقوں میں سے ایک سے دیں۔ پہلا طریقہ ڈیسک پر ایک RTMP encoder ہے۔ جب آپ لائیو ٹرانسکرپشن کے ذریعے کے طور پر کوئی RTMP اسٹریم شامل کرتے ہیں تو ڈیش بورڈ وہ سرور URL اور stream key دکھاتا ہے جو encoder کو درکار ہے، بتاتا ہے کہ آڈیو آنا شروع ہوئی ہے یا نہیں اور کس فارمیٹ میں، اور آپ اسے سن بھی سکتے ہیں۔ دوسرا طریقہ اسٹریم کا پتہ ہے۔ اگر اسٹیج پہلے ہی YouTube لائیو یا آڈیو اسٹریم کے طور پر نشر ہو رہا ہے تو وہ لنک پیسٹ کریں اور VocalStack خود آڈیو حاصل کر لیتا ہے؛ آپ کی طرف سے کچھ نہیں چلتا۔ اسٹریم کا اپنا پتہ پیسٹ کریں، وہ صفحہ نہیں جس پر وہ چل رہا ہے۔ اگر غلطی سے ویب صفحہ پیسٹ ہو جائے تو ڈیش بورڈ آپ کو بتا دیتا ہے۔
دونوں صورتوں میں ہر اسٹیج کے لیے ایک ہی مائیکروفون فیڈ استعمال کریں۔ سامعین کے مائیکروفون اور ایک دوسرے کی آوازیں (crosstalk) وہ درستگی کھا جاتی ہیں جو کوئی سیٹنگ واپس نہیں لا سکتی۔ عمارت کا بہترین مائیکروفون اُس پینلسٹ کے پاس ہوتا ہے جو بار بار اس سے دور جھکتا رہتا ہے۔
آڈیو آنا شروع ہو جائے تو حاضرین کو کیپشنز پڑھنے کے لیے ایک جگہ چاہیے۔
براڈکاسٹ وہ لنک ہے جو حاضرین کھولتے ہیں۔ اسے Broadcasts کے تحت بنائیں، ایک نام دیں اور اس کا لنک منتخب کریں۔ ڈیش بورڈ نام کی بنیاد پر ایک لنک تجویز کرتا ہے؛ آپ اسے بدل سکتے ہیں، بشرطیکہ وہ کم از کم چھ حروف کا رہے۔ اسی اسکرین پر وہ QR کوڈ بھی نظر آتا ہے جسے حاضرین اسکین کر کے لائیو ترجمہ کھولتے ہیں اور اپنی زبان چنتے ہیں۔
ابھی طے کریں کہ براڈکاسٹ عوامی ہوگا یا نجی۔ عوامی کا مطلب ہے کہ لنک رکھنے والا کوئی بھی اسے کھول سکتا ہے۔ نجی کا مطلب ہے کہ ٹرانسکرپٹ ظاہر ہونے سے پہلے حاضرین ایک مختصر پاس ورڈ درج کرتے ہیں۔ اگر بعد میں لنک بدلنا پڑے تو بدل دیں؛ پرانا لنک پھر بھی کام کرتا رہتا ہے۔
پھر سوچیں کہ یہ لنک ہزاروں جیبوں تک کیسے پہنچے گا۔ ہر سیشن سے پہلے ہولڈنگ سلائیڈ پر، دروازوں کے سائن بورڈز پر، اور اگر ہو تو لینیارڈ کارڈ پر QR کوڈ لگائیں۔ سینکڑوں فون ایک ساتھ جُڑیں تو وینیو کے وائی فائی پر واقعی بوجھ پڑتا ہے، اس لیے وینیو سے پوچھیں کہ ایکسیس پوائنٹس کس تعداد کے لیے بنائے گئے تھے اور کیا گیسٹ نیٹ ورک ہر ڈیوائس کی رفتار محدود کرتا ہے۔ اگر جواب کندھے اچکانے پر ہو تو حاضرین سے کہیں کہ موبائل ڈیٹا استعمال کریں۔ صفحات چھوٹے ہیں؛ خطرہ وائی فائی ہے۔
دو اسٹیجز والی کانفرنس کو دو لنکس کی ضرورت نہیں۔ ایک براڈکاسٹ کو بیک وقت کئی لائیو ٹرانسکرپشنز فیڈ کر سکتی ہیں۔ اسٹیج A اور اسٹیج B دو ٹرانسکرپشنز ہوں گی جو ایک ہی براڈکاسٹ سے جُڑی ہوں، اور حاضر کا فون ایک ہی صفحے پر دونوں دکھائے گا۔ ہر اسٹیج اپنی الگ لائیو ٹرانسکرپشن ہے، اور ہر پلان ایک وقت میں چلنے والی ٹرانسکرپشنز کی تعداد محدود کرتا ہے: استعمال کے مطابق ادائیگی پر 1، Premium پر 5، اور Enterprise پر لامحدود۔ یہ حد نیچے بجٹ والے حصے میں دوبارہ آتی ہے۔
لنک اتنا ہی اچھا ہے جتنے اچھے اس کے پیچھے کے الفاظ ہیں۔
کسی بھی نظام میں لائیو اسپیچ ریکگنیشن نام، پروڈکٹ کی اصطلاحات اور مخففات پر لڑکھڑاتی ہے۔ شروع کرنے سے پہلے ہر اسپیکر کی اسکرپٹ یا سلائیڈز شامل کریں؛ ان میں موجود نام اور اصطلاحات اُس پر مقدم ہوں گی جو انجن کو لگتا ہے کہ اس نے سنا ہے۔ تقریر کے دوران Script ٹیب الفاظ کے ساتھ ساتھ چلتا ہے، جیسے ٹیلی پرامپٹر۔
یہ وہ لمحہ بھی ہے جب مشین کیپشننگ کی حقیقت کے بارے میں ایماندار ہونا ضروری ہے۔ اسپیچ ریکگنیشن اور مشین ٹرانسلیشن مل کر CART (Communication Access Realtime Translation، یعنی تربیت یافتہ انسانی کیپشنر کی طرف سے لائیو ٹائپ کیے گئے کیپشنز) نہیں ہیں، اور نہ یہ ترجمانی ہے۔ یہ تیز، سستا اور نہ تھکنے والا ہے، اور کبھی کبھی یہ کسی نفی کو الٹ دے گا، کسی عدد کو گول کر دے گا یا کسی مذاق کو حقیقی بیان میں بدل دے گا۔ کلیدی خطاب، پروڈکٹ سیشن یا پینل کے لیے یہ سمجھوتہ عموماً درست ہوتا ہے۔ ایسے سیشن کے لیے جہاں غلط لفظ کے نتائج ہوں (قانونی، طبی، کوئی ووٹ)، کسی انسانی کیپشنر یا مترجم کو بُک کریں اور مشین کو لکھے ہوئے ریکارڈ کے طور پر ساتھ چلنے دیں۔ رسائی (accessibility) کی بنیادی شرط بھی جاننے کے قابل ہے: WCAG 2.x لائیو آڈیو پر کیپشنز کو لیول AA پر مانگتا ہے (criterion 1.2.4)، اور سرکاری شعبے اور وینیو کے معاہدوں کی بڑھتی تعداد اسے بس حوالے کے طور پر لکھتی ہے۔
الفاظ طے ہو جائیں تو آخری تیاری اس بارے میں ہے کہ انہیں کون کہہ رہا ہے۔
اسپیکر لیبلز سامعین کو بتاتے ہیں کہ کون بول رہا ہے۔ سوئچ When Needed پر رکھیں تو لیبلز صرف اس وقت ظاہر ہوتے ہیں جب دوسرا اسپیکر سنائی دے، یوں کلیدی خطاب سادہ متن کی طرح پڑھا جاتا ہے اور پینل ایک گفتگو کی طرح۔
اگر چاہتے ہیں کہ پہلی لائن سے ہی اسپیکرز کو نام سے پہچانا جائے تو ان کی آوازیں پہلے سے Voices کے تحت رجسٹر کریں۔ ایک شخص کے بولنے کی ایک کلپ کافی ہے: MP3، M4A یا WAV، کم از کم تیس سیکنڈ کی، اگرچہ چند منٹ بہتر ہیں۔ شخص کی رضامندی ضروری ہے، اور آواز بنانے سے پہلے ڈیش بورڈ آپ سے تصدیق مانگتا ہے کہ آپ کے پاس اجازت ہے۔ اسے محض ایک چیک باکس نہ سمجھیں۔ GDPR کے تحت، کسی شخص کی شناخت کے لیے استعمال ہونے والا وائس پرنٹ عموماً بایومیٹرک ڈیٹا سمجھا جاتا ہے (آرٹیکل 9)۔ اس کا مطلب ہے واضح رضامندی، اور وائس پرنٹ حذف کروانے کا حق۔ دوسری جگہوں پر بھی ملتے جلتے قواعد موجود ہیں، اور اسپیکرز کے معاہدے اسے شامل کرنے کی آسان جگہ ہیں۔ کلون شدہ آواز کسی بھی وقت حذف کی جا سکتی ہے۔ جب تک وہ موجود ہے، سامعین اُس اسپیکر کے ترجمے بھی ملتی جلتی آواز میں سن سکتے ہیں۔
پلان طے ہو گیا تو باقی کام خود دن کا ہے۔
ہر لائیو ٹرانسکرپشن میں Speed ٹیب ہوتا ہے جس میں لیٹنسی موڈ اور وقت کے ساتھ تاخیر کا چارٹ ہوتا ہے۔ تین سیٹنگز ہیں:
صاف ڈیسک فیڈ والے اسکرپٹ شدہ کلیدی خطاب کے لیے Auto درست ہے؛ چار لہجوں والے تکنیکی پینل کے لیے، جس کی کوئی اسکرپٹ نہ ہو، Accuracy اضافی تاخیر کے قابل ہے۔
شروع ہونے کا وقت بھی منصوبہ بندی کا حصہ ہے۔ استعمال کے مطابق ادائیگی پر کولڈ اسٹارٹ میں ٹرانسکرپشن شروع ہونے سے پہلے 15 سیکنڈ تک لگ سکتے ہیں۔ Premium عموماً وارم اسٹارٹ ہوتا ہے، اور Enterprise ہمیشہ۔ اسٹارٹ بٹن واک اِن کے دوران دبائیں، پہلے لفظ پر نہیں۔
موڈ کوئی بھی ہو، کچھ الفاظ غلط ہوں گے، اس لیے کوئی نہ کوئی نگرانی کرے۔
ڈیسک پر کوئی شخص Fix ٹیب کھلا رکھے۔ اس میں دو سوئچ ہیں: Mark uncertain words وہ الفاظ رنگ دیتا ہے اور ان کے نیچے لکیر لگاتا ہے جن پر انجن کو یقین نہیں تھا، اور Click to correct جب آپ کسی لائن پر کلک کریں تو اسے جائزے کے لیے کھولتا ہے۔ یہ ٹیب غیر یقینی حصوں میں ایک ایک کر کے آپ کی رہنمائی کرتا ہے، اور ایک تصحیح ہر زبان میں ہر سامع تک پہنچتی ہے۔
کسی بھی کمرے میں سامعین کا مائیکروفون کمزور کڑی ہوتا ہے، اور سوال و جواب کے سیشن میں یہ نظر آتا ہے۔ موڈریٹر سے کہیں کہ جواب دینے سے پہلے ہر سامع کا سوال اپنے مائیکروفون میں دہرائے۔ کیپشنز اس کا شکریہ ادا کریں گے، اور پچھلی قطار والے بھی، جنہوں نے وہ سوال نہیں سنا تھا۔
سیشنز کے درمیان ڈیسک کا کام مختلف ہوتا ہے۔
ہوسٹ کی اسکرین ریکارڈنگ کو روک اور دوبارہ شروع کر سکتی ہے، اور سامع کے صفحے پر ایک اطلاع ظاہر ہوتی ہے: “Paused. The transcript continues when the host resumes.” یہ وقفہ سیشن بدلنے کے لیے ہے، کھانے کے وقفے کے لیے نہیں۔ ہر ریکارڈنگ کا زیادہ سے زیادہ وقفہ ہوتا ہے، جو ڈیش بورڈ میں 30 سیکنڈ، 1 منٹ یا 3 منٹ پر سیٹ ہوتا ہے؛ جو ریکارڈنگ اس سے زیادہ دیر کے لیے روکی جائے وہ خود ہی ختم ہو جاتی ہے۔
لمبے وقفے کے لیے ریکارڈنگ بند کریں اور اگلا سیشن شروع ہونے پر نئی ریکارڈنگ شروع کریں۔ ہر ریکارڈنگ براڈکاسٹ کے صفحے پر درج رہتی ہے، اس لیے دوپہر میں حاضرین صبح کے سیشنز تک واپس جا سکتے ہیں۔ ایک لائیو ریکارڈنگ کی حد استعمال کے مطابق ادائیگی پر چند گھنٹے ہے اور Premium پر زیادہ (درست اعداد قیمتوں کے صفحے پر ہیں)، اس لیے ایک طویل دن ہر حال میں کئی ریکارڈنگز پر مشتمل ہوگا۔
صبح کے درمیان میں دیکھیں کہ واقعی کون پڑھ رہا ہے۔
Broadcast ٹیب کا سامعین کا منظر دکھاتا ہے کہ کون موجود ہے، اس وقت کتنے لوگ سن رہے ہیں، ان کی کھلی ہوئی زبانیں، اور وقت کے ساتھ سامعین کی تعداد۔ ہر ٹرانسکرپشن میں 10 زبانیں تک شامل ہو سکتی ہیں، اور ہر سامع اپنی ڈیوائس پر ایک زبان چنتا ہے۔ اس لیے یہ منظر بتاتا ہے کہ کمرہ واقعی کون سی زبانیں پڑھتا ہے، جو شاذ ہی وہ فہرست ہوتی ہے جو منتظمین نے اندازہ لگائی تھی۔ میڈرڈ سے رجسٹر ہونے والے مندوبین انگریزی پڑھتے نکلے؛ پرتگالی کی قطار ایک ایسی میز سے بھر گئی جس کی کسی کو توقع نہ تھی۔ اگلے سال کے لیے یہ فہرست ساتھ لے جائیں۔
ان میں سے ہر سامع مفت ہے۔ پیسے آڈیو پر لگتے ہیں۔
لائیو ٹرانسکرپشن ہر پلان اور API کے ذریعے آڈیو کے فی گھنٹہ $0.60 ہے، جس کی بلنگ فی سیکنڈ ہوتی ہے اور ہر ٹرانسکرپشن کی کم از کم 5 منٹ کی حد ہے۔ دو اسٹیجز جو ہر ایک آٹھ گھنٹے چلیں، یعنی 16 گھنٹے لائیو آڈیو، یا $9.60۔ ترجمے، براڈکاسٹنگ، خلاصے اور ایکسپورٹس شامل ہیں، چاہے کتنے ہی لوگ سنیں۔
پلان شرح کے بجائے صلاحیت کے لیے اہم ہے۔ استعمال کے مطابق ادائیگی میں سائن اپ پر ایک بار کا $5 کریڈٹ ملتا ہے، جس کے لیے کارڈ درکار نہیں، ایک وقت میں ایک ٹرانسکرپشن اور زیادہ سے زیادہ 5 گھنٹے کی ریکارڈنگ۔ کریڈٹ صفر پر پہنچتے ہی لائیو ٹرانسکرپشن فوراً رک جاتی ہے، اس لیے دروازے کھلنے سے پہلے ٹاپ اپ کر لیں۔ Premium ماہانہ $50 ہے (سالانہ پلان پر ماہانہ $40) اور ہر مہینے $50 کا کریڈٹ شامل ہے، جو 83 لائیو گھنٹوں کے برابر ہے۔ اس میں پانچ بیک وقت ٹرانسکرپشنز اور 10 گھنٹے کی ریکارڈنگز کی اجازت ہے، اور ایک گریس پیریڈ بھی ہے: کریڈٹ صفر ہونے کے بعد بھی لائیو ٹرانسکرپشن کچھ دیر چلتی رہتی ہے، اور اضافی منٹ اسی شرح سے بلنگ ہوتے ہیں۔ دو متوازی اسٹیجز کے لیے Premium درکار ہے۔ Enterprise کی قیمت مخصوص ہوتی ہے، بے حد ہم وقتی ٹرانسکرپشنز، 24 گھنٹے کی ریکارڈنگز اور ایک مخصوص انجن پول کے ساتھ۔
مکمل جدول کے لیے قیمتوں کا صفحہ دیکھیں، اور تقریب سے ایک ہفتہ پہلے ڈیش بورڈ میں Billing کے تحت اپنا بیلنس چیک کریں۔
بل اسی وقت رکتا ہے جب آڈیو رکتا ہے؛ ٹرانسکرپٹ نہیں رکتا۔
استعمال کے مطابق ادائیگی پر ٹرانسکرپٹس 30 دن تک محفوظ رہتے ہیں، جبکہ Premium اور Enterprise پر ان کی کوئی حد نہیں۔ استعمال کے مطابق ادائیگی پر اصل آڈیو صرف 7 دن تک محفوظ رہتی ہے۔ اگر آپ مفت پلان پر ہیں تو ہفتے کے اندر ایکسپورٹ کر لیں۔
حاضر کی نظر سے لنک کیسا دکھتا ہے، یہ جاننے کے لیے ایک لنک، ہر زبان دیکھیں، یا ہوم پیج پر لائیو ڈیمو آزمائیں۔
