ایک کثیر لسانی کمرے کو ہر زبان کے لیے الگ بوتھ کی ضرورت نہیں۔ اسے ڈیسک سے ایک صاف آڈیو فیڈ، سامعین کے اپنے فون پر کھلنے والا ایک لنک، اور بات چیت جاری رہتے ہوئے غلط سنے گئے نام کو درست کرنے کا طریقہ چاہیے۔
ایک تقریر، لیکچر، مذہبی اجتماع یا کونسل کی میٹنگ میں ایک شخص بولتا ہے اور سامعین میں سب اس زبان میں نہیں سوچتے۔ عام طریقے مہنگے، ادھورے یا نجی ہوتے ہیں۔
مہنگا طریقہ ہر زبان کے لیے ایک ترجمان ہے۔ ہر زبان کے لیے ایک ترجمان کا مطلب ہے ایک بوتھ، ریسیورز کا ایک سیٹ اور کمرے میں موجود ہر زبان کا ایک ماہر، اور یہ ماہرین ایک ہی بات نہیں کہتے۔ ہر مترجم دباؤ میں اپنے فیصلے خود کرتا ہے: کسی اصطلاح کے لیے کون سا لفظ استعمال ہو، کیا مختصر کیا جائے، اور اسپیکر تیز بولے تو کیا چھوڑ دیا جائے۔ عام تقریر میں یہ فرق شاید ہی معنی رکھتا ہو۔ قانونی سماعت، کونسل کے ووٹ یا تکنیکی بریفنگ میں یہ فرق بہت اہم ہے: کوئی متعین اصطلاح، خوراک یا شق فرانسیسی سامعین تک ایک مطلب کے ساتھ اور عربی سامعین تک دوسرے مطلب کے ساتھ پہنچ سکتی ہے، اور کمرے میں کوئی اسے پکڑنے کی پوزیشن میں نہیں ہوتا۔ ادھورا طریقہ ایک ہی اسکرین پر ایک دوسری زبان میں سب ٹائٹلز کی فیڈ ہے۔ نجی طریقہ یہ ہے کہ پچاس فون کمرے کی طرف اٹھا دیے جائیں: پچاس قدرے غلط ٹرانسکرپٹ، ہر فون گونج اور کھانسی کو اتنی ہی واضح سنتا ہوا جتنا اسپیکر کو۔
متبادل طریقہ یہ ہے کہ اسپیکر کو ایک بار، ایک صاف ذریعے سے ٹرانسکرپٹ کیا جائے، اس ایک ٹرانسکرپٹ کا سامعین کی ضرورت کی ہر زبان میں ترجمہ کیا جائے، تاکہ ہر زبان ایک ہی الفاظ سے شروع ہو، اور ہر سننے والا اپنے آلے پر خود زبان چنے۔ ایونٹ ختم ہونے پر ریکارڈنگ محفوظ رہتی ہے۔ یہاں بتایا گیا ہے کہ میزبان اور سامع ہر ایک اسے کیسے سیٹ کرتا ہے، اور اس پر کیا لاگت آتی ہے۔
لائیو ٹرانسکرپشن کسی بھی ڈیوائس کے مائیکروفون کو سن سکتی ہے، OBS یا کسی بھی دوسرے انکوڈر سے RTMP فیڈ کو سن سکتی ہے جو سرور URL اور اسٹریم کلید لیتا ہو، YouTube لائیو، انٹرنیٹ ریڈیو اسٹیشن، یا کوئی بھی URL جو اسٹریم فراہم کرے۔ اسٹریم کے لیے VocalStack آڈیو خود کھینچتا ہے؛ آپ کی طرف کچھ نہیں چلانا پڑتا۔
ذریعہ کسی بھی ترتیب سے زیادہ اہم ہے۔ کمرے کا مائیکروفون، یا میز پر پڑا فون، اسپیکر کے ساتھ کمرہ بھی سنتا ہے: دیواروں، کرسیوں اور سامعین سے ٹکرا کر واپس آنے والی گونج۔ آواز کی شناخت تب تیزی سے گرتی ہے جب آواز اس شور کے مقابلے میں کمزور ہو جائے، اسی لیے وہ پچاس فون ایک دوسرے سے متفق نہیں ہوتے۔ مکسنگ ڈیسک سے فیڈ میں اسپیکر کا اپنا مائیکروفون ہوتا ہے جس میں کمرے کا حصہ کم ہوتا ہے، اس لیے ٹرانسکرپٹ کمرے کے بجائے اسپیکر کی پیروی کرتا ہے۔ اگر جگہ پر ڈیسک موجود ہو تو فیڈ وہیں سے لیں۔
بولی جانے والی زبان خودکار طور پر پہچانی جاتی ہے، اور اسپیکر کسی بھی وقت زبان بدل سکتا ہے؛ پہلے سے نام لکھ دینا شور والی ریکارڈنگ اور بھاری لہجے میں مدد دیتا ہے۔ اسپیکر کے لیبل بند، کھلے، یا When Needed پر رکھے جا سکتے ہیں، جو دوسرا اسپیکر سنائی دینے پر انہیں آن کر دیتا ہے۔ جب آڈیو آنا شروع ہو جائے تو سامعین کو اسے ڈھونڈنے کی جگہ چاہیے۔
براڈکاسٹ ہی لنک ہے: ایک پتہ اور ایک QR کوڈ، جسے سامعین اسکین کر کے لائیو ترجمہ کھولتے ہیں اور اپنی زبان چنتے ہیں۔ لنک اس نام سے بنتا ہے جو آپ براڈکاسٹ کو دیتے ہیں۔ بعد میں نام بدل دیں تو پرانا لنک کام کرتا رہتا ہے، اس لیے پروگرام پر چھپا QR کوڈ پرانا نہیں ہوتا۔
براڈکاسٹ ڈیفالٹ طور پر عوامی ہوتا ہے: لنک رکھنے والا کوئی بھی اسے کھول سکتا ہے۔ اسے نجی کریں اور پاس ورڈ رکھیں تو سامعین سے ٹرانسکرپٹ ظاہر ہونے سے پہلے پاس ورڈ مانگا جاتا ہے۔
ایک براڈکاسٹ کو کئی لائیو ٹرانسکرپشنز فیڈ کر سکتی ہیں، اس لیے دو اسٹیج والی کانفرنس بھی ایک ہی لنک استعمال کرتی ہے۔ لنک لوگوں کو اندر لاتا ہے؛ انہیں روکے رکھنا درست ناموں پر منحصر ہے۔
اسپیچ ریکگنیشن اس طرح تربیت یافتہ ہوتا ہے کہ لوگ عام طور پر کیسے بولتے ہیں، اس لیے جب آواز مبہم ہو تو وہ عام لفظ کی طرف جاتا ہے۔ کسی پروڈکٹ کا نام، کوئی خاندانی نام، کوئی گاؤں، کوئی کیمیائی مادہ: ہر ایک کا کوئی زیادہ عام ملتا جلتا لفظ ہوتا ہے، اور وہی سامنے آ جاتا ہے جب تک ریکگنائزر کو نہ بتایا جائے کہ نادر لفظ آ رہا ہے۔ اسکرپٹ اسی کام کے لیے ہے۔ شروع کرنے سے پہلے اسکرپٹ یا سلائیڈز شامل کریں، تو ان میں موجود نام اور اصطلاحات غلط سنے گئے لفظ پر غالب آ جاتی ہیں۔ کسی ماہرانہ تقریر میں ریکگنیشن عموماً انہی ناموں اور اصطلاحات پر ناکام ہوتی ہے۔ ریکارڈنگ کے دوران Script ٹیب ٹیلی پرامپٹر کی طرح ساتھ چلتا ہے اور اب تک بولے گئے الفاظ روشن کرتا ہے۔
بس اتنا ہی سیٹ اپ ہے۔ لنک کے دوسری طرف کرنے کو اس سے بھی کم ہے۔
سامع کو ایک لنک یا QR کوڈ اور ایک فون درکار ہے۔ وہ لنک براؤزر میں کھولتا ہے اور The broadcast hasn't started yet دیکھتا ہے جب تک میزبان ریکارڈ دبائے، پھر Live. The first line appears in a moment. دکھائی دیتا ہے۔ وہ میزبان کی چنی ہوئی زبانوں میں سے انتخاب کرتا ہے (فی ٹرانسکرپشن 10 تک، 100 دستیاب میں سے) اور اسپیکر کے بولنے کے ساتھ ٹرانسکرپٹ پڑھتا ہے۔ میزبان اپنی زبان میں بولتا رہتا ہے۔ سامع کسی بھی وقت زبان بدل سکتا ہے؛ اب تک کا ٹرانسکرپٹ نئی زبان میں دوبارہ دکھایا جاتا ہے۔
اگر سامع سننا پسند کرے تو ہر ترجمہ شدہ لائن بلند آواز میں پڑھی جاتی ہے۔ ڈیفالٹ طور پر ہر اسپیکر کو جنس کے مطابق ایک الگ ریڈی میڈ آواز ملتی ہے، اس لیے پینل اب بھی پینل ہی لگتا ہے۔
تین مرحلے ترتیب سے ہوتے ہیں، اور ہر ایک پہلے والے کا انتظار کرتا ہے۔ ریکگنیشن کو الفاظ کا فیصلہ کرنے سے پہلے تقریر کا کچھ حصہ درکار ہے، اس لیے ٹرانسکرپٹ اسپیکر سے ایک سیکنڈ کے کسر جتنا پیچھے رہتا ہے۔ ترجمے کو پورا فقرہ چاہیے، کیونکہ زبانوں میں الفاظ کی ترتیب مختلف ہوتی ہے اور جملے کا آخری حصہ شروع کو بدل سکتا ہے، اس لیے وہ ایک یا دو سیکنڈ بعد آتا ہے۔ آواز میں بولنے کے لیے ترجمہ شدہ جملہ درکار ہے، اس لیے بولی گئی لائن سب سے آخر میں آتی ہے۔ یہ کوئی خرابی نہیں جسے ٹھیک کیا جائے؛ یہ وہ ہے جو یہ تینوں کام کرنے والے ہر نظام کو کرنا پڑتا ہے، بشمول انسانی ترجمان کے، جو بھی فعل کا انتظار کرتا ہے۔
اسپیکر کی اجازت سے، میزبان اسپیکر کو صرف بولتے ہوئے تیس سیکنڈ (MP3، M4A یا WAV؛ چند منٹ بہتر ہیں) سے کلون کر سکتا ہے۔ پھر ترجمہ ہر زبان میں اسپیکر کی اپنی آواز میں پڑھا جاتا ہے۔ آواز کو وہی بایومیٹرک ڈیٹا سمجھیں جو وہ ہے۔ GDPR کے تحت کسی شخص کو شناخت کرنے کے لیے پروسیس کیا گیا صوتی ڈیٹا عام طور پر آرٹیکل 9 کی خاص اقسام میں آتا ہے، اور کچھ امریکی ریاستیں، ان میں Illinois بھی شامل ہے، صوتی شناختوں کو الگ سے ریگولیٹ کرتی ہیں۔ نمونہ ریکارڈ ہونے سے پہلے، بعد میں نہیں، اسپیکر کی واضح رضامندی لیں؛ آواز کسی بھی وقت حذف کی جا سکتی ہے۔ کلوننگ اسپیکر کو رجسٹر بھی کر دیتی ہے، اس لیے مستقبل کی ریکارڈنگز میں ان کا نام لکھا جائے گا۔ میزبان ہر اسپیکر کو الگ آواز دے سکتا ہے، یا کسی ایک کو خاموش کر سکتا ہے۔
جو سامع دیر سے آتا ہے اسے اپنے آنے سے پہلے کہی گئی ہر بات نظر آتی ہے، پھر وہ لائیو کے ساتھ چلتا ہے۔ اگر کنکشن ٹوٹ جائے تو کنکشن واپس آتے ہی صفحہ خود بخود اپ ڈیٹ ہو جاتا ہے۔ جب میزبان روکے تو سامعین کو Paused. The transcript continues when the host resumes. نظر آتا ہے۔ جب میزبان بند کرے تو صفحہ ریکارڈنگ کی تاریخ اور دورانیہ دکھاتا ہے، اور براڈکاسٹ دوبارہ سننے کے لیے اپنی پچھلی ریکارڈنگز کی فہرست دیتا ہے۔
سامع صرف وہی پڑھ سکتا ہے جو انجن نے سنا، اور لائیو ریکگنیشن اس میں سے کچھ غلط بھی سن لیتی ہے۔
میزبان کی اسکرین پر اسی کے لیے Fix ٹیب ہے۔ Mark uncertain words وہ الفاظ رنگ اور لکیر سے نمایاں کرتا ہے جن پر انجن کو شک تھا؛ Click to correct جائزے کے لیے ایک لائن کھولتا ہے۔ یہ ٹیب غیر یقینی حصوں کو ایک ایک کر کے دکھاتا ہے، تاکہ ڈیسک پر موجود دوسرا شخص اسپیکر کے بولتے رہنے کے دوران انہیں نمٹا سکے۔
جب میزبان کوئی لفظ یا لائن دوبارہ لکھے، حتیٰ کہ وہ ابھی بولی جا رہی ہو، تو ہر سامع درستگی دیکھتا ہے۔ جس لائن کا اعتماد بہت کم ہو وہ سامعین سے Audio unclear کے طور پر چھپا دی جاتی ہے، غلط دکھانے کے بجائے؛ میزبان پھر بھی ہر لفظ دیکھتا ہے۔ خالی جگہ معلوم خلا ہے؛ پراعتماد غلط لفظ ایک افواہ ہے۔
یہ درستگیاں بات ختم ہونے کے بعد بھی باقی رہتی ہیں۔
سب کچھ محفوظ رہتا ہے۔ ریکارڈنگ، درستگیوں اور ترجموں کے ساتھ اس کا ٹرانسکرپٹ، اور آڈیو، سب میزبان کی لائبریری میں جاتے ہیں۔ ری پلے اسے جیسا آیا تھا ویسا، لائن بہ لائن، اس کی آڈیو کے ساتھ دوبارہ چلاتا ہے۔ جب الفاظ حتمی ہو جائیں تو ہر زبان میں عنوان اور خلاصہ لکھا جاتا ہے، اور میزبان کی اسکرین کے Summary اور Export ٹیب انہیں سیدھا ایونٹ سے باہر لے جاتے ہیں۔
ایکسپورٹ SRT سب ٹائٹلز، PDF، Excel یا JSON میں ہوتے ہیں، جن میں درستگیاں اور ترجمے شامل ہوتے ہیں، اور آڈیو MP3 کے طور پر ڈاؤن لوڈ ہوتی ہے۔ ہر ٹرانسکرپٹ کسی بھی زبان میں قابلِ تلاش ہے۔
Audience ویو دکھاتا ہے کس نے سنا، کون سی زبان میں، اور کب شامل ہوا: یہ اکثر وہ پہلی حقیقی گنتی ہوتی ہے جو منتظم کو معلوم ہوتی ہے کہ کس کو کون سی زبان چاہیے تھی۔ اس سے پہلے اندازہ عموماً یہ ہوتا تھا کہ پوچھے جانے پر، انگریزی میں، کس نے ہاتھ اٹھایا کہ اسے ترجمے کی ضرورت ہے۔ سامع کے شناخت کنندگان ریکارڈنگ کے ساتھ حذف ہو جاتے ہیں۔
اسپیچ ریکگنیشن، اسپیکر کی شناخت اور آواز کی ترکیب ہمارے چلائے ہوئے سرورز پر چلتی ہے، اور آپ کی آڈیو پروسیسنگ کے لیے کسی تیسرے فریق کو نہیں بھیجی جاتی۔ ہم آپ کی آڈیو، ٹرانسکرپٹس یا آوازیں ماڈلز کی تربیت کے لیے استعمال نہیں کرتے۔
ریٹینشن پلان کے مطابق ہے: استعمال کے مطابق ادائیگی پر اصل آڈیو اور آوازیں 7 دن اور ٹرانسکرپشنز 30 دن رکھی جاتی ہیں؛ Premium اور Enterprise انہیں اکاؤنٹ کی پوری مدت تک رکھتے ہیں۔ پلان کا دوسرا فیصلہ بل ہے۔
دو اعداد اہم ہیں۔ استعمال کے مطابق ادائیگی اور Premium پر لائیو ٹرانسکرپشن $0.60 فی گھنٹہ آڈیو کی ہے، فی سیکنڈ کے حساب سے بل کے ساتھ، ہر ٹرانسکرپشن پر کم از کم 5 منٹ، اور ڈیش بورڈ اور API دونوں کے ذریعے ایک ہی شرح پر؛ Enterprise کے لیے حجم کی شرحیں ہیں۔ سامعین اور زبانیں مفت ہیں: ایک گھنٹے کا ایونٹ جو پانچ زبانوں میں دو سو لوگ سنیں، $0.60 میں پڑتا ہے۔ فائلیں سستی ہیں ($0.20 فی گھنٹہ) کیونکہ لائیو ٹرانسکرپشن پورے ایونٹ کے دوران حقیقی وقت میں چلتی ہے۔ پلانز کنکرنسی، ریکارڈنگ کی زیادہ سے زیادہ مدت اور شروع ہونے کی رفتار میں مختلف ہیں؛ استعمال کے مطابق ادائیگی پر کولڈ اسٹارٹ 15 سیکنڈ تک لے سکتا ہے، اس لیے اسپیکر کے بولنے سے ذرا پہلے ریکارڈ دبائیں، تقریباً ایک “کیا پیچھے بیٹھے سب کو میری آواز آ رہی ہے؟” پہلے۔ مکمل جدول قیمتوں کے صفحے پر ہے۔
ہوم پیج پر دو فونز کا ڈیمو ہے، اور ڈیش بورڈ میں نیا اکاؤنٹ $5 سائن اپ کریڈٹ کے ساتھ آتا ہے اور اس کے لیے کارڈ درکار نہیں۔ لائیو شرح پر، یہ کریڈٹ آٹھ گھنٹے سے زیادہ براڈکاسٹنگ کے لیے کافی ہے۔
کیا آپ اس اور ہر فون میں موجود لائیو ترجمے کے درمیان فیصلہ کر رہے ہیں؟ پڑھیں کمرے کے لیے فون کیوں کافی نہیں۔ کسی مکمل ایونٹ کے لیے، کثیر لسانی کانفرنس چیک لسٹ آڈیو کے راستے، ایک لنک پر کئی اسٹیجز اور بجٹ کا احاطہ کرتی ہے۔ ڈیولپرز یہ سب کچھ کوڈ سے API ریفرنس کے ذریعے کر سکتے ہیں، اسی شرح پر۔
