خراب ٹرانسکرپٹ کی عموماً ایک یا دو وجوہات ہوتی ہیں، اور صفحے پر موجود غلطیاں بتا دیتی ہیں کہ کون سی۔ آڈیو ٹرانسکرپشن کی غلطیوں کی سات عام وجوہات: ہر ایک کیسی دکھتی ہے، کیوں ہوتی ہے، اور ریکارڈنگ اور ٹرانسکرپٹ دونوں میں اس کا حل کیا ہے۔
آڈیو ٹرانسکرپشن کی غلطیاں شاذ ہی اتفاقی ہوتی ہیں۔ جو ٹرانسکرپٹ “Kubernetes” کو “Cooper Netties” بنا دے، دو لوگوں کے الفاظ ایک ہی نام کے نیچے رکھ دے، یا جہاں مقرر نے “fifteen” کہا ہو وہاں “fifty” لکھ دے، وہ آپ کو بتا رہا ہوتا ہے کہ کیا بگڑا۔ ہر وجہ اپنی طرح کی غلطی چھوڑتی ہے، اور ہر ایک کا اپنا حل ہے۔ کچھ حل اگلی ریکارڈنگ سے تعلق رکھتے ہیں، کچھ اس ٹرانسکرپٹ سے جو آپ کے پاس پہلے سے ہے۔
یہ گائیڈ غلطی سے شروع ہوتی ہے۔ نیچے کی فہرست میں وہ غلطی تلاش کریں جو آپ کے ٹرانسکرپٹ سے ملتی ہے، پھر اس کے حصے پر جائیں: غلطی کیسی دکھتی ہے، سادہ لفظوں میں یہ کیوں ہوتی ہے، اور کیا کرنا ہے۔
ٹرانسکرپشن کے زیادہ تر مسائل سات نمونوں میں آتے ہیں۔ علامت کو وجہ سے ملائیں:
دو وجوہات اکثر اکٹھی ہو جاتی ہیں۔ شور والے کیفے میں ہیڈسیٹ پر بیٹھا، لہجے کے ساتھ بولنے والا دور کا مہمان تین قسم کی غلطیاں ایک ساتھ پیدا کرے گا۔ پہلے اس وجہ کو ٹھیک کریں جو سب سے زیادہ لائنوں کو متاثر کرتی ہے: عموماً آڈیو، پھر زبان، پھر الفاظ۔
یہ کیسا دکھتا ہے۔ کیفے میں بنی ریکارڈنگ میں “Let's move the launch to March” بن جاتا ہے “Let's move the lunch to March” (ریکارڈنگ انگریزی میں ہے)۔ دروازہ بند ہونے کی آواز کے نیچے کا لفظ غائب ہو جاتا ہے۔ ایئر کنڈیشنر کی بھنبھناہٹ کے ساتھ لمبی خاموشی پر ایک ایسی لائن آ جاتی ہے جو کسی نے نہیں کہی، جیسے “Thank you for watching.”
یہ کیوں ہوتا ہے۔ اسپیچ ریکگنیشن اس آواز کے لیے سب سے ممکنہ الفاظ کا اندازہ لگاتی ہے جو اسے ملتی ہے۔ شور تقریر کے ہلکے حصوں کو پہلے ڈھانپتا ہے: الفاظ کے آخر اور ان کے درمیان کے چھوٹے الفاظ۔ اصل سگنل کم ہو تو اندازہ زیادہ اس پر ٹکتا ہے جو عموماً آگے آتا ہے، اور “lunch” کا لفظ “launch” سے زیادہ عام ہے۔ بغیر کسی تقریر کے مسلسل شور پر بھی کچھ سسٹم کوئی رٹا رٹایا فقرہ لکھ دیتے ہیں، کیونکہ انہیں سکھایا گیا تھا کہ جب بھی آواز سنیں کچھ نہ کچھ لکھیں۔
ریکارڈنگ میں حل۔ آواز بڑھانے کے بجائے مائیکروفون کو مقرر کے قریب لائیں۔ فاصلہ دگنا کرنے سے مقرر کی براہِ راست آواز تقریباً 6 dB کم ہو جاتی ہے جبکہ کمرے کا شور وہیں رہتا ہے، اس لیے قربت کسی بھی سیٹنگ سے زیادہ اہم ہے۔ ہو سکے تو ریکارڈنگ کے لیے پنکھے اور ایئر کنڈیشننگ بند کر دیں، اور شیشے اور ٹائلوں کے بجائے نرم سطحوں والے کمرے میں ریکارڈ کریں۔
ٹرانسکرپٹ میں حل۔ VocalStack میں شور والی ریکارڈنگز کے لیے خودکار شناخت پر چھوڑنے کے بجائے بولی جانے والی زبان بتا دیں۔ ڈیش بورڈ کا اپنا نوٹ یہی کہتا ہے: زبان بتانے سے شور والی ریکارڈنگز اور گہرے لہجوں میں درستگی بہتر ہوتی ہے۔ لائیو ٹرانسکرپشن کے لیے Accuracy لیٹنسی موڈ مشکل آڈیو پر کم غلطیوں کے بدلے کچھ زیادہ تاخیر قبول کر لیتا ہے۔ جن لائنوں پر انجن کو سب سے کم یقین ہو (ٹرانسکرپشن کی اعتماد کی حد سے نیچے، بطور ڈیفالٹ 0.60) وہ سامعین کو اندازے کی جگہ “Audio unclear” کے طور پر دکھائی جاتی ہیں، اور انہیں کبھی بلند آواز سے نہیں پڑھا جاتا۔ جو لائن سراسر من گھڑت ہو اسے ہاتھ سے چھپایا جا سکتا ہے: چھپی ہوئی لائنیں ٹرانسکرپٹ، ایکسپورٹس، سب ٹائٹلز اور پلیئر سے باہر رہتی ہیں۔
یہ کیسا دکھتا ہے۔ “The data shows a thirty percent rise” بن جاتا ہے “The data shows a dirty percent rise”۔ غلطیاں پوری ریکارڈنگ میں کسی ایک مقرر کے پیچھے چلتی ہیں جبکہ باقی سب کی لائنیں صاف ہوتی ہیں۔
یہ کیوں ہوتا ہے۔ ریکگنیشن سسٹم الفاظ کی آوازیں اس تقریر سے سیکھتا ہے جس پر اسے تربیت دی گئی۔ جب کوئی مقرر کسی آواز کو اس تقریر کی اکثریت سے مختلف ادا کرتا ہے، جیسے “th” کو “d” کی طرح، تو سسٹم بالکل وہی سنتا ہے جو کہا گیا اور اس آواز سے سب سے زیادہ ملتا ہوا حقیقی لفظ چن لیتا ہے۔ خودکار زبان کی شناخت اسے اور بگاڑ سکتی ہے: گہرا لہجہ اشاروں کو کسی بالکل دوسری زبان کی طرف دھکیل سکتا ہے (دیکھیں خودکار زبان کی شناخت کیسے کام کرتی ہے)۔
ریکارڈنگ میں حل۔ لائیو تقریر کے لیے شروع کرنے سے پہلے Reference Script شامل کریں (نیچے اصطلاحات والا حصہ دیکھیں)، تاکہ وہ الفاظ جو مقرر کے کہنے کا امکان ہے پہلے سے معلوم ہوں۔ اچھا مائیکروفون ہر لہجے میں مدد دیتا ہے، کیونکہ ہر آواز کا زیادہ حصہ انجن تک پہنچتا ہے۔
ٹرانسکرپٹ میں حل۔ اس ریکارڈنگ کے لیے بولی جانے والی زبان بتائیں۔ پھر Fix ٹیب استعمال کریں: Mark uncertain words ان الفاظ کو رنگ دیتا اور ان کے نیچے لکیر کھینچتا ہے جن پر انجن کو یقین نہیں تھا، اور آپ سب کچھ دوبارہ پڑھنے کے بجائے غیر یقینی حصوں سے ایک ایک کر کے گزر سکتے ہیں۔ جہاں انجن نے دوسرے الفاظ پر غور کیا تھا وہ انہیں تجویز کردہ اصلاحات کے طور پر پیش کرتا ہے، اس لیے “dirty” کو “thirty” کرنا عموماً ایک کلک کا کام ہے۔ Play just this word آپ کو کچھ بدلنے سے پہلے کان سے جانچنے دیتا ہے۔
یہ کیسا دکھتا ہے۔ ایک اسپیکر پوچھتا ہے “So we agree on Tuesday?” جبکہ دوسرا بیچ میں بول پڑتا ہے “No, Thursday works”۔ ٹرانسکرپٹ Speaker 1 کے نیچے ایک ہی لائن دکھاتا ہے: “So we agree on Tuesday no Thursday works.” یا اس کا الٹ: ایک شخص جو میٹنگ کے بیچ میں جوش میں آ گیا، Speaker 1 اور Speaker 3 دونوں کے طور پر ظاہر ہوتا ہے۔
یہ کیوں ہوتا ہے۔ نیچے دو الگ کام چلتے ہیں۔ اسپیچ ریکگنیشن الفاظ لکھتی ہے؛ اسپیکر ڈائریزیشن ہر آواز کے لگنے کے انداز سے فیصلہ کرتی ہے کہ کون کب بولا۔ زیادہ تر سسٹم آڈیو کے ہر حصے کو ایک اسپیکر دیتے ہیں، اس لیے جب دو لوگ ایک ساتھ بولیں تو ایک ہار جاتا ہے۔ کسی کی آواز میں تبدیلی (جوش، تھکن، مائیکروفون سے زیادہ فاصلہ) اسے نیا شخص بنا سکتی ہے۔ اسپیکر ڈائریزیشن بمقابلہ اسپیچ ریکگنیشن دونوں کاموں کو تفصیل سے سمجھاتا ہے۔
ریکارڈنگ میں حل۔ ہر شخص کو اس کا اپنا مائیکروفون دیں۔ یہی ایک تبدیلی ایک سے زیادہ اسپیکرز کے لیے کسی بھی سیٹنگ سے زیادہ کام کرتی ہے۔ پینل یا سامعین کے سوالات والی میٹنگ میں ماڈریٹر سے کہیں کہ ہر سوال کا جواب آنے سے پہلے اسے اپنے مائیکروفون میں دہرائے۔
ٹرانسکرپٹ میں حل۔ اسپیکر لیبلز کی سیٹنگ چنیں: When Needed (ڈیفالٹ) دوسری آواز سنائی دینے پر لائنوں پر لیبل لگاتا ہے، On ہر لائن پر، Off کسی پر نہیں۔ ریکارڈنگ کے دوران یا بعد میں ہر اسپیکر کو نام دیں۔ نام الفاظ کے اوپر ایک پرت ہے، اس لیے یہ کبھی متن نہیں بدلتا، اور اس ٹرانسکرپشن کی ہر ریکارڈنگ میں اس شخص پر لاگو ہوتا ہے۔ جس اسپیکر کو آپ اکثر ریکارڈ کرتے ہیں اسے محفوظ کر لیں، اور بعد کی ٹرانسکرپشنز اسے نام سے پہچان لیں گی۔ جس لائن میں دو جملے جڑ گئے ہوں اسے دو حصوں میں توڑا جا سکتا ہے: اس خالی جگہ پر ٹیپ کریں جہاں نئی لائن شروع ہونی چاہیے۔
یہ کیسا دکھتا ہے۔ “We deployed it on Kubernetes” بن جاتا ہے “We deployed it on Cooper Netties”۔ “Ms Nguyen” بن جاتی ہے “Miss Win”۔ کسی دوا کا نام تین چھوٹے انگریزی الفاظ میں بدل جاتا ہے۔ باقی جملہ ٹھیک ہوتا ہے۔
یہ کیوں ہوتا ہے۔ سسٹم صرف وہی الفاظ لکھ سکتا ہے جو وہ جانتا ہے، اور نام اکثر ایک ہی بار آتا ہے، اور اس کے ارد گرد کچھ نہیں ہوتا جس سے اس کا اندازہ لگایا جا سکے۔ جب اس نے لفظ کبھی دیکھا ہی نہ ہو تو وہ سب سے قریب لگنے والے عام الفاظ چن لیتا ہے۔ تکنیکی اصطلاحات کی درست ٹرانسکرپشن کے لیے یہ سب سے مشکل صورت ہے: جملہ کوئی سراغ نہیں دیتا، اس لیے کوئی سیاق و سباق مدد نہیں کرتا۔
ریکارڈنگ میں حل۔ مقرر کے کہنے سے پہلے سسٹم کو الفاظ دے دیں۔ VocalStack میں یہ Reference Script ہے: شروع کرنے سے پہلے لائیو تقریر کی اسکرپٹ یا سلائیڈز، یا ناموں اور اصطلاحات کی فہرست شامل کریں، اور اس میں موجود نام اور اصطلاحات غلط سنے گئے الفاظ پر غالب آ جاتی ہیں۔ تقریر کے دوران اسکرپٹ ٹیلی پرامپٹر کی طرح ٹرانسکرپٹ کے ساتھ چلتی ہے۔ اسکرپٹ نے جو لفظ ٹھیک کیا اسے اصلاحات میں SCRIPT کا نشان لگتا ہے اور اگر مقرر نے واقعی کچھ اور کہا ہو تو اسے واپس کیا جا سکتا ہے۔
ٹرانسکرپٹ میں حل۔ نام ایک بار ٹھیک کریں اور باقی کو سرچ سے جانچیں۔ جب تک ٹرانسکرپشن لائیو ہو، اصلاحات ہر سامع تک، ہر اس زبان میں جس میں وہ پڑھ رہا ہو، پہنچتی ہیں، اور ہر اصلاح فہرست میں ہوتی ہے اور واپس کی جا سکتی ہے۔ ایکسپورٹس (SRT، PDF، Excel، JSON) میں اصلاحات شامل ہوتی ہیں، اس لیے سب ٹائٹلز اور دستاویزات میں درست کیا ہوا ہجے آتا ہے۔
یہ کیسا دکھتا ہے۔ کوئی تقریر ہسپانوی سلام سے کھلتی ہے اور انگریزی میں جاری رہتی ہے، اور انگریزی ہسپانوی جیسی نظر آنے والی بے معنی عبارت بن کر نکلتی ہے۔ یا انگریزی ٹرانسکرپٹ کے بیچ کی چند لائنیں کسی ملتی جلتی زبان میں آ جاتی ہیں۔ کچھ سسٹم، غلط زبان پر سیٹ ہوں تو، جو کہا گیا اس کی جگہ موٹا سا ترجمہ لکھ دیتے ہیں۔
یہ کیوں ہوتا ہے۔ جب کوئی زبان نہ بتائی جائے تو سسٹم کو آواز سے اس کی شناخت کرنی پڑتی ہے، اکثر پہلے چند سیکنڈ سے۔ سلام، کوئی اقتباس یا گہرا لہجہ اسے غلط سمت میں موڑ سکتا ہے۔ ایک بار غلط زبان چن لی جائے تو اس حصے کا ہر لفظ ایک ساتھ غلط ہو جاتا ہے۔
ریکارڈنگ میں حل۔ اگر ریکارڈنگ ایک زبان میں ہے تو اسے بتا دیں۔ جب واقعی دو یا زیادہ زبانیں بولی جا رہی ہوں تو شناخت کو آن رہنے دیں، تاکہ ہر حصہ اپنی زبان میں ٹرانسکرائب ہو؛ ایک کو بتا دینا دوسری کو اسی میں زبردستی ڈھال دے گا۔ لائیو ٹرانسکرپشن میں زبان چلتے ہوئے بدلی جا سکتی ہے، اور تبدیلی فوراً لاگو ہو جاتی ہے۔
ٹرانسکرپٹ میں حل۔ غلط زبان میں سنی گئی لائن کو لفظ بہ لفظ ٹھیک نہیں کیا جا سکتا، کیونکہ اس میں کچھ بھی درست نہیں۔ VocalStack لائن کو دوبارہ ٹرانسکرائب کر سکتا ہے: وہ زبان چنیں جس میں وہ واقعی بولی گئی تھی، اور لائن کی آڈیو اسی زبان میں دوبارہ پڑھی جاتی ہے۔ نتیجہ عام اصلاح کی طرح لائن کی جگہ لے لیتا ہے، اور اس کا واپس کرنا بھی باقی اصلاحات جیسا ہے۔
یہ کیسا دکھتا ہے۔ “The fees went up” بن جاتا ہے “The thieves went up”۔ “Free” اور “three” آپس میں بدل جاتے ہیں۔ غلطیاں پوری ریکارڈنگ میں پھیل جاتی ہیں، اور کال پر دور کے مقرر کے لیے سب سے بری ہوتی ہیں۔
یہ کیوں ہوتا ہے۔ “f”، “s” اور “th” کو الگ کرنے والی بہت سی آوازیں اونچی فریکوئنسی کے دائرے میں ہوتی ہیں۔ فون لائن تقریباً 3.4 kHz سے اوپر کچھ نہیں لے جاتی، اور بلوٹوتھ ہیڈسیٹ اکثر اپنا مائیکروفون کال موڈ میں بدل دیتا ہے جس کی رینج کہیں تنگ ہوتی ہے۔ ویڈیو کالز میں کم بٹ ریٹ کی کمپریشن اور بھی زیادہ ہٹا دیتی ہے۔ سسٹم کو ایسی آڈیو ملتی ہے جس میں وہ آوازیں پہلے ہی جا چکی ہوتی ہیں، اور وہ ایسے الفاظ کے بیچ اندازہ لگاتا ہے جو اب ایک جیسے سنائی دیتے ہیں۔
ریکارڈنگ میں حل۔ تار والا مائیکروفون استعمال کریں، یا ایسا ہیڈسیٹ جس کا مائیکروفون مکمل معیار کے موڈ میں رہے۔ ہو سکے تو کال ریکارڈ کرنے کے بجائے ہر دور کے مقرر کو اس کی طرف سے ریکارڈ کریں۔ کسی تقریب کے لیے کمرے میں رکھے لیپ ٹاپ یا فون کے مائیکروفون کے بجائے آڈیو مکسر سے فیڈ لیں: VocalStack کا لائیو سیٹ اپ مکسر سے ایک کیبل لیتا ہے، جبکہ فون کا اندرونی مائیکروفون کمرے کی زیادہ آواز پکڑتا ہے۔
ٹرانسکرپٹ میں حل۔ جو آڈیو کبھی ریکارڈ ہی نہ ہوئی اسے نہ مشین بحال کر سکتی ہے نہ انسان۔ غیر یقینی الفاظ کے نشانات سے خراب حصے ڈھونڈیں، لائن چلا کر جانچیں، اور جو سنائی دے اسے ٹھیک کریں۔ جہاں کوئی نہ بتا سکے کہ کیا کہا گیا، لائن کو چھپا دینا اندازہ چھوڑ دینے سے زیادہ دیانت دارانہ ہے۔
یہ کیسا دکھتا ہے۔ “Fifteen” بن جاتا ہے “fifty”۔ “One twenty” بن جاتا ہے “120” جبکہ مقرر کا مطلب ایک ڈالر بیس سینٹ تھا۔ “The third of the fourth” الٹی ترتیب کی تاریخ بن کر نکلتا ہے۔ ہر غلطی ایک لفظ کی ہوتی ہے، اور جملے کے باقی تمام الفاظ درست ہوتے ہیں۔
یہ کیوں ہوتا ہے۔ “Fifteen” اور “fifty” بنیادی طور پر اس میں مختلف ہیں کہ کس حصے پر زور ہے، اور شور یا تیز بولنے والے کے ہاتھوں سب سے پہلے یہی فرق ضائع ہوتا ہے۔ بولے گئے اعداد وہ چیزیں بھی چھوڑ دیتے ہیں جو لکھے ہوئے اعداد کو چاہئیں: اکائیاں، اعشاریہ کے نشان، دن اور مہینے کی ترتیب۔ سسٹم کو فارمیٹ کا اندازہ لگانا پڑتا ہے، اور اس کا اندازہ سب سے عام والا ہوتا ہے، آپ والا نہیں۔
ریکارڈنگ میں حل۔ مقررین سے کہیں کہ اعداد پورے اور اکائی کے ساتھ بولیں: “one dollar twenty”، “the fifteenth of March”۔ تیار شدہ تقریر کے لیے اعداد اسکرپٹ میں رکھ دیں۔
ٹرانسکرپٹ میں حل۔ ٹرانسکرپٹ کا حوالہ دینے، بھیجنے یا شائع کرنے سے پہلے ہر اہم عدد کو کان سے جانچیں۔ غلط عدد صحیح عدد کی طرح پڑھا جاتا ہے، اس لیے صفحے پر کچھ آپ کو خبردار نہیں کرتا۔ WER کیا ناپتا ہے، کیا چھوڑ دیتا ہے سمجھاتا ہے کہ ایک غلط عدد غلطی کی شرح میں اپنے حصے سے زیادہ مہنگا کیوں پڑتا ہے۔
جب ٹرانسکرپٹ میں بہت سے مسائل ہوں تو انہیں اس ترتیب سے ٹھیک کریں، تاکہ کوئی اصلاح اگلی سے ضائع نہ ہو:
پھر اگلی ریکارڈنگ کو آسان بنائیں: ہر مقرر کے لیے ایک مائیکروفون، زبان بتائی ہوئی، اور ناموں والی اسکرپٹ۔ آڈیو ٹرانسکرپشن کی زیادہ تر غلطیوں کا فیصلہ کسی کے ریکارڈ دبانے سے پہلے ہی ہو چکا ہوتا ہے۔
کسی سماعت، طبی مشاورت، یا ایسی کسی بھی صورت میں جہاں ایک غلط لفظ کے نتائج ہوں، ٹرانسکرپٹ استعمال کرنے سے پہلے کسی انسان سے جانچ کروائیں، چاہے اسے کسی بھی سسٹم نے بنایا ہو۔ یہ دیکھنے کے لیے کہ آپ کی اپنی آڈیو ان میں سے کون سی غلطیاں پیدا کرتی ہے، ڈیش بورڈ میں کوئی ریکارڈنگ آزمائیں۔