ریئل ٹائم ٹرانسکرپشن اور ترجمہ: لائیو اسپیچ ٹو ٹیکسٹ کیسے کام کرتا ہے، کتنا پیچھے رہتا ہے، درستگی کس چیز پر منحصر ہے، اور لاگت کیا ہے۔
ریئل ٹائم ٹرانسکرپشن تقریر کو اس وقت متن میں بدلتی ہے جب بولنے والا ابھی بول ہی رہا ہوتا ہے۔ الفاظ بولے جانے کے لمحوں بعد اسکرین پر نظر آتے ہیں، حتمی سطروں میں جم جاتے ہیں، اور ساتھ چلنے والا ہر شخص انہیں پڑھ سکتا ہے۔ ریئل ٹائم ترجمہ شامل کریں تو ہر قاری وہی تقریر اپنی زبان میں، متن کے طور پر یا بلند آواز میں، فالو کر سکتا ہے۔
یہ رہنما ریئل ٹائم ٹرانسکرپشن اور ترجمے کو دونوں طرف سے دیکھتی ہے: سامع کیا دیکھتا ہے، آڈیو کہاں سے آ سکتی ہے، درستگی کیا طے کرتی ہے، ڈیولپرز کو API سے کیا ملتا ہے، اور لاگت کیا ہے۔
ریئل ٹائم ٹرانسکرپشن، جسے لائیو ٹرانسکرپشن یا لائیو اسپیچ ٹو ٹیکسٹ بھی کہتے ہیں، وہ اسپیچ ریکگنیشن ہے جو آڈیو کے آتے آتے چلتی ہے۔ ریکارڈ شدہ فائل کی ٹرانسکرپشن پوری ریکارڈنگ ہاتھ میں رکھ کر کی جا سکتی ہے۔ لائیو ٹرانسکرپشن کو صرف آخری چند سیکنڈ کی بنیاد پر الفاظ طے کرنے ہوتے ہیں، اور جب تک بولنے والا بولے اس کے ساتھ چلتے رہنا ہوتا ہے۔
لائیو کیپشنز وہی چیز ہیں جو ویڈیو کے اوپر یا اسکرین پر چھوٹی سطروں کی صورت میں دکھائی جاتی ہے۔
VocalStack پر لائیو ٹرانسکرپشن 100 زبانوں میں سن سکتی ہے۔ یہ بولی جانے والی زبان خود پہچان لیتی ہے اور بولنے والا زبان بدلے تو اس کے ساتھ چلتی ہے، جس کی وضاحت خودکار زبان کی شناخت کیسے کام کرتی ہے میں ہے، ساتھ یہ بھی کہ زبان کا پہلے سے نام کب دینا بہتر ہے۔
متن دو مرحلوں میں آتا ہے۔ تازہ ترین الفاظ پہلے مسودے کے طور پر نظر آتے ہیں، جو مزید آڈیو آنے پر بدل سکتے ہیں۔ کچھ دیر بعد مسودہ حتمی سطر میں جم جاتا ہے جو پھر نہیں بدلتی۔
مسودہ اس لیے ہوتا ہے کہ ریکگنائزر کسی لفظ کا فیصلہ کچھ حد تک اس کے بعد آنے والے لفظ دیکھ کر کرتا ہے۔ «کل آؤ» اور «کلاؤ» اس وقت تک ایک جیسے سنائی دیتے ہیں جب تک اگلا لفظ نہ آ جائے۔ اندازہ جلد دکھانا ہی ٹرانسکرپٹ کو لائیو محسوس کرواتا ہے۔
متن بولنے والے سے کتنا پیچھے رہتا ہے، اس کا انحصار مرحلے پر ہے:
اس زنجیر سے باہر دو تاخیریں ہیں۔ جب ذریعہ مائیکروفون کے بجائے کوئی عوامی اسٹریم ہو تو اسٹریم خود اپنے لائیو کنارے سے پیچھے ہوتی ہے: سادہ انٹرنیٹ ریڈیو اسٹریم کے لیے ایک سے تین سیکنڈ، اور HLS کے لیے کئی سیکنڈ سے آدھے منٹ تک۔ اور Pay as you go پر لائیو ٹرانسکرپشن کو شروع ہونے میں 15 سیکنڈ تک لگ سکتے ہیں۔ تاخیر کے Auto، Fast اور Accuracy موڈز سمیت پوری تفصیل لائیو ترجمے کی تاخیر کی وضاحت میں ہے۔
ترجمہ ٹرانسکرپٹ کے اوپر چلتا ہے۔ لائیو ٹرانسکرپشن کا ایک ساتھ 10 زبانوں تک ترجمہ ہو سکتا ہے، جو 100 میں سے چنی جاتی ہیں۔ ہر سامع اپنے آلے پر ان میں سے ایک چنتا ہے اور کسی بھی وقت بدل سکتا ہے؛ اب تک کا ٹرانسکرپٹ نئی زبان میں دوبارہ دکھایا جاتا ہے۔
ہر زبان کا ترجمہ ایک ہی ٹرانسکرپٹ سے ہوتا ہے، اس لیے ہر سامع کو وہی الفاظ ملتے ہیں، اور اصلاح سب تک پہنچتی ہے۔
جو سامع پڑھنے کے بجائے سننا چاہے وہ ہر ترجمہ شدہ سطر بلند آواز میں سنوا سکتا ہے۔ بطورِ ڈیفالٹ ہر اسپیکر کو اس کی جنس سے ملتی جلتی الگ اسٹاک آواز ملتی ہے، اس لیے پینل پھر بھی کئی لوگوں کی طرح سنائی دیتا ہے۔ اسپیکر کی رضامندی سے میزبان اس کی آواز اس کے اکیلے بولنے کے تقریباً 30 سیکنڈ سے کلون کر سکتا ہے، اور ترجمہ پھر اس کی اپنی آواز میں پڑھا جاتا ہے۔
آوازوں کا اصول جان بوجھ کر تنگ ہے۔ آواز صرف وہی پڑھتی ہے جو اسی شخص نے کہا، اس زبان میں ترجمہ کر کے جو سامع نے چنی۔ وہ کبھی کسی کا ٹائپ کیا ہوا متن نہیں پڑھتی، اور کبھی ایک اسپیکر کے الفاظ دوسرے کی آواز میں نہیں پڑھتی۔
پورے کمرے کے لیے یہ کیسے کام کرتا ہے، میزبان کے سیٹ اپ سے لے کر دیر سے آنے والے تک، ایک لنک، ہر زبان میں ہے۔
لائیو ٹرانسکرپشن کو آڈیو کا ذریعہ چاہیے۔ VocalStack آج یہ ذرائع لیتا ہے:
YouTube کے اپنے پلیئر میں اس کے CC بٹن کے ذریعے کیپشنز جلد آ رہے ہیں۔ تب تک YouTube اسٹریم کے ناظرین براڈکاسٹ لنک پر کیپشنز فالو کرتے ہیں۔
اگر آپ کو آج Windows پر لائیو ٹرانسکرپشن چاہیے تو Chrome یا Edge ایکسٹینشن، OBS پلگ اِن اور براؤزر میں ڈیش بورڈ وہاں کام کرتے ہیں۔
براڈکاسٹ وہ ذریعہ ہے جس سے دوسرے لوگ لائیو ٹرانسکرپشن فالو کرتے ہیں۔ یہ ایک لنک اور ایک QR کوڈ ہے۔ سامعین اسے براؤزر میں کھولتے ہیں، زبان چنتے ہیں اور پڑھتے ہیں۔ انہیں اکاؤنٹ نہیں چاہیے، کچھ انسٹال نہیں کرتے، اور ان پر کچھ خرچ نہیں آتا: بل سامعین یا زبانوں کی تعداد سے نہیں بدلتا۔
براڈکاسٹ بطورِ ڈیفالٹ عوامی ہے اور پاس ورڈ سے محفوظ کیا جا سکتا ہے۔ اگر آپ اس کے لنک کا نام بدلیں تو پرانا کام کرتا رہتا ہے، اس لیے پروگرام پر چھپا QR کوڈ پرانا نہیں ہوتا۔ ایک براڈکاسٹ کئی لائیو ٹرانسکرپشنز لے سکتا ہے، اس لیے دو اسٹیج ایک لنک بانٹ سکتے ہیں۔
دیر سے آنے والا سامع آنے سے پہلے کہی گئی ہر بات دیکھتا ہے، پھر لائیو ساتھ چلتا ہے۔ بعد میں Audience ویو دکھاتا ہے کہ کس نے سنا، کس زبان میں، اور کب شامل ہوا۔
ایونٹس کے لیے کثیر لسانی کانفرنس کی چیک لسٹ آڈیو، اسٹیجز اور بجٹ کا احاطہ کرتی ہے، اور گرجا گھروں، لیکچر ہالز اور کونسل ایوانوں کے لیے لائیو ٹرانسکرپشن اسی سیٹ اپ کے ہفتہ وار ورژن کا۔
اوپر کی ہر چیز کوڈ سے ہو سکتی ہے۔ اپنی ایپ میں لائیو آڈیو کے لیے API میں ریئل ٹائم سیشنز ہیں: آپ کا سرور API کلید کے ساتھ POST /v1/realtime/sessions پر ایک کال کرتا ہے اور مختصر مدت کا streamUrl پاتا ہے۔ آپ کا کلائنٹ اس پر WebSocket کھولتا ہے، ریکارڈ ہوتی خام آڈیو بھیجتا ہے، اور ٹرانسکرپٹ JSON فریمز کی صورت میں واپس پڑھتا ہے۔
فریمز وہی دو مرحلے فالو کرتے ہیں جو قاری دیکھتا ہے۔ transcript.draft لائیو دم کی جگہ لیتا ہے، transcript.committed حتمی سطر جوڑتا ہے، اور ترجمہ آن ہو تو پورے جملے اپنے تراجم کے ساتھ آتے ہیں۔ ہدفی زبانیں، اسپیکر لیبلز اور تاخیر کا موڈ سیشن کے بیچ میں session.update سے بدلے جا سکتے ہیں۔
ریئل ٹائم سیشن کچھ محفوظ نہیں کرتا۔ جب آپ چاہتے ہیں کہ الفاظ محفوظ ہوں، درست کیے جائیں اور سامعین سے شیئر ہوں تو آپ آڈیو کو لائیو ٹرانسکرپشن اور براڈکاسٹ میں شائع کرتے ہیں۔ TypeScript، Python اور PHP کے سرکاری SDKs دونوں کو سمیٹتے ہیں، اور ایک MCP سرور AI معاون کو اسی اکاؤنٹ کو استعمال کرنے دیتا ہے۔
WebSocket ٹیوٹوریل قدم بہ قدم کام کرنے والا کیپشن ویو بناتا ہے، اور API ریفرنس میں ہر فیلڈ ہے۔ API کا استعمال ڈیش بورڈ کے نرخ پر ہی بل ہوتا ہے۔
درستگی زیادہ تر کسی ریکگنائزر کے چلنے سے پہلے ہی طے ہو جاتی ہے، اس آڈیو سے جو اسے دی جاتی ہے۔ چار چیزیں سب سے زیادہ فرق ڈالتی ہیں۔
مائیکروفون۔ بولنے والے کے قریب مائیکروفون، یا مقام کے مکسنگ ڈیسک سے فیڈ، کمرے کے کم حصے کے ساتھ آواز لاتی ہے۔ میز پر رکھا فون بولنے والے کے ساتھ گونج، کرسیاں اور کھانسی بھی سنتا ہے۔ یہ سب سے بڑا واحد عنصر ہے، اور فون کمرے کے لیے کیوں کافی نہیں اس کی وجہ بتاتا ہے۔
شور اور اوور لیپ۔ پس منظر کا شور چھوٹے ہوئے اور گھڑے ہوئے الفاظ کا باعث بنتا ہے، اور ایک ساتھ بولتے دو لوگ الفاظ اور یہ دونوں کو گڈمڈ کر دیتے ہیں کہ کس نے کیا کہا۔ آڈیو ٹرانسکرپشن کی غلطیاں سات عام وجوہات، ہر ایک کیسی نظر آتی ہے اور کیسے ٹھیک ہو، بتاتی ہے۔
ریفرنس اسکرپٹ۔ معروف نام اور اصطلاحات جیسی ہیں ویسی پہچانی جاتی ہیں۔ کمپنی کی مصنوعات کے نام، کوئی اندرونی مخفف یا مہمان کا غیر معمولی خاندانی نام پہلے سے نہیں جانا جا سکتا، اس لیے شروع کرنے سے پہلے اسکرپٹ یا سلائیڈز شامل کریں، اور ان میں موجود نام اور اصطلاحات بالکل ویسے لکھی جاتی ہیں جیسے آپ نے لکھیں۔
اسپیکر لیبلز۔ لیبلز Off، On یا When Needed ہو سکتے ہیں، جو دوسرا اسپیکر سنائی دینے پر انہیں آن کر دیتا ہے۔ اسپیکر ڈائیرائزیشن بمقابلہ اسپیچ ریکگنیشن وضاحت کرتا ہے کہ دو جواب، کیا کہا گیا اور کس نے کہا، الگ ہیں اور الگ طریقے سے درست ہوتے ہیں۔
تاخیر کا موڈ بھی اہم ہے: Fast متن جلد نکالتا ہے مگر اس میں زیادہ نظرثانی کرتا ہے، Accuracy ذرا زیادہ انتظار کرتا ہے۔
درستگی کا ایک عدد دیکھنے سے کم بتاتا ہے۔ ورڈ ایرر ریٹ غلط نام کو اسی طرح گنتا ہے جیسے چھوٹے ہوئے «اور» کو، اسی لیے ورڈ ایرر ریٹ کیا ناپتا ہے اور کیا چھوڑ دیتا ہے نظام کو اس بنیاد پر پرکھنے کی بات کرتا ہے کہ کون سی غلطیاں وہ آپ کو پکڑنے اور ٹھیک کرنے دیتا ہے۔
کوئی لائیو ٹرانسکرپٹ کامل نہیں ہوتا، اس لیے میزبان کی اسکرین پر Fix ٹیب ہے۔ یہ ان الفاظ پر نشان لگا سکتا ہے جن کے بارے میں ریکگنائزر کو یقین نہیں تھا، اور کوئی بھی سطر کھول کر درست کی جا سکتی ہے۔ ڈیسک پر دوسرا شخص انہیں دیکھ سکتا ہے جبکہ اسپیکر بولتا رہے۔
جب میزبان کوئی لفظ یا سطر دوبارہ لکھتا ہے، حتیٰ کہ وہ جو ابھی بولی جا رہی ہو، تو ہر سامع اصلاح دیکھتا ہے، ہر زبان میں۔ بہت کم اعتماد سے سنی گئی سطر غلط دکھانے کے بجائے سامعین سے «Audio unclear» کے طور پر چھپا دی جاتی ہے؛ میزبان اسے اب بھی دیکھتا ہے۔
ریکارڈنگ اپنے ٹرانسکرپٹ، اصلاحات اور تراجم کے ساتھ محفوظ رہتی ہے۔ بعد میں آپ یہ کر سکتے ہیں:
آڈیو اور ٹرانسکرپٹس کتنی دیر رکھے جاتے ہیں اس کا انحصار پلان پر ہے، اور قیمتوں کا صفحہ اسے درج کرتا ہے۔
لائیو ٹرانسکرپشن کے زیادہ تر ٹولز ڈیمو میں ایک جیسے لگتے ہیں؛ فرق نیچے کے سوالات میں ظاہر ہوتے ہیں۔ دائیں کالم میں VocalStack کو آج جیسا ہے ویسا بیان کیا گیا ہے۔
| سوال | کیوں اہم ہے | VocalStack |
|---|---|---|
| یہ کون سی زبانیں سن سکتا ہے؟ | جو ٹول بولنے والے کی زبان کی ٹرانسکرپشن نہ کر سکے وہ مدد نہیں کر سکتا، چاہے اس کا ترجمہ کتنا ہی اچھا ہو۔ | 100 زبانیں، خودکار شناخت کے ساتھ، گفتگو کے بیچ سوئچنگ کے ساتھ |
| متن بولنے والے سے کتنا پیچھے ہے؟ | قارئین کبھی کبھار کے غلط لفظ سے زیادہ بڑھتے ہوئے فاصلے کو محسوس کرتے ہیں۔ | اصل متن سیکنڈ کے ایک حصے پیچھے، ترجمہ ایک دو سیکنڈ بعد؛ تاخیر کے تین موڈز |
| کیا یہ ترجمہ کرتا ہے، اور زبان کون چنتا ہے؟ | ایک اسکرین پر ایک سب ٹائٹل زبان باقی سب کو باہر چھوڑ دیتی ہے۔ | فی ٹرانسکرپشن 10 زبانوں تک، ہر سامع اپنی چنتا ہے |
| کیا یہ ترجمہ بول سکتا ہے؟ | کچھ سامعین ساتھ پڑھ نہیں سکتے، یا پڑھنا نہیں چاہتے۔ | بطورِ ڈیفالٹ اسٹاک آوازیں؛ اسپیکر کی رضامندی سے اس کی اپنی کلون آواز |
| یہ سامعین تک کیسے پہنچتا ہے؟ | ایپس اور اکاؤنٹس لوگوں کو دروازے پر کھو دیتے ہیں۔ | ایک لنک اور QR کوڈ، اکاؤنٹ کے بغیر، اختیاری پاس ورڈ |
| کیا لائیو غلطیاں ٹھیک کی جا سکتی ہیں؟ | ایک گھنٹے تک دہرایا جانے والا غلط سنا گیا نام اصل نقصان کرتا ہے۔ | ہر سامع تک پہنچنے والی لائیو اصلاحات |
| آڈیو کہاں سے آ سکتی ہے؟ | آپ کا سیٹ اپ ٹول کے مطابق بدلنے پر مجبور نہیں ہونا چاہیے۔ | مائیکروفون، براؤزر ایکسٹینشنز، ڈیسک ٹاپ ایپ، OBS، RTMP، اسٹریم لنکس |
| کیا API ہے؟ | ہو سکتا ہے آپ اپنی پروڈکٹ کے اندر کیپشنز چاہیں۔ | REST اور WebSocket API، SDKs، MCP سرور، ڈیش بورڈ جیسا نرخ |
| قیمت کیسے طے ہوتی ہے؟ | فی سامع یا فی سیٹ قیمت آپ کے سامعین کے ساتھ بڑھتی ہے۔ | آڈیو کے فی سیکنڈ؛ سامعین اور زبانیں مفت |
VocalStack پر آپ ٹرانسکرائب کی گئی آڈیو کے فی سیکنڈ ادائیگی کرتے ہیں۔ تحریر کے وقت لائیو ٹرانسکرپشن $0.60 فی گھنٹہ ہے اور فائلیں $0.20 فی گھنٹہ، ہر پلان پر، ڈیش بورڈ اور API دونوں میں یکساں۔ ترجمہ، آوازیں، خلاصے، براڈکاسٹنگ اور سامعین کبھی بل میں اضافہ نہیں کرتے، اس لیے پانچ زبانوں میں 200 لوگوں کی پڑھی ہوئی ایک گھنٹے کی تقریر اتنی ہی $0.60 کی ہے جتنی اس تقریر کی جسے کسی نے نہ پڑھا۔
پلان چند طریقوں سے مختلف ہیں:
اگر ہونے کے دوران کسی کو پڑھنے کی ضرورت نہیں تو ریکارڈنگ بعد میں فائل کے نرخ پر اپ لوڈ کریں۔ ہر پلان کی موجودہ قیمتیں، ذخیرہ اور حدود قیمتوں کے صفحے پر ہیں۔
نیا VocalStack اکاؤنٹ $5 کے سائن اپ کریڈٹ کے ساتھ آتا ہے اور کارڈ نہیں مانگتا۔ $0.60 فی گھنٹہ پر یہ تقریباً آٹھ گھنٹے کی لائیو ٹرانسکرپشن ہے، جس میں ترجمہ اور براڈکاسٹنگ شامل ہیں۔ اس کے بعد آپ فی سیکنڈ ادائیگی کرتے ہیں۔ سامعین ہمیشہ مفت ہیں۔
جی ہاں۔ لائیو ٹرانسکرپشن کا ایک ساتھ 10 زبانوں تک ترجمہ ہو سکتا ہے جب شخص بول رہا ہو۔ ترجمہ اصل متن کے ایک دو سیکنڈ بعد آتا ہے، اور ہر سامع اپنی زبان چنتا ہے۔
انحصار زیادہ تر آڈیو پر ہے۔ قریبی مائیکروفون یا ڈیسک فیڈ، کم پس منظر کا شور، ایک وقت میں ایک شخص کا بولنا، اور ناموں والی ریفرنس اسکرپٹ بہترین نتائج دیتی ہیں۔ لائیو اصلاحات میزبان کو بات جاری رہتے ہوئے جو اب بھی غلط ہو اسے ٹھیک کرنے دیتی ہیں۔
اصل زبان کا متن بولنے والے سے سیکنڈ کے ایک حصے کے برابر پیچھے رہتا ہے، اور تراجم ایک دو سیکنڈ بعد آتے ہیں۔ عوامی اسٹریم آڈیو کے VocalStack تک پہنچنے سے پہلے اپنی تاخیر جوڑ دیتی ہے۔
جی ہاں، Chrome یا Edge ایکسٹینشن، OBS Studio پلگ اِن، یا براؤزر میں ڈیش بورڈ کے ذریعے۔ ڈیسک ٹاپ ایپ آج macOS پر ہے، اور Windows جلد آ رہا ہے۔
نہیں۔ سامعین براڈکاسٹ لنک کھولتے ہیں یا براؤزر میں اس کا QR کوڈ اسکین کرتے ہیں، زبان چنتے ہیں اور پڑھتے ہیں۔ انسٹال کرنے کو کچھ نہیں۔
ڈیش بورڈ کھولیں، اپنے مائیکروفون سے لائیو ٹرانسکرپشن شروع کریں اور اس کا براڈکاسٹ لنک اپنے فون پر کھولیں۔ سائن اپ کریڈٹ آپ کے پہلے چند گھنٹوں کو پورا کرتا ہے، اور آپ خود دیکھ سکتے ہیں کہ مسودے کیسے جمتے ہیں اور ترجمہ کیسے ساتھ چلتا ہے۔