لائیو ترجمے کی درستگی زیادہ تر اس سے طے ہوتی ہے کہ مائیکروفون کہاں ہے، اور یہ فیصلہ کسی ماڈل کے چلنے سے پہلے ہو جاتا ہے۔ آڈیو مکسنگ ڈیسک سے لیں، بارہویں قطار کی کسی نشست سے نہیں، اسے ایک بار ٹرانسکرائب کریں، اور کوئی غلطی ایک ایسی سطر بن جاتی ہے جسے کوئی بھی سب کے لیے درست کر سکتا ہے۔
فونز میں بنی ترجمے کی ایپس ایک حقیقی کامیابی ہیں۔ یہ اکثر اتنا چھوٹا اسپیچ ماڈل چلاتی ہیں کہ وہ آلے اور اس کی بیٹری میں سما جائے (کچھ ایپس، کنکشن ہونے کی صورت میں، آڈیو سرور کو بھیج دیتی ہیں)، اور چھوٹے، صاف اور روزمرہ کے جملوں کے لیے یہ اپنا کام ٹھیک کرتی ہیں: راستہ پوچھنا، مینیو پڑھنا، کاؤنٹر پر ہونے والی بات چیت۔
ایک کمرہ جس میں بہت سے لوگ ایک ہی مقرر کو سن رہے ہوں، یہ ایک مختلف مسئلہ ہے۔ حقیقی تقریر میں جو چیزیں غلط ہوتی ہیں، وہی وہ چیزیں ہیں جن میں ایک چھوٹا ماڈل سب سے کمزور ہوتا ہے: غیر معمولی الفاظ اور نام، ملتے جلتے آواز والے الفاظ ("their" اور "there"، "sail" اور "sale")، تکنیکی اصطلاحات، لہجے، لوگوں کا ایک دوسرے پر بولنا، اور پس منظر کا شور۔ ایک سیلنگ کلب میں، ایک ماڈل جو "sale" سنتا ہے اس نے ایک معقول اندازہ لگایا ہے، اور ایک پختہ یقین کے ساتھ غلطی بھی کی ہے۔
دو چیزیں چھوٹے ماڈل کو بڑے ماڈل سے زیادہ اندازہ لگانے پر مجبور کرتی ہیں۔ فون میں فٹ ہونے کے لیے اسے سکیڑا گیا ہے، اس لیے وہ کم الفاظ اور ان کے کہنے کے کم طریقے جانتا ہے؛ جو سرنیم اس نے پہلے نہیں دیکھا، اسے وہ صرف آوازوں سے تقریباً پہچانتا ہے۔ اور لائیو شناخت کو پورا جملہ آنے سے پہلے ایک لفظ طے کرنا پڑتا ہے، اس لیے ماڈل وہ چیز استعمال نہیں کر سکتا جو "sail" اور "sale" کا فیصلہ کر دیتی: آنے والے الفاظ، یا وہ اسکرپٹ جو بتاتا ہے کہ بات کس موضوع پر ہے۔ اسپیچ ریکگنیشن (آواز کی شناخت) میں سیاق و سباق کا مطلب بالکل یہی دو چیزیں ہیں: آس پاس کے الفاظ، اور وہ کچھ جو پہلے سے معلوم ہو۔
جب ماڈل کو یقین نہیں ہوتا، تو وہ اندازہ لگاتا ہے۔ پھر ترجمہ اسی اندازے پر بنتا ہے، اور اسے پڑھنے والے شخص کے پاس یہ جاننے کا کوئی طریقہ نہیں ہوتا۔ کمرے میں کوئی یہ نہیں دیکھ سکتا کہ کوئی سطر غلط تھی، درست کرنا تو دور کی بات ہے۔ اور کمرہ ایک سامع نہیں، پچاس سامعین ہوتے ہیں۔
فون مقرر کی نہیں، کمرے کی آواز سنتا ہے۔ اس کی وجہ فاصلہ ہے: کالر پر لگا مائیکروفون منہ سے چند سینٹی میٹر کے فاصلے پر ہوتا ہے، جبکہ بارہویں قطار میں موجود فون دس میٹر یا اس سے زیادہ دور ہوتا ہے، اور اس تک پہنچنے والی زیادہ تر آواز پہلے دیواروں، چھت اور کرسیوں کی پشت سے ٹکرا کر آتی ہے۔ منعکس ہونے والی آواز دیر سے اور دھندلی ہو کر پہنچتی ہے۔ اس کے اوپر، فون وہ شخص بھی سنتا ہے جو دو قطار پیچھے کھانس رہا ہے، پڑوسی کی سرگوشی، اور وہ سب کچھ جو لاؤڈ اسپیکر اس آواز کے ساتھ ہال کے آر پار جاتے ہوئے کرتے ہیں۔ ہر نشست کو تھوڑی مختلف ریکارڈنگ ملتی ہے، اس لیے ہر نشست کو تھوڑا مختلف ٹرانسکرپٹ ملتا ہے۔
فون صرف ایک شخص کے لیے ترجمہ کرتا ہے۔ پچاس حاضرین پچاس فون اٹھائیں تو ایک ہی تقریر کے پچاس الگ ٹرانسکرپٹ بنتے ہیں، ہر ایک میں غلطیوں کا مختلف سیٹ۔ بعد میں دو لوگ اپنے نوٹس ملائیں تو اس پر متفق نہیں ہوں گے کہ کیا کہا گیا تھا۔ مقرر، اس دوران، اٹھے ہوئے فونز کی دیوار سے مخاطب ہوتا ہے، جسے سمجھنا آسان نہیں۔
ہال کے کچھ لوگوں کے لیے یہ محض ایک تکلیف نہیں؛ یہ طے کرتا ہے کہ وہ تقریر کو سمجھ بھی پائیں گے یا نہیں۔ سماعت سے محروم حاضر، یا کوئی شخص جو تیسری زبان میں پیچھے چل رہا ہو، اسے ایک درست مشترکہ متن چاہیے، پچاس اپنی اپنی کوششیں نہیں۔ یعنی مقرر کو ایک بار ٹرانسکرائب کرنا اور سب کو ایک ہی نتیجہ دینا۔ ایک بار ٹرانسکرائب کرنا تبھی فائدہ دیتا ہے جب وہ اچھی طرح ہو، اور یہ اس سے شروع ہوتا ہے کہ آڈیو کہاں سے آ رہی ہے۔
ٹرانسکرپٹ اتنا ہی اچھا ہوتا ہے جتنی اچھی آڈیو سے وہ بنایا گیا ہو۔ اس لیے پہلا فیصلہ یہ نہیں کہ کون سا ماڈل استعمال کیا جائے، بلکہ یہ کہ کون سا سگنل دیا جائے۔ دوسرا فیصلہ یہ کہ ماڈل کو شروع کرنے سے پہلے اسے کیا بتایا جائے۔
ایک لائیو ٹرانسکرپشن اپنی آڈیو وہاں سے لیتی ہے جہاں صاف سگنل پہلے سے موجود ہو:
VocalStack خود URL اسٹریم حاصل کرتا ہے، اس لیے آپ کی طرف سے کچھ بھی چلانا نہیں پڑتا۔ RTMP فیڈ اس کے برعکس کام کرتا ہے: آپ کا انکوڈر اسے بھیجتا ہے۔ مقرر کی زبان خودکار طور پر پہچانی جاتی ہے، اور وہ کسی بھی وقت زبان بدل سکتا ہے۔ اگر آپ زبان جانتے ہیں اور ریکارڈنگ شور والی یا بھاری لہجے والی ہے، تو زبان کا نام لینے سے درستگی بہتر ہوتی ہے۔
صاف آڈیو کمرے کی وجہ سے ہونے والی غلطیاں دور کرتی ہے۔ الفاظ کے ذخیرے سے ہونے والی غلطیوں کے لیے یہ کچھ نہیں کرتی، ان کے لیے کسی اور قسم کی مدد درکار ہوتی ہے۔
فون کو یہ معلوم نہیں ہوتا کہ کون بول رہا ہے یا بات کس موضوع پر ہے، اس لیے پروڈکٹ کا نام یا سرنیم اس کے لیے صرف ایک آواز ہے جسے وہ تقریباً پہچانتا ہے۔ براڈکاسٹ کو پہلے سے بتایا جا سکتا ہے کہ کیا توقع رکھنی ہے۔
اگر آپ شروع کرنے سے پہلے اسکرپٹ یا سلائیڈز شامل کریں، تو ان میں موجود نام اور اصطلاحات اس پر فوقیت لیں گی جو انجن نے غلط سنا۔ ریکارڈنگ کے دوران Script ٹیب مقرر کے ساتھ ساتھ ٹیلی پرامپٹر کی طرح چلتا ہے۔ کانفرنسوں اور لیکچروں کو بھرنے والی تقریر کے لیے یہ درستگی میں سب سے بڑا اکیلا فائدہ ہے، کیونکہ ایسی تقریر میں بہت سے خاص اسماء اور الفاظ ہوتے ہیں جنہیں کوئی عمومی ماڈل کافی بار نہیں سن چکا ہوتا۔
اچھی آڈیو اور لغت مل کر زیادہ تر غلطیاں دور کر دیتی ہیں۔ سوال یہ ہے کہ جو غلطیاں باقی رہ جائیں ان کا کیا ہوتا ہے۔
اچھی آڈیو اور اسکرپٹ کے باوجود کچھ سطریں غلط نکلیں گی۔ فرق اس میں ہے کہ اس کے بعد کیا ہوتا ہے۔
فون پر کچھ نہیں ہوتا۔ غلط سطر گزر جاتی ہے اور اس پر بنا ہوا ترجمہ بھی اس کے ساتھ چلا جاتا ہے۔
براڈکاسٹ میں، ایسی سطر جو اتنی غیر واضح ہو کہ دکھانے کے قابل نہ ہو، سامعین سے "Audio unclear" کہہ کر چھپا دی جاتی ہے، بجائے اس کے کہ اسے حقیقت بنا کر پیش کیا جائے۔
پھر میزبان کے پاس Fix ٹیب ہے: وہ الفاظ جن کے بارے میں انجن کو شک تھا رنگ دیے جا سکتے ہیں اور ان پر لکیر لگائی جا سکتی ہے، کلک کرنے سے کوئی سطر جائزے کے لیے کھل جاتی ہے، اور لائیو ٹرانسکرپشن جاری ہونے کے دوران کوئی بھی لفظ یا سطر دوبارہ لکھی جا سکتی ہے۔ ہر سامع درستگی اپنی زبان میں دیکھتا ہے۔ ہر فکس نشان زد ہوتا ہے اور اسے واپس بھی لیا جا سکتا ہے۔
بات یہ نہیں کہ سرور سے کبھی غلطی نہیں ہوتی۔ بات یہ ہے کہ غلطی نظر آتی ہے، کمرے میں موجود کوئی شخص اس کی ذمہ داری لیتا ہے، اور ایک بار سب کے لیے ٹھیک کر دی جاتی ہے۔
درستگیاں وہ بدلتی ہیں جو سامعین پڑھتے ہیں۔ وہ سامعین جو تقریر سننا پسند کریں، انہیں بھی وہی درست شدہ متن بولا ہوا ملتا ہے۔
جو سامع پڑھنے کے بجائے سننا پسند کرے، وہ ہر ترجمہ شدہ سطر اونچی آواز میں سن سکتا ہے۔ ڈیفالٹ کے طور پر ہر مقرر کو اس کی جنس کے مطابق ایک الگ ریڈی میڈ آواز ملتی ہے، تاکہ پینل اب بھی پینل جیسا سنائی دے۔ آپ ہر مقرر کو کوئی آواز تفویض کر سکتے ہیں، یا کسی ایک کو میوٹ کر سکتے ہیں۔
مقرر کی اجازت سے آپ اس سے بھی آگے جا سکتے ہیں اور اس کی آواز تیس سیکنڈ کی تقریر سے کلون کر سکتے ہیں، جو کلپ کی صورت میں اپ لوڈ کی گئی ہو یا کسی ریکارڈنگ میں مقرر سے براہ راست لی گئی ہو؛ چند منٹ کی آواز بہتر نتیجہ دیتی ہے۔ پھر ترجمہ ہر زبان میں مقرر کی اپنی آواز میں پڑھا جاتا ہے۔ جس مقرر کی محفوظ آواز ہو اسے بعد کی ریکارڈنگز میں پہچانا بھی جا سکتا ہے، اگرچہ سسٹم غلط شخص کا نام لینے کے بجائے کسی مقرر کو بے نام رہنے دینا پسند کرتا ہے۔
دو اصول لاگو ہوتے ہیں، اور دونوں جان بوجھ کر رکھے گئے ہیں۔ کلون شدہ آواز بایومیٹرک ڈیٹا ہے: یہ صرف مقرر کی واضح رضامندی سے بنائی جاتی ہے اور کسی بھی وقت حذف کی جا سکتی ہے۔ اور آواز صرف کسی ٹرانسکرپٹ یا اس کے ترجمے کو بولتی ہے؛ اسے وہ بات نہیں کہلوایا جا سکتا جو اس کے مالک نے کبھی نہیں کہی۔
یہ سب کچھ اس وقت ہوتا ہے جب مقرر بول رہا ہو۔ آخری فرق اس کے بولنا بند کرنے کے بعد ظاہر ہوتا ہے۔
پچاس فونز کے ٹرانسکرپٹ ایپس بند ہوتے ہی غائب ہو جاتے ہیں۔ براڈکاسٹ ریکارڈنگ آپ کی لائبریری میں محفوظ رکھتی ہے: آڈیو، اور ہر درستگی اور ترجمے کے ساتھ ٹرانسکرپٹ۔ وہاں اسے سطر سطر دوبارہ چلایا جا سکتا ہے، کسی بھی زبان میں تلاش کیا جا سکتا ہے، اور ایکسپورٹ کیا جا سکتا ہے؛ لائبریری کیا کرتی ہے، اس کی تفصیل ایک لنک، ہر زبان میں ہے۔ سننے والوں کی کوئی قیمت نہیں، چاہے وہ کتنے بھی ہوں۔ آپ صرف ٹرانسکرائب ہونے والی آڈیو کی ادائیگی کرتے ہیں: لائیو کے لیے $0.60 فی گھنٹہ، ہر ٹرانسکرپشن کے لیے 5 منٹ کی کم از کم حد کے ساتھ، اور ریٹ کارڈ قیمتوں کے صفحے پر ہے۔
فون ہر ہاتھ میں ہو تب بھی ہال وے میں ہونے والی گفتگو کے لیے یہ ایک اچھا متبادل ہے۔ لیکن ایک ایسے کمرے کے لیے جسے مل کر ایک مقرر کو سمجھنا ہو، مقرر کو ایک بار، براہ راست ذریعے سے ٹرانسکرائب کیا جانا چاہیے، اور کوئی ایسا شخص موجود ہو جو غلط ہونے والی چیز کو درست کر سکے۔ یہ کیسا نظر آتا ہے، یہ آپ ہوم پیج پر انٹرایکٹو ڈیمو میں دیکھ سکتے ہیں۔
