ब्लॉग
एक रिकॉर्डिंग को कैसे Transcribe करें: तरीके और चरण
लेखक: Hushscript प्रकाशित: अंतिम समीक्षा:
एक रिकॉर्डिंग तभी काम की बनती है जब वह टेक्स्ट में बदल जाए। एक मीटिंग, एक फ़ोन कॉल, एक वॉइस मेमो, एक अकेले-मेहमान वाला इंटरव्यू — स्रोत जो भी हो, समस्या एक जैसी ही दिखती है: आपको ऐसे शब्द चाहिए जिन्हें आप खोज सकें, उद्धृत कर सकें, और उस व्यक्ति को सौंप सकें जो कमरे में मौजूद नहीं था। यह गाइड एक सामान्य रिकॉर्डिंग को कवर करती है, कुछ मिनटों से लेकर कुछ घंटों तक, तरीका चुनने से लेकर तैयार एक्सपोर्ट तक। दो घंटे से आगे की रिकॉर्डिंग के लिए, देखें लंबी रिकॉर्डिंग को कैसे ट्रांसक्राइब करें; एक साथ कई फ़ाइलों के लिए, देखें रिकॉर्डिंग के एक फ़ोल्डर को ट्रांसक्रिप्ट करने।
मैनुअल, ऑटोमैटिक, या हाइब्रिड
ऑडियो से टेक्स्ट तक पहुंचने के तीन तरीके मौजूद हैं, और ज़्यादातर लोग रिकॉर्डिंग के हिसाब से एक से ज़्यादा तरीके इस्तेमाल करते हैं।
मैनुअल ट्रांसक्रिप्शन का मतलब है खुद सुनकर हर शब्द टाइप करना। इसमें आपका पूरा नियंत्रण रहता है और कोई तीसरा पक्ष शामिल नहीं होता, लेकिन यह धीमा है: साफ़ ऑडियो के एक घंटे को ध्यान से सुनने में प्लेबैक, दोबारा टाइप करना और प्रूफरीडिंग जोड़ने पर आसानी से कई घंटे लग जाते हैं। यह किसी छोटी क्लिप, ऐसी भाषा की रिकॉर्डिंग के लिए ठीक बैठता है जिसे आपका स्वचालित टूल ठीक से नहीं संभालता, या ऐसी सामग्री के लिए जिसे आप वाकई अपने हाथों से बाहर नहीं जाने दे सकते।
स्वचालित वाक् पहचान घंटों की बजाय मिनटों में वही काम कर देती है। एक मॉडल वेवफ़ॉर्म को सुनता है, सबसे संभावित शब्दों का अनुमान लगाता है, और विराम चिह्न व वक्ता लेबल पहले से लगे हुए एक ड्राफ्ट लौटाता है। ड्राफ्ट परफ़ेक्ट नहीं होता, लेकिन ज़्यादातर रोज़मर्रा की रिकॉर्डिंग के लिए यह इतना करीब होता है कि हल्की सी पढ़ाई बाकी बचा हुआ पकड़ लेती है।
हाइब्रिड ट्रांसक्रिप्शन स्वचालित ड्राफ्ट के साथ आपकी अपनी समीक्षा है। ज़्यादातर बार-बार होने वाला ट्रांसक्रिप्शन काम आखिर में यहीं आकर टिकता है: मॉडल ज़्यादातर टाइपिंग संभाल लेता है, आप नाम, शब्दजाल और जो कुछ गलत सुना गया वह संभालते हैं। यह मैनुअल काम की तुलना में एक छोटे से हिस्से की लागत में आता है और बिना समीक्षा वाले स्वचालित ड्राफ्ट से साफ़-सुथरा नतीजा देता है।
कौन सा तरीका फिट बैठता है यह रिकॉर्डिंग की लंबाई से कम, और बाद में ट्रांसक्रिप्ट के साथ क्या होता है, इस पर ज़्यादा निर्भर करता है। किसी आर्टिकल के लिए उद्धरण को, तरीका चाहे जो भी हो, ऑडियो के मुकाबले सटीक शब्दों की जांच चाहिए ही होती है। आपके अपने रेफ़रेंस के लिए मीटिंग नोट्स के एक मोटे सेट को शायद ही कभी समीक्षा की ज़रूरत पड़ती है।
सटीकता को असल में क्या तय करता है
ट्रांसक्रिप्शन की सटीकता में सबसे बड़ा एक अकेला कारक खुद रिकॉर्डिंग है, न कि उसे पढ़ने वाला सॉफ़्टवेयर। साफ़, माइक के करीब से रिकॉर्ड किया गया ऑडियो जिसमें एक बार में एक ही व्यक्ति बोल रहा हो, लगभग किसी भी स्वचालित सिस्टम से साफ़-सुथरा ड्राफ्ट देता है। कमरे के आर-पार से, खराब फ़ोन लाइन पर, या तीन लोगों के एक-दूसरे के ऊपर बोलते हुए बनाई गई रिकॉर्डिंग में गलतियां आती ही हैं, चाहे उसे कोई भी टूल पढ़े। सटीक ट्रांसक्रिप्ट बनाने पर W3C का मार्गदर्शन एक्सेसिबिलिटी के नज़रिए से यही बात कहता है: एक ट्रांसक्रिप्ट ऑडियो की जगह लेता है, इसलिए उसकी सटीकता खुद पर ही टिकनी चाहिए, इस बात से अलग हटकर कि मूल रिकॉर्डिंग कमरे में मौजूद व्यक्ति को कितनी अच्छी लगी थी।
अपलोड करने से पहले आपके नियंत्रण में मौजूद कुछ चीज़ें बाद की किसी भी सेटिंग से ज़्यादा मायने रखती हैं:
- वक्ता के पास से रिकॉर्ड करें, कमरे के आर-पार से नहीं।
- एक ही बातचीत पर दो माइक्रोफ़ोन न लगाएं; इससे बिना कोई सिग्नल जोड़े कमरे का शोर दोगुना हो जाता है।
- अगर फ़ाइल आपको चुनने देती है, तो छोटी फ़ाइल की बजाय ज़्यादा बिटरेट को तरजीह दें। कम्प्रेशन आर्टिफ़ैक्ट एक स्पीच मॉडल को वैसे ही परेशान करते हैं जैसे स्टैटिक इंसानी कान को।
स्वचालित वाक् पहचान पर हाल का काम, जिसमें ASR के लिए डीप लर्निंग दृष्टिकोणों पर 2024 का एक सर्वेक्षण शामिल है, यह दिखाता है कि साफ़ ऑडियो पर सटीकता कितनी आगे आ चुकी है और यह किसी खास उच्चारण, डोमेन या शोर प्रोफ़ाइल के लिए ट्रेनिंग डेटा पर अब भी कितनी निर्भर करती है। कोई भी सिस्टम हर रिकॉर्डिंग को एक बराबर अच्छी तरह नहीं पढ़ता, इसलिए किसी मायने रखने वाली चीज़ पर नतीजे पर भरोसा करने से पहले अपने खुद के ऑडियो पर टेस्ट करना अब भी सुरक्षित आदत है।
एक रिकॉर्डिंग को चरण दर चरण ट्रांसक्राइब करें
- फ़ाइल अपलोड करें। रिकॉर्डिंग को ऑडियो टू टेक्स्ट पर छोड़ें। सामान्य ऑडियो और वीडियो प्रारूप सीधे स्वीकार किए जाते हैं; अगर यह एक वीडियो है, तो कुछ भी अपलोड होने से पहले ऑडियो आपके ब्राउज़र में निकाल लिया जाता है।
- पूर्वावलोकन जांचें। आपके साइन इन करने से पहले ही पहले कुछ मिनट वक्ता लेबल के साथ ट्रांसक्राइब होकर वापस आ जाते हैं, ताकि आप तय कर सकें कि ऑडियो साफ़ है या नहीं और बंटवारा सही लग रहा है या नहीं।
- साइन इन करें और इसे चलने दें। पूरी फ़ाइल अपलोड होती है और काम अपने आप पूरा हो जाता है; आपको टैब खुला रखने की ज़रूरत नहीं है।
- वक्ताओं का नाम बदलें। वक्ता A जैसे सामान्य लेबल एक-एक संपादन से असली नाम बन जाते हैं, पूरे ट्रांसक्रिप्ट में लागू होकर।
- जो भी मायने रखता है उसे ऑडियो के साथ मिलाकर पढ़ें। नाम, संख्या और तकनीकी शब्दों पर सरसरी नज़र डालें, वे जगहें जहां मॉडल के गलत अनुमान लगाने की सबसे ज़्यादा संभावना होती है।
- एक्सपोर्ट करें। वह प्रारूप चुनें जो अगले कदम में चाहिए, न कि सिर्फ़ वह जो सबसे पहले लोड हो।
वक्ता लेबल, अगर एक से ज़्यादा व्यक्ति बोल रहे हों
एक से ज़्यादा आवाज़ वाली किसी भी रिकॉर्डिंग को असल में पढ़ने लायक बनने से पहले वक्ता अलगाव की ज़रूरत होती है; बिना वक्ता ब्रेक की एक ठोस दीवार जैसा टेक्स्ट खुद ऑडियो से मुश्किल से ही ज़्यादा काम का होता है। वक्ता पहचान आवाज़ के हिसाब से बातचीत को अलग करती है और आपको सामान्य लेबल का नाम एक बार बदलने देती है, यह बदलाव उस वक्ता के हर दिखने वाली जगह पर लागू होकर। यह तब बेहतर टिकता है जब हर व्यक्ति काफ़ी अलग हो और लगातार दूसरों को बीच में न टोक रहा हो; एक-दूसरे के ऊपर बोलती दो मिलती-जुलती आवाज़ें अब भी वह मामला है जो हर सिस्टम को उलझा देता है, सिर्फ़ स्वचालित सिस्टम को नहीं।
आगे जो होना है उसके लिए एक्सपोर्ट प्रारूप चुनें
सही एक्सपोर्ट इस बात पर निर्भर करता है कि टेक्स्ट कहां जा रहा है, न कि कौन सा सबसे मुकम्मल दिखता है:
- प्लेन टेक्स्ट किसी दूसरे दस्तावेज़ में चिपकाने या किसी समराइज़र को खिलाने के लिए।
- SRT या VTT अगर आप किसी वीडियो में कैप्शन डाल रहे हैं और आपको ऐसे टाइमस्टैम्प चाहिए जिन्हें कोई प्लेयर पढ़ सके।
- DOCX किसी ऐसे व्यक्ति के साथ शेयर करने के लिए जो कमेंट या एडिट करना चाहता है।
- JSON अगर आप वक्ता और टाइमिंग डेटा को बरकरार रखते हुए ट्रांसक्रिप्ट को अपने खुद के टूलिंग में डाल रहे हैं।
एक ही काम से एक से ज़्यादा प्रारूप एक्सपोर्ट करने में कोई अतिरिक्त लागत नहीं लगती, इसलिए पहले से एक सही प्रारूप का अंदाज़ा लगाने की कोई वजह नहीं जब आप वे दो या तीन ले सकते हैं जिनका आप असल में इस्तेमाल करेंगे।
गोपनीयता, अगर रिकॉर्डिंग को रखा नहीं जाना चाहिए
हर रिकॉर्डिंग किसी स्थायी आर्काइव में जाने लायक नहीं होती। एक गोपनीय कॉल, एक संवेदनशील इंटरव्यू, एक बार का मेमो जिसे आपको ट्रांसक्राइब कराना है और फिर खत्म करना है: इनके लिए आपके रोज़मर्रा के काम से अलग सेटिंग चाहिए। निजी ट्रांसक्रिप्शन आपके खाते में कुछ भी सेव करने को छोड़ देता है। नतीजा एक पासवर्ड-प्रोटेक्टेड डाउनलोड के रूप में वापस आता है जो एक्सपायर हो जाता है अगर आप उसे कभी खोलते नहीं, न कि आपकी हिस्ट्री में हमेशा के लिए बैठे रहने के बजाय।
अगर आप किसी चीज़ को लेकर पक्के नहीं हैं, तो सुरक्षित डिफ़ॉल्ट प्राइवेट मोड है। आप हमेशा अगली ट्रांसक्रिप्ट को सेव रखने का विकल्प चुन सकते हैं; आप इस वाली को पीछे जाकर अन-सेव नहीं कर सकते।
एक सामान्य रिकॉर्डिंग की लागत कितनी होती है
लागत ऑडियो के मिनटों पर निर्भर करती है, न कि फ़ाइल, फॉर्मैट, या उसमें कितने वक्ता हैं इस पर। 45 मिनट की फ़ोन कॉल और 45 मिनट के वॉइस मेमो को ट्रांसक्राइब करने की लागत एक जैसी होती है। $5.99 के 5 घंटे (300 मिनट) वाले पैक के मुकाबले, 45 मिनट की रिकॉर्डिंग उस बैलेंस से करीब 45 मिनट खींचती है, जो पैक का बस एक छोटा-सा हिस्सा है, बाकी अगली रिकॉर्डिंग के लिए बचा रहता है। इस्तेमाल करें या न करें, कोई सब्सक्रिप्शन नहीं चलती; पैक वहां से कैसे बढ़ते हैं इसके लिए देखें पे-एज़-यू-गो ट्रांसक्रिप्शन।
एक अकेली रिकॉर्डिंग को टेक्स्ट में बदलना दिखने से छोटा फैसला है: तय करें कि ट्रांसक्रिप्ट को किस चीज़ पर खरा उतरना है, उसी हिसाब से मैनुअल, ऑटोमैटिक या हाइब्रिड चुनें, रिकॉर्डिंग पर आपका जितना भी नियंत्रण हो उतना साफ़ ऑडियो मॉडल को दें, और नतीजे को उन हिस्सों के खिलाफ जांचें जो असल में मायने रखते हैं। इस गाइड में अलग रखे गए लंबाई या मात्रा वाले मामलों के लिए, लंबी रिकॉर्डिंग को कैसे ट्रांसक्राइब करें और रिकॉर्डिंग के एक फ़ोल्डर को ट्रांसक्रिप्ट करने उन्हें ज़्यादा विस्तार से कवर करती हैं।
स्वतंत्र स्रोत और मानक
Hushscript ने इन स्वतंत्र, गैर-प्रतिस्पर्धी स्रोतों का संदर्भ लिया है। ये शोध, मानकों या प्लेटफ़ॉर्म के काम करने के तरीके को समझाते हैं और Hushscript का समर्थन नहीं करते।
स्रोतों की समीक्षा: