Mac पर ख़राब dictation accuracy को लेकर ज़्यादातर सलाह एक ही होती है: साफ़ बोलिए, बुदबुदाइए मत, बेहतर microphone ले लीजिए। ग़लत नहीं है, बस बेकार है — यह एक लक्षण को एक ही समस्या मान लेती है जबकि समस्याएँ कई हैं और हर एक का इलाज अलग है। जिसका Bluetooth headset चुपचाप audio ख़राब कर रहा है और जिसके recognizer ने उसके सहकर्मी का surname कभी सुना ही नहीं — दोनों यही कहते हैं कि "voice to text बार-बार ग़लत शब्द निकालता है," और दोनों में से किसी को ज़्यादा ज़ोर देकर बोलने से मदद नहीं मिलती।

काम की बात यह है कि error की शक्ल से diagnosis करें। जो ग़लत निकल रहा है, वही बताता है कि कौन-सी layer टूटी है।

आप क्या देख रहे हैं आमतौर पर मतलब
पूरे वाक्य गड़बड़ या ग़ायब, calls पर और बुरा mic Bluetooth के call profile पर चला गया
डेस्क पर ठीक, meeting room में ख़राब दूरी और गूँज
कोई एक नाम या acronym हर बार ग़लत custom vocabulary नहीं है
technical terms ग़लत, सामान्य भाषा सही engine ही सीमा है
सही लगने वाले शब्द, पर ग़लत भाषा में भाषा की setting बनाम आपने बोला क्या
शब्द सही, वाक्य अपठनीय punctuation और formatting, recognition नहीं
dictation अपने-आप रुक जाता है silence timeout, accuracy का मामला ही नहीं

जब Mac dictation ठीक से काम नहीं कर रहा हो, तो इस सूची पर क्रम से चलिए। पहले दो ही ज़्यादातर मामले समझा देते हैं, और दोनों मुफ़्त हैं।

1. आपका microphone ही ऊपरी सीमा तय करता है

जो audio पहले ही ख़राब होकर आया, उसे आगे की कोई भी कड़ी ठीक नहीं कर सकती — और Mac पर सबसे आम वजह wireless headset है।

Classic Bluetooth को उसी क्षण अपने high-quality playback profile से hands-free call profile पर जाना पड़ता है जब कोई app microphone खोलती है। उस profile में mic का रास्ता mono और भारी compressed होता है — narrowband पर 8 kHz, wideband पर 16 kHz — और यह switch सुनाई भी देता है, क्योंकि ठीक उसी पल आपका संगीत गड़बड़ हो जाता है। Speech models 16 kHz audio पर काम करते हैं, इसलिए compressed narrowband signal सचमुच कम सामग्री है। यह किसी एक brand की ख़ामी नहीं, profile का काम करने का तरीक़ा है, और ज़्यादातर Bluetooth headsets पर लागू होता है।

एक असली अपवाद है जिसे जानना चाहिए, क्योंकि इस पर बहुत-सी सलाह पुरानी पड़ चुकी है। Apple की studio-quality recording macOS Tahoe 26 पर AirPods 4, ANC वाले AirPods 4 और AirPods Pro 2 को कवर करती है, और यह Mac पर भी चलती है, सिर्फ़ iPhone पर नहीं। पुराने call-profile व्यवहार के मुक़ाबले यह बड़ा सुधार है। यह हर जगह अपने-आप लागू नहीं होती — Apple ने कुछ ख़ास apps और categories गिनाई हैं जो इसे support करती हैं, इसलिए आपकी dictation app को यह क्वालिटी मिलेगी या नहीं, यह app पर निर्भर है।

भरोसेमंद हल वही है। System Settings → Sound → Input में अपने Mac की microphone settings खोलिए और device list में से अपना built-in microphone चुनिए — macOS इसे आपके model के नाम से दिखाता है, जैसे "MacBook Pro Microphone"। headset जोड़ते ही input उसी पर चला जाता है, और यह किसी notification से पता नहीं चलता। laptops और iMac में built-in विकल्प directional beamforming वाला तीन-mic array है, और recognition के लिहाज़ से यह ज़्यादातर wireless headsets से बेहतर है। सुनने के लिए earbuds रखिए, बस उन्हें input मत बनने दीजिए।

अगर आपको अपने Mac के लिए built-in से बेहतर dictation microphone चाहिए, तो upgrade wired USB microphone है, महँगा wireless नहीं। और अगर पक्का नहीं कि दिक़्क़त audio की है, तो अपने मौजूदा setup से Voice Memos में तीस सेकंड record करके सुनिए। आपके कान को दबा-दबा या डिब्बे जैसा लगे, तो model को उससे भी बुरा लगता है।

2. दूरी और गूँज, आवाज़ की तेज़ी नहीं

accuracy बिगाड़ने वाली दूसरी चीज़ कमरा है। हर सख़्त सतह आपकी आवाज़ की एक देर से आने वाली नक़ल mic में लौटाती है, और इससे शब्दों के बीच की acoustic सीमाएँ धुँधली हो जाती हैं — ठीक वही जानकारी जिससे recognizer उन्हें अलग करता है।

व्यावहारिक रूप से: mic से एक हाथ की दूरी के बजाय 20–30 cm पर बैठिए, और साफ़ दिखने वाले शोर हटाइए — मेज़ का पंखा, ट्रैफ़िक पर खुली खिड़की, वह mechanical keyboard जिस पर आप बोलते-बोलते टाइप कर रहे हैं।

सबसे ज़्यादा चोट meetings में लगती है, और वहाँ गूँज के ऊपर एक दूसरा असर भी है। अगर आप headphones के बजाय speakers पर हैं, तो दूर का audio आपके microphone में वापस आता है। Meeting को locally transcribe करने वाली कोई भी चीज़ उनके शब्द आपके mic channel पर भी सुनती है और उन्हें आपके नाम कर देती है। headphones इसे जड़ से ख़त्म कर देते हैं। software भी बाद में सफ़ाई कर सकता है — Vext mic और system stream को एक साझा meeting clock पर मिलाता है और उन mic lines को हटा देता है जो दो-सेकंड की window में वही दोहराती हैं जो system stream पहले ही साफ़ पकड़ चुका है — पर भौतिक हल फिर भी बेहतर है।

3. engine सबसे बड़ी एकल छलाँग है

अगर audio साफ़ है और फिर भी speech-to-text accuracy औसत है, तो आप engine की सीमा से टकरा चुके हैं।

Apple का built-in dictation ऐसी मशीन पर तुरंत, मुफ़्त और हमेशा उपलब्ध रहने के लिए design किया गया है जो सौ और काम कर रही है। यह काफ़ी सुधरा है, और झटपट जवाब के लिए ठीक है — कहाँ तक काफ़ी है और कहाँ रुक जाता है, यह हमने विस्तार से लिखा है। पर यह उस model class का नहीं है जो कोई dedicated app चलाती है। Apple Silicon पर भारी local engines — NVIDIA का Parakeet, Whisper family — audio के हर सेकंड पर ज़्यादा compute ख़र्च करते हैं और उसी से accuracy ख़रीदते हैं।

Cloud transcription APIs दूसरा लीवर हैं और असली विकल्प भी, पर उनका मतलब है कि आपका audio मशीन से बाहर जाता है। client calls, मरीज़ों के notes, interviews या NDA के तहत किसी भी चीज़ के लिए यही अकेली बात उन्हें बाहर कर देती है — और जो accuracy वे देते हैं वह साफ़ audio पर आमतौर पर मामूली होती है, सचमुच मुश्किल recordings पर ही ज़्यादा। M-series Mac पर local-first ही वह शुरुआत है जो सही बैठती है।

model size के पीछे भागने से पहले दो बातें:

  • साफ़ speech पर अच्छे engines के बीच फ़र्क़ छोटा है। साफ़ audio और आम शब्दावली का मतलब है कि बड़ा model शायद कुछ ख़ास न बदले।
  • फ़र्क़ ठीक वहीं बढ़ता है जहाँ आप शायद जूझ रहे हैं: शोर, accent, jargon, एक-दूसरे पर चढ़ते हुए बोलने वाले।

इसलिए benchmark पर भरोसा करने के बजाय अपने ही मुश्किल audio पर परखिए। एक पैराग्राफ़ dictate कीजिए जिसमें वही terms हों जो आप सच में इस्तेमाल करते हैं — product names, library names, वह acronym जो आपकी team दिन में चालीस बार बोलती है — और उसी पर engines की तुलना कीजिए। कुछ भी बदलने से पहले एक baseline चाहिए तो हमारा dictation accuracy test browser में ही पढ़े गए passage को शब्द-दर-शब्द अंक देता है — technical terms और proper names वाले passages सबसे जल्दी दिखा देते हैं कि किस श्रेणी में गड़बड़ हो रही है।

4. proper nouns accuracy की समस्या नहीं हैं। ये configuration की समस्या हैं

यह वह चीज़ है जिसे ठीक करने में लोग सबसे ज़्यादा देर करते हैं, और यही सबसे सस्ती है।

कोई engine भरोसे के साथ वह शब्द नहीं निकाल सकता जिसके होने का उसे पता ही नहीं। आपके सहकर्मी का surname, आपकी कंपनी का नाम, कोई internal codename, kubectl — ये इसलिए ग़लत नहीं आते कि recognition ख़राब है, बल्कि इसलिए कि model उस ध्वनि से मेल खाता सबसे संभावित ज्ञात शब्द चुन रहा है। वह हमेशा यही करता रहेगा। ज़्यादा साफ़ बोलने से फ़र्क़ नहीं पड़ता, क्योंकि सही spelling कभी candidate थी ही नहीं।

यहाँ Apple बहुत कम देता है। Dictation में custom vocabulary है ही नहीं। Voice Control में है — Apple के अपने पेज के मुताबिक़ आप "शब्द और वाक्यांश जोड़ सकते हैं — एक-एक करके या सूची import करके" — पर वह Mac को आवाज़ से चलाने के लिए एक अलग accessibility feature है, कुछ भाषाओं में उपलब्ध, किसी document में dictate करने का vocabulary नहीं।

Dedicated apps इसे vocabulary या replacement list से हल करती हैं। Vext 1.3.0 में rules जोड़े हैं — recognizer ने क्या निकाला और क्या निकालना चाहिए था — जो raw transcript पर लागू होते हैं और फिर cleanup prompt में preserve instruction के रूप में जाते हैं, ताकि AI pass आपकी ठीक की हुई spelling को दोबारा ग़लत न कर दे। जो engines पहले से hint लेते हैं (Apple का recognizer, Whisper-compatible endpoints), उनमें ये terms transcription से पहले भी भेजे जाते हैं। यह preserve वाला क़दम सुनने में जितना लगता है, उससे ज़्यादा मायने रखता है: ऐसा vocabulary feature जो transcript ठीक करे और फिर language model को उसे दोबारा लिखने दे, कुछ ठीक नहीं करता।

एक हफ़्ते तक हर वह शब्द नोट कीजिए जिसे आप हाथ से सुधारते हैं। दस-पंद्रह entries बनेंगी, ज़्यादातर नाम, और यह सूची आपकी बची हुई editing का बड़ा हिस्सा ख़त्म कर देती है।

5. भाषा की settings और मिली-जुली बोली

अगर सही लगने वाले शब्द ग़लत भाषा में आ रहे हैं, या आपकी दूसरी भाषा वाक्य के बीच में बिगड़ जाती है, तो यह model की नाकामी से ज़्यादा settings की बात है।

Monolingual recognition एक ही भाषा मानकर decode करता है, इसलिए हिंदी वाक्य के अंदर आया अंग्रेज़ी product name सबसे नज़दीकी हिंदी-सी लगने वाली चीज़ पर map हो जाता है। Mac पर dictation की भाषा बदलने के लिए Keyboard settings खोलिए, जहाँ dictation की भाषाएँ रहती हैं: Languages के बग़ल में Edit पर click करके भाषाएँ जोड़ें या हटाएँ, और एक से ज़्यादा चालू होने पर dictation के बीच में cursor के पास दिख रही भाषा से switch कर सकते हैं। multilingual models पर बनी apps अक्सर पूछने के बजाय भाषा ख़ुद पहचान लेती हैं।

एक ही वाक्य के भीतर भाषा बदलना हर engine के लिए सबसे कठिन मामला है, और ईमानदार सलाह यही है कि proper nouns को अपनी vocabulary list में डाल दें ताकि कम-से-कम वे बचे रहें।

6. punctuation और formatting recognition हैं ही नहीं

ऐसा transcript जिसमें हर शब्द सही है पर पूरा एक बिना विराम वाला लंबा प्रवाह है — वह accuracy की नाकामी नहीं है। Recognition ने काम कर दिया। कमी उसके बाद वाले pass की है।

आप punctuation बोलकर डाल सकते हैं ("comma", "new paragraph"), और auto-punctuation लय से कुछ अंदाज़ा लगा लेता है — छोटे वाक्यों में ज़्यादा भरोसेमंद, लंबे में कम। बेहतर जवाब यही है कि इसे आवाज़ से करना बंद कर दें: स्वाभाविक बोलिए और punctuation, capitalization तथा भरने वाले शब्द बाद में cleanup pass को सँभालने दीजिए। Apple Silicon पर यह pass local model के साथ पूरी तरह device पर चल सकता है, इसलिए privacy की क़ीमत शून्य है। इसी वजह से एक ही बोला हुआ पैराग्राफ़ email, chat message या bullets बनकर निकल सकता है — reshaping recognition के बाद होती है, उसके दौरान नहीं।

7. वह "30-सेकंड की सीमा" जो वैसी है ही नहीं जैसी आपने पढ़ी

इसे सुधारना ज़रूरी है, क्योंकि इसे हर जगह इस तरह दोहराया जाता है मानो आप कितनी देर dictate कर सकते हैं उस पर सख़्त सीमा हो। Apple की अपनी documentation उल्टा कहती है: "आप बिना timeout के किसी भी लंबाई का text dictate कर सकते हैं," और अलग से, "30 सेकंड तक कोई speech न मिलने पर dictation अपने-आप रुक जाता है।"

यह silence timeout है, लंबाई की सीमा नहीं। आधे मिनट तक न बोलने पर session ख़त्म होता है — लगातार dictate करने वालों के लिए यह उदार है, और उनके लिए चिढ़ पैदा करने वाला जो बोलते हैं, देर तक सोचते हैं, फिर बोलते हैं। अगर आप वैसे हैं, तो आपको push-to-talk चाहिए (बोलते समय key दबाए रखना) या toggle hotkey (दबाकर शुरू, दबाकर बंद), ताकि session तब ख़त्म हो जब आप कहें, timer के हिसाब से नहीं। दोनों तरीक़े Mac voice transcription setup guide में हैं।

60 सेकंड की checklist

क्रम में, सबसे ज़्यादा असर वाली पहले:

  1. System Settings → Sound → Input — साफ़ तौर पर अपना built-in microphone चुनिए, जुड़ा हुआ Bluetooth headset नहीं।
  2. mic से 20–30 cm पर आइए। पंखा बंद कीजिए।
  3. calls पर headphones पहनिए ताकि दूर का audio आपके mic में वापस न आए।
  4. Voice Memos में 30 सेकंड record करके सुनिए। आपको ही बुरा लगे तो software को दोष देने से पहले वही ठीक कीजिए।
  5. जिन दस शब्दों को सबसे ज़्यादा सुधारते हैं उन्हें लिखकर custom vocabulary में डालिए।
  6. अपनी dictation भाषा जाँचिए, और भाषा बदलते हों तो दूसरी जोड़िए।
  7. punctuation बोलना बंद कीजिए; उसकी जगह cleanup pass इस्तेमाल कीजिए।
  8. फिर भी technical vocabulary कमज़ोर? अपने मुश्किल audio पर कोई दूसरा engine आज़माइए — पहले local, क्योंकि cloud endpoint का मतलब है आपका बोला हुआ सब कुछ upload होना।

इन आठ में से छह मुफ़्त हैं और एक मिनट से कम लेते हैं।

जब सचमुच tool ही अड़चन हो

अगर आप पूरी सूची पार कर चुके और फिर भी बात नहीं बनी, तो सीमा tool है — आम तौर पर इसलिए कि उसमें vocabulary control नहीं, engine का विकल्प नहीं, cleanup pass नहीं, यानी tune करने को कुछ बचा ही नहीं।

Vext इसी स्थिति के लिए बना है, और यह privacy को बाद में जोड़ने के बजाय वहीं से शुरू होता है: speech recognition, AI cleanup और meeting transcription सब आपके Mac पर चलते हैं, इसलिए न audio बाहर जाता है, न transcript। उसके ऊपर — engine का विकल्प (locally Parakeet या Apple का recognizer, और आप स्पष्ट रूप से चाहें तो OpenAI-compatible endpoint), ऐसा custom vocabulary जो AI pass के बाद भी टिकता है, dictation modes जो text को उसके गंतव्य के हिसाब से ढालते हैं, और meeting transcription जो echo की समस्या सँभालती है।

Default में कोई cloud नहीं, कोई account नहीं, कोई subscription नहीं और कोई बंद tier नहीं — $49 एक बार, सारे features शामिल।

brew install muvon/tap/vext

शुरुआत microphone से ही कीजिए। यह मुफ़्त है, दस सेकंड लेता है, और दूसरी app की ज़रूरत से ज़्यादा लोगों को इसी सुधार की ज़रूरत है।