लोग कितनी तेज़ी से बोलते हैं, यह स्थिति पर निर्भर करता है: मापे गए लेक्चरर क़रीब 125–160 प्रति मिनट शब्द बोलते हैं, ब्रिटिश बातचीत क़रीब 190–230। Switchboard कॉर्पस में रिकॉर्ड की गई 2,438 अमेरिकी फ़ोन कॉल में लोगों ने बोलते समय औसतन 196 प्रति मिनट शब्द कहे, और उसी अध्ययन के एक बड़े कॉर्पस का आँकड़ा 193 आया। 168,000 लोगों वाले एक अध्ययन में औसत टाइपिस्ट क़रीब 52 ही पहुँच पाया। इन अध्ययनों को साथ रखें तो बोलना टाइपिंग से मोटे तौर पर तीन से चार गुना तेज़ है। डिक्टेशन — कंप्यूटर से बोलना और टेक्स्ट को सहेज रखना — इन दोनों के बीच कहीं आता है, और इस फ़ायदे की योजना बनाने से पहले इसके कारण समझना ज़रूरी है।

मैं एक डिक्टेशन ऐप बनाता हूँ, इसलिए इस सवाल में मेरी दिलचस्पी जाहिर है। नीचे हर आँकड़ा अपने स्रोत से लिंक है; जहाँ मैं किसी अध्ययन तक सिर्फ़ दूसरे पेपर के सारांश के ज़रिए पहुँच पाया, वहाँ मैंने कहा है, और जहाँ रिसर्च ख़त्म हो जाती है वहाँ भी।

स्थिति के हिसाब से बोलते समय प्रति मिनट औसत शब्द

लोग प्रति मिनट कितने शब्द बोलते हैं, यह ज़्यादातर संदर्भ पर निर्भर करता है: बातचीत सबसे तेज़ होती है, और लेक्चर तथा प्रेज़ेंटेशन सबसे धीमे। ये प्रकाशित आँकड़े हैं, किसी कैलकुलेटर के डिफ़ॉल्ट नहीं:

स्थिति प्रति मिनट शब्द स्रोत
फ़ोन पर बातचीत, अमेरिकी अंग्रेज़ी औसत 196 (बातचीतों में 111–291) Yuan, Liberman & Cieri, 2006
वही बातचीतें, चुप्पी हटाने के बाद औसत 236 Yuan et al., 2006
बातचीत, ब्रिटिश अंग्रेज़ी 190–230 Tauroza & Allison (1990), Huang & Gráf, 2020 के सारांश के अनुसार
इंटरव्यू 160–210 वही
रेडियो प्रसारक 150–170 वही
लेक्चरर 125–160 वही
ऑडियोबुक नरेशन 140–180 Brysbaert, 2019, मापा गया नहीं, बस ज़िक्र किया गया
ज़ोर से पढ़ना औसत 183 Brysbaert, 2019 (77 अध्ययन, 5,965 प्रतिभागी)

Yuan के अध्ययन की दो बातें इन आँकड़ों को पढ़ने का नज़रिया बदल देती हैं। पहली, बहुत छोटी बारी धीमी होती है: एक से सात शब्दों तक बारी बढ़ने पर बोलने की दर तेज़ी से ऊपर जाती है, फिर क़रीब आठ से तीस शब्दों की बारी के लिए लगभग एक सी रहती है। दूसरी, औसत दर इस पर निर्भर करती है कि आप गिनती कैसे करते हैं। कुल कॉल समय के हिसाब से कॉर्पस की औसत दर 196 wpm थी; चुप्पी हटाने पर 236। कोई भी एक "औसत बोलने की दर" चुपचाप इनमें से एक परिभाषा चुन लेती है।

उसी पेपर के अनुसार उम्रदराज़ वक्ता धीमे बोलते हैं, पुरुष महिलाओं से थोड़ा तेज़, और अजनबियों से बात करते समय लोग लंबी पर धीमी बारी लेते हैं।

टाइपिंग और पढ़ने के मुक़ाबले लोग कितनी तेज़ बोलते हैं?

इन अध्ययनों को साथ रखें तो बोलना औसत टाइपिंग से क़रीब तीन से चार गुना तेज़ है, और मन में पढ़ना दोनों से तेज़। एकमात्र सीधी तुलना वाले लैब टेस्ट में 2.93 गुना मापा गया। आँकड़े एक साथ यहाँ हैं:

गतिविधि प्रति मिनट शब्द स्रोत
फ़िज़िकल कीबोर्ड पर टाइपिंग, औसत 52 (SD 20) Dhakal et al., 2018, 168,000 स्वयंसेवक
टाइपिंग, सबसे तेज़ प्रतिभागी 120 या इससे ज़्यादा Dhakal et al., 2018
फ़ोन कीबोर्ड पर टाइपिंग, लैब 52 Ruan et al., 2017
फ़ोन पर स्पीच रिकग्निशन, लैब 153 Ruan et al., 2017
बातचीत 196 Yuan et al., 2006
ज़ोर से पढ़ना 183 Brysbaert, 2019
मन में पढ़ना, नॉन-फ़िक्शन / फ़िक्शन 238 / 260 Brysbaert, 2019

औसत टाइपिंग स्पीड के आँकड़े पर एक चेतावनी बनती है। Dhakal के प्रतिभागी ऑनलाइन टाइपिंग टेस्ट में खुद आए स्वयंसेवक थे, जो स्क्रीन पर दिखाए वाक्य नक़ल कर रहे थे। यह मापता है कि उँगलियाँ कितनी तेज़ चलती हैं, यह नहीं कि जिस ईमेल पर सोचना पड़े, उसे कोई कितनी तेज़ी से लिखता है।

फ़ोन वाला अध्ययन सीधी तुलना के सबसे क़रीब है। इसने एक शांत कमरे में iOS कीबोर्ड की तुलना Baidu के Deep Speech 2 रिकग्नाइज़र से की, जिसमें प्रतिभागी छोटे वाक्यांश नक़ल कर रहे थे। अंग्रेज़ी स्पीच 153 wpm पर आई, कीबोर्ड के 52 के मुक़ाबले — 2.93 गुना तेज़। (उसी पेपर का प्रीप्रिंट arXiv पर है।)

शब्द से मिनट: किसी स्पीच या डिक्टेशन में कितना समय लगता है

शब्दों को मिनट में बदलने के लिए शब्द-संख्या को बोलने की दर से भाग दीजिए। प्रेज़ेंटेशन वाली रफ़्तार पर 1,000 शब्दों की स्पीच बोलने में क़रीब 6 से 8 मिनट लगते हैं; 52 wpm पर उसे टाइप करने में क़रीब 19।

किसी स्पीच में प्रति मिनट कितने शब्द होते हैं, इसका एक जवाब नहीं है, इसलिए मैंने तीन बोलने की दरें लीं: 130 wpm (ऑनलाइन स्पीच कैलकुलेटर में आम डिफ़ॉल्ट, और लेक्चरर के लिए मापी गई 125–160 की सीमा के भीतर), 150 wpm (ऊपर लेक्चरर और रेडियो प्रसारक, दोनों की सीमा के भीतर), और 196 wpm (Yuan का बातचीत वाला औसत)। आख़िरी कॉलम 52 wpm वाले औसत टाइपिस्ट का है।

शब्द 130 wpm 150 wpm 196 wpm 52 wpm पर टाइपिंग
100 0:46 0:40 0:31 1:55
250 1:55 1:40 1:17 4:48
500 3:51 3:20 2:33 9:37
750 5:46 5:00 3:50 14:25
1,000 7:42 6:40 5:06 19:14
1,500 11:32 10:00 7:39 28:51
2,000 15:23 13:20 10:12 38:28
3,000 23:05 20:00 15:18 57:42

समय मिनट:सेकंड में है। स्पीच के लिए योजना इन्हीं आँकड़ों से बनाइए; अपनी खुद की दर इस्तेमाल करने के लिए पहले बोलते समय अपने प्रति मिनट शब्द मापिए। डिक्टेशन के लिए बोलने वाले कॉलम को एक ऐसी निचली सीमा मानिए जिस तक आप असल में नहीं पहुँचेंगे — कारण अगले सेक्शन में हैं।

डिक्टेशन की स्पीड बोलने की स्पीड से कम क्यों है

डिक्टेशन बोलने से धीमा है क्योंकि इसमें सोचने का समय और ग़लती सुधार जुड़ जाते हैं, और बोलने की दर वाले अध्ययनों में इनमें से कोई नहीं दिखता।

मशहूर आँकड़े नक़ल मापते हैं, ख़ुद लिखना नहीं। Ruan और उनके सहयोगियों ने नक़ल वाला काम जान-बूझकर चुना, ताकि इनपुट तरीक़े को लेखक से अलग रखा जा सके। ख़ुद लिखने में सोचने का समय और शब्द चयन आ जाते हैं। जब आप असली ईमेल डिक्टेट करते हैं, तो अगला क्या लिखना है यह तय करने के लिए रुकते हैं। वे ठहराव आपकी असरदार दर में से कटते हैं।

सुधार दिखने से महँगे पड़ते हैं। उसी फ़ोन अध्ययन में, टेक्स्ट डालते समय अंग्रेज़ी स्पीच में कम ग़लतियाँ हुईं (सुधारी गई त्रुटि दर 3.93%, कीबोर्ड की 4.72% के मुक़ाबले), पर उसकी ग़लतियाँ अंतिम टेक्स्ट में थोड़ी ज़्यादा बची रहीं (0.55%, कीबोर्ड की 0.35% के मुक़ाबले)।

पुराने डेस्कटॉप अध्ययन बताते हैं कि सुधार कितना महँगा हो सकता है। Koester के 2003 के अध्ययन में 23 अनुभवी स्पीच रिकग्निशन उपयोगकर्ता थे, सबको ऐसी शारीरिक अक्षमता थी जो कीबोर्ड इस्तेमाल को प्रभावित करती थी; टेक्स्ट एंट्री औसतन 16.7 wpm थी, सीमा 3.5 से 31.7 तक। औसतन 37% समय पहचान की ग़लतियाँ सुधारने में गया, और पहचान की सटीकता 72% से 94% के बीच रही। Ruan के पेपर में Karat और सहयोगियों के 1999 के एक अध्ययन का ज़िक्र भी है, जिसमें स्पीच उपयोगकर्ता ख़ुद लिखते समय 7.8 wpm और नक़ल करते समय 13.6 wpm पर रहे।

वे रिकग्नाइज़र दो दशक पुराने हैं, और आज की त्रुटि दरें वैसी बिलकुल नहीं हैं। फिर भी नक़्श वही है: ग़लत सुना गया शब्द बोलने में एक सेकंड लेता है और ढूँढ़कर सुधारने में कई सेकंड।

कोई अच्छा आधुनिक बेंचमार्क नहीं है। मुझे हाल का कोई पीयर-रिव्यूड अध्ययन नहीं मिला जो मौजूदा स्पीच मॉडल पर, सुधारों सहित, ख़ुद लिखे टेक्स्ट के डेस्कटॉप डिक्टेशन को मापता हो। असली लेखन के लिए सटीक "डिक्टेशन स्पीड" बताने वाला कोई भी या तो ख़ुद को माप रहा है या अंदाज़ा लगा रहा है।

यह सीधा गणित है: असरदार दर = शब्द ÷ (बोलने का समय + ठहराव + सुधार का समय)। एक मिसाल के तौर पर, माप नहीं: दो मिनट में बोले गए 300 शब्द, साथ एक मिनट सोचने का और एक मिनट सुधारने का, यानी 75 wpm। यह बोलने की स्पीड से कहीं कम है, और फिर भी ज़्यादातर लोगों की टाइपिंग से तेज़। यह जाँचने के लिए कि आपके लिए डिक्टेशन टाइपिंग से तेज़ है या नहीं, एक ही टेक्स्ट पर दोनों का समय लीजिए।

कहाँ डिक्टेशन टाइपिंग से आगे है, और कहाँ नहीं

डिक्टेशन लंबे, ढीली बनावट वाले गद्य में जीतता है। टाइपिंग वहाँ जीतती है जहाँ बिलकुल सही अक्षर मायने रखते हैं।

डिक्टेशन आमतौर पर इनमें मदद करता है:

  • ईमेल, दस्तावेज़ और पोस्ट के पहले ड्राफ़्ट, जहाँ शब्दों को उतारना उन्हें सही करने से ज़्यादा मायने रखता है
  • एआई टूल के लिए लंबे प्रॉम्प्ट, जहाँ ज़्यादा संदर्भ से बेहतर नतीजे मिलते हैं
  • नोट्स और विचार, उनके ओझल होने से पहले पकड़ने के लिए
  • कोई भी लेखन, जब आपके हाथों या कलाइयों को आराम चाहिए

टाइपिंग आमतौर पर इनमें तेज़ बनी रहती है:

  • कोड, फ़ाइल पाथ, URL और जिसमें भी प्रतीक हों
  • टेबल, संख्याओं की सूची और सटीक फ़ॉर्मैटिंग
  • छोटे जवाब, जहाँ डिक्टेशन शुरू करना तीन शब्द टाइप करने से लंबा पड़ता है
  • मौजूदा टेक्स्ट में छोटे बदलाव

डिक्टेशन से जुड़े रहने वाले ज़्यादातर लोग आख़िर में दोनों मिलाकर चलाते हैं: ड्राफ़्ट बोलिए, सुधार टाइप कीजिए। अगर आपका दिन ज़्यादातर लिखने में जाता है, तो लेखकों के लिए डिक्टेशन सॉफ़्टवेयर इस कार्यप्रवाह पर और गहराई से बात करता है।

डिक्टेशन स्पीड को बोलने की स्पीड के क़रीब लाना

बोलने और डिक्टेट करने के बीच का ज़्यादातर फ़र्क़ सुधार का समय है, इसलिए सबसे बड़ा फ़ायदा तब है जब कम शब्द ग़लत सुने जाएँ और बीच में कम सुधारना पड़े।

  • पूरे वाक्य बोलिए। छोटे टुकड़े धीमे होते हैं, जो Yuan की उस बात से मेल खाता है कि सात या उससे कम शब्दों वाली बारी सबसे धीमी बोली जाती है।
  • बोलते समय एडिट मत कीजिए। पूरी बात डिक्टेट कीजिए, फिर एक ही बार में सुधार लीजिए।
  • बार-बार होने वाली ग़लतियों को जड़ से सुधारिए। अगर कोई नाम या शब्द हर बार ग़लत सुना जाता है, तो रोज़ सुधारने के बजाय टूल को एक बार सिखा दीजिए। Mac डिक्टेशन शब्द ग़लत क्यों पकड़ता है में आम कारण बताए गए हैं।
  • मुफ़्त से शुरू कीजिए। macOS Dictation बिल्ट-इन है। Apple कहता है कि आप "बिना टाइमआउट के किसी भी लंबाई का टेक्स्ट डिक्टेट कर सकते हैं", और यह 30 सेकंड तक न बोलने पर रुक जाता है।

ज़्यादा नियंत्रण चाहिए तो Vext, यानी वह ऐप जो मैं बनाता हूँ, इस फ़र्क़ के सुधार-समय वाले हिस्से पर काम करता है। कस्टम शब्दावली नियम ("heard as" → "replace with") हर ट्रांसक्रिप्ट पर लागू होते हैं, इसलिए एक बार सुधारा गया नाम सुधरा ही रहता है। Clean up स्टाइल भराव शब्द और अधूरी शुरुआतें हटाता है, साथ ही आपके शब्दों को जितना हो सके उतना वैसा रखता है जैसा आपने कहा था, और कच्चा ट्रांसक्रिप्ट साफ़ किए संस्करण के साथ सहेजा रहता है। इस समझौते पर और बात एआई टेक्स्ट क्लीनअप में है। लंबी रिकॉर्डिंग के लिए हैंड्स-फ़्री डिक्टेशन में कुंजी दबाए रखने के बजाय रिकॉर्डिंग चालू-बंद की जा सकती है।

Vext डाउनलोड कीजिए एक बार $49 का है, साथ में 100 डिक्टेशन का मुफ़्त ट्रायल। इसके लिए Apple Silicon पर macOS 14+ चाहिए। या Homebrew से इंस्टॉल कीजिए:

brew install muvon/tap/vext