अगर आप जीविका के लिए लोगों का साक्षात्कार लेते हैं, तो ट्रांसक्रिप्शन के सवाल में एक असहज धार होती है। आपने किसी स्रोत से गोपनीयता का वादा किया है, या आपकी नैतिकता समिति ने कोई प्रोटोकॉल मंज़ूर किया है, या आपके प्रतिभागी ने ऐसा सहमति-पत्र भरा है जिसमें लिखा है कि रिकॉर्डिंग तक किसकी पहुँच होगी। फिर आप फ़ाइल किसी ट्रांसक्रिप्शन सेवा पर चढ़ा देते हैं, और "अब यह ऑडियो किसके पास है" का ईमानदार जवाब बन जाता है "एक कंपनी, जिसकी शर्तें मैंने पढ़ी नहीं"।
बहुत से साक्षात्कार-कार्य के लिए यह अपने आप में अयोग्य ठहरा देने वाली बात है, चाहे सटीकता कितनी भी अच्छी क्यों न हो। यह रहा वह तरीका जिससे पूरा काम Mac पर स्थानीय रूप से हो जाता है।
इंटरव्यू अपने आप में अलग समस्या क्यों हैं
इंटरव्यू का ऑडियो मीटिंग के ऑडियो से इन तरीक़ों से अलग होता है, और यही अंतर मीटिंग के लिए बने टूल को तोड़ देता है:
- दो लोग, लंबी बारी। वक्ता अलगाव बहुत मायने रखता है, और यहाँ बारी लंबी होती है, न कि स्टैंडअप जैसी तेज़ आवाजाही।
- शब्द ठीक वही चाहिए। छपने वाले उद्धरण के लिए, या गुणात्मक शोध के ट्रांसक्रिप्शन के लिए जहाँ हर पंक्ति कोड की जाती है, "उन्होंने लगभग यही कहा था" बेकार है। व्याकरण चिकना करने वाली सफ़ाई यहाँ सक्रिय रूप से नुकसान करती है।
- खराब ध्वनिकी सामान्य बात है। कैफ़े, फ़ोन कॉल, सख़्त दीवारों वाले कमरे में मेज़ पर रखा रिकॉर्डर।
- भाषा बदलना आम है। द्विभाषी प्रतिभागी वाक्य के बीच में ही भाषा बदल लेते हैं।
- सहमति की सीमाएँ होती हैं। आपके प्रतिभागी ने आपसे बात करने पर सहमति दी थी, किसी विक्रेता की मॉडल प्रशिक्षण प्रणाली से नहीं।
स्थानीय कार्यप्रवाह
1. रिकॉर्ड कीजिए। या तो बातचीत को लाइव पकड़िए, या पहले से मौजूद फ़ाइल लाइए। Vext, यानी इस कार्यप्रवाह में इस्तेमाल होने वाला इंटरव्यू ट्रांसक्रिप्शन सॉफ़्टवेयर, माइक्रोफ़ोन और सिस्टम ऑडियो को अलग-अलग स्ट्रीम के रूप में रिकॉर्ड करता है, इसलिए आमने-सामने का इंटरव्यू और Zoom या फ़ोन वाला इंटरव्यू, दोनों चलते हैं। अगर आपने अलग डिवाइस पर रिकॉर्ड किया है, तो transcribe_file डिस्क से wav, m4a, mp3 और aiff संभाल लेता है।
2. डिवाइस पर ट्रांसक्राइब कीजिए। Parakeet TDT v3 Apple Silicon पर FluidAudio के ज़रिए चलता है। कुछ भी अपलोड नहीं होता। लंबे इंटरव्यू का ट्रांसक्रिप्शन तेज़ है — मॉडल वास्तविक समय से कहीं तेज़ चलता है — इसलिए नब्बे मिनट का इंटरव्यू रातभर का काम नहीं है।
3. वक्ता लेबल लीजिए। डायराइज़ेशन भी स्थानीय रूप से चलता है और अलग करता है कि किसने क्या कहा। आवाज़ प्रोफ़ाइल सत्रों के बीच बनी रहती है, और अनुदैर्ध्य शोध में यही सबसे काम की बात है: अगर आप एक ही प्रतिभागी का तीन बार साक्षात्कार लेते हैं, तो एक बार नाम देना आगे भी चलता रहेगा। ज़रूरत के मुताबिक़ वक्ता प्रोफ़ाइल का नाम बदलिए, मिलाइए या मिटाइए — बहुभाषी और वक्ता प्रबंधन 1.2.0 में आया था।
4. कच्चा ट्रांसक्रिप्ट संभालकर रखिए। यही वह क़दम है जहाँ लोग ग़लती करते हैं। संग्रह वाले संस्करण के लिए "जैसा बोला गया" स्टाइल इस्तेमाल कीजिए। इसमें कोई एआई पुनर्रचना नहीं होती — आपको ट्रांसक्रिप्ट वैसा ही मिलता है जैसा रिकग्नाइज़र ने बनाया, और उद्धरण तथा कोडिंग के लिए यही चाहिए। साफ़ या संक्षेपित संस्करण चाहिए तो उसे अलग बनाइए, पर उसे कभी मूल की जगह मत लेने दीजिए।
5. एक्सपोर्ट कीजिए। Markdown, txt, srt या vtt। SRT और VTT में समय-चिह्न होते हैं, और जब आपको कोई उद्धरण जाँचने के लिए ऑडियो पर वापस जाना हो, तो यही चाहिए होता है।
brew install muvon/tap/vext
बहुभाषी इंटरव्यू ट्रांसक्रिप्शन
ट्रांसक्रिप्शन में भाषाओं का दायरा बड़ा है — स्पीच मॉडल के ज़रिए 99+ भाषाएँ। इससे अलग, अगर ट्रांसक्रिप्ट किसी दूसरी भाषा में चाहिए तो अनुवाद के लिए 29 लक्ष्य भाषाएँ हैं, या आप मूल भाषा में ही रख सकते हैं।
इन दोनों को अलग रखिए, और दोनों के नतीजों को भी अलग रखिए। अनुवादित ट्रांसक्रिप्ट स्रोत दस्तावेज़ नहीं है। जो भी उद्धरण छपेगा या कोड किया जाएगा, उसके लिए मूल भाषा वाले ट्रांसक्रिप्ट से काम कीजिए और अनुवाद को केवल पढ़ने में मदद मानिए। अगर आप अनुवादित उद्धरण प्रकाशित कर रहे हैं, तो उस पर किसी मनुष्य अनुवादक का विवेक चाहिए, किसी मॉडल का नहीं।
सटीकता से क्या उम्मीद रखें
यथार्थवादी उम्मीदें, क्योंकि इंटरव्यू का ऑडियो डिक्टेशन से कठिन होता है:
अच्छा: साफ़ आमने-सामने की रिकॉर्डिंग, ढंग का माइक्रोफ़ोन, और ऐसे प्रतिभागी जो ज़्यादा एक-दूसरे पर नहीं बोलते। आजकल के स्थानीय मॉडल इसे अच्छी तरह संभाल लेते हैं।
कमज़ोर: तेज़ पृष्ठभूमि शोर, एक साथ बोलना, खराब ऑडियो के साथ मिला हुआ भारी उच्चारण-भेद, और मिलती-जुलती आवाज़ों वाले तीन या ज़्यादा वक्ता। सबसे पहले ग़लतियाँ डायराइज़ेशन में दिखेंगी — शब्द अक्सर सही रहते हैं, पर किसने कहा यह खिसक जाता है।
जो उपाय सचमुच काम करता है: शुरू करने से पहले नाम, संस्थाएँ, तकनीकी शब्द और प्रोजेक्ट के नाम कस्टम शब्दावली में जोड़ दीजिए। इंटरव्यू ट्रांसक्रिप्ट में विशेष नामों की भरमार होती है, और विशेष नाम ही वह चीज़ हैं जिन्हें रिकग्नाइज़र ग़लत करते हैं। दस मिनट की शब्दावली तैयारी किसी भी दूसरे इकलौते क़दम से ज़्यादा सुधार-समय बचाती है।
जो क़दम छोड़ा नहीं जा सकता: प्रकाशित करने से पहले हर उद्धरण को ऑडियो से मिलाकर जाँचिए। यह हर क़ीमत के हर ट्रांसक्रिप्शन टूल पर लागू होता है, मनुष्य ट्रांसक्राइबरों पर भी। समय-चिह्न वाले एक्सपोर्ट इसीलिए मौजूद हैं कि यह जाँच जल्दी हो जाए।
सफ़ाई, संभलकर
इंटरव्यू ट्रांसक्रिप्ट भरे होते हैं भराव शब्दों, अधूरी शुरुआतों और दोहराव से। पढ़ने लायक़ संस्करण के लिए — किसी सहकर्मी से साझा करने या उसी से लिखना शुरू करने के लिए — एक सफ़ाई पास मदद करता है। Vext के स्टाइल स्थानीय मॉडल से ट्रांसक्रिप्ट को साफ़ गद्य या बुलेट पॉइंट में ढाल सकते हैं, वही तरीक़ा जो एआई टेक्स्ट सफ़ाई में बताया गया है।
दो नियम। सफ़ाई व्युत्पन्न संस्करण के लिए है, संग्रह वाले के लिए कभी नहीं। और जो वाक्य छपने जा रहा है वह कच्चे ट्रांसक्रिप्ट पर, और वहाँ से ऑडियो पर वापस जाता है। व्याकरण सुधारने वाला मॉडल चुपचाप अर्थ बदल सकता है, और "टूल ने इसे चिकना कर दिया था" ऐसा शुद्धिपत्र नहीं है जिसका बचाव किया जा सके।
यहाँ स्थानीय होना ही असली बात क्यों है
अनुपालन की बातचीत छोटी हो जाती है। समीक्षा के लिए कोई उप-प्रोसेसर सूची नहीं, सीमा पार स्थानांतरण का कोई विश्लेषण नहीं, कोई डेटा प्रोसेसिंग समझौता नहीं, और आपका स्रोत-ऑडियो रखने वाली कोई सेंध-सतह नहीं। नैतिकता समिति के प्रोटोकॉल, न्यूज़रूम की नीतियों और एनडीए वाले उपयोगकर्ता शोध के लिए "ऑडियो कभी लैपटॉप से बाहर गया ही नहीं" ऐसा जवाब है जो बहस शुरू करने के बजाय खत्म कर देता है।
इसका मतलब यह भी है कि प्रति-मिनट कोई शुल्क नहीं। क्लाउड ट्रांसक्रिप्शन ऑडियो की अवधि के हिसाब से बिल करता है, और साक्षात्कार-आधारित शोध बहुत सारे घंटे पैदा करता है। Vext एक बार $49 का है, इसमें 100 डिक्टेशन का ट्रायल है, और यह Apple Silicon वाले macOS 14+ पर चलता है। अगर आपका काम दोनों तरफ़ फैला है, तो सामान्य मीटिंग कार्यप्रवाह मीटिंग को स्थानीय रूप से ट्रांसक्राइब करना में है।