ट्रांसक्रिप्शन की सटीकता असल में किस पर निर्भर करती है (संकेत: ज़्यादातर रिकॉर्डिंग पर)

सीमा रिकॉर्डिंग तय करती है, मॉडल बस उसके क़रीब पहुँचता है

आधुनिक स्पीच रिकग्निशन को बहुत बड़ी मात्रा में विविध ऑडियो पर प्रशिक्षित किया जाता है। Whisper पेपर, Robust Speech Recognition via Large-Scale Weak Supervision, ऐसे मॉडल का वर्णन करता है जिन्हें लाखों घंटों की बोली पर इसीलिए प्रशिक्षित किया गया ताकि वे असली दुनिया की रिकॉर्डिंग संभाल सकें। लेकिन इस मज़बूती की भी एक सीमा है: मॉडल सिर्फ़ वही ट्रांसक्राइब कर सकता है जो माइक्रोफ़ोन तक पहुँचा। शोर में दबे, कोडेक द्वारा कटे, या किसी और की आवाज़ के नीचे दबे शब्द फ़ाइल में होते ही नहीं, और कोई भी प्रोसेसिंग उन्हें वापस नहीं ला सकती। इसीलिए सटीकता में सबसे बड़ा सुधार लगभग हमेशा रिकॉर्डिंग से आता है, ट्रांसक्रिप्शन सेटिंग्स से नहीं।

पाँच कारक जो तय करते हैं कि ट्रांसक्रिप्ट कितना साफ़ निकलेगा

• माइक्रोफ़ोन से दूरी — माइक्रोफ़ोन के पास की आवाज़ कमरे पर हावी रहती है; वही आवाज़ मेज़ के दूसरी ओर से गूँज और बैकग्राउंड की आवाज़ों से मुक़ाबला करती है।
• बैकग्राउंड शोर और संगीत — लगातार होने वाली भनभनाहट को नज़रअंदाज़ करना किसी दूसरी बातचीत, बर्तनों की खनक या बोल वाले संगीत से आसान होता है।
• एक साथ बोलना — जब दो लोग एक साथ बोलते हैं, तो दोनों वाक्य बिगड़ जाते हैं और स्पीकर लेबल तय करना कठिन हो जाता है।
• ऑडियो बैंडविड्थ — नैरोबैंड टेलीफ़ोन ऑडियो में स्टूडियो रिकॉर्डिंग की तुलना में आवाज़ का कम हिस्सा आता है, जिसका सबसे ज़्यादा असर मिलती-जुलती ध्वनि वाले व्यंजनों पर पड़ता है।
• भाषा, लहजा और शब्दावली — दुर्लभ नाम, प्रोडक्ट से जुड़े शब्द और बार-बार भाषा बदलना, एक ही भाषा की रोज़मर्रा की बोली से ज़्यादा कठिन होते हैं।

फ़ोन कॉल पॉडकास्ट से ज़्यादा कठिन क्यों होती हैं

पारंपरिक टेलीफ़ोनी को इसलिए बनाया गया था कि सुनने वाला बात समझ सके, न कि इसलिए कि आवाज़ पूरी तरह सुरक्षित रहे। ITU-T G.711 जैसे कोडेक आवाज़ को नैरोबैंड ऑडियो के रूप में भेजते हैं, और कॉल रिकॉर्डिंग अक्सर इसके ऊपर अपना कम्प्रेशन भी जोड़ देती हैं — साथ ही अलग-अलग लाइनों पर दो लोग एक-दूसरे के ऊपर बोलते हैं। हर स्पीकर के लिए अलग माइक्रोफ़ोन से रिकॉर्ड किया गया पॉडकास्ट मॉडल को काम करने के लिए कहीं ज़्यादा सामग्री देता है। दोनों में से कोई फ़ाइल ग़लत नहीं है — बस दोनों की शुरुआत बहुत अलग मात्रा की जानकारी से होती है।

फ़ाइल कन्वर्ट करने से जानकारी वापस नहीं आती

अक्सर लोग ट्रांसक्राइब करने से पहले छोटी MP3 या फ़ोन रिकॉर्डिंग को WAV में कन्वर्ट करना चाहते हैं। इससे फ़ाइल बड़ी हो जाती है, बेहतर नहीं: लॉसी कोडेक या नैरोबैंड लाइन ने जो बारीकियाँ हटा दीं, वे जा चुकी हैं, और कन्वर्ज़न बस बची हुई चीज़ को कम कॉम्पैक्ट तरीक़े से सहेजता है। मूल फ़ाइल वैसे ही अपलोड करें जैसे वह रिकॉर्ड हुई थी। अगर रिकॉर्डिंग आपके हाथ में है, तो शुरुआत से ही लॉसलेस या हाई-बिटरेट फ़ॉर्मेट में रिकॉर्ड करें — यही वह क़दम है जो नतीजे को सच में बदलता है।

स्पीकर लेबल भी इन्हीं बातों पर निर्भर करते हैं

स्पीकर डायराइज़ेशन — यानी यह तय करना कि हर पंक्ति किसने कही — आवाज़ों के बीच के अंतर पर काम करता है, इसलिए यह उन्हीं कारकों से प्रभावित होता है जिनसे ख़ुद शब्द होते हैं। अलग-अलग माइक्रोफ़ोन या अलग चैनल स्पीकर को पहचानना आसान बनाते हैं; शोर भरे कमरे के बीच में एक ही माइक्रोफ़ोन, जहाँ लोग एक-दूसरे को टोक रहे हों, इसे कठिन बना देता है। छोटी-छोटी तेज़ बातचीत सबसे कठिन स्थिति होती है, क्योंकि हर बारी में आवाज़ पहचानने के लिए बहुत कम ऑडियो मिलता है।

अपलोड करने से पहले आप क्या कर सकते हैं

1. हर स्पीकर के पास रिकॉर्ड करें, आदर्श रूप से हर व्यक्ति के लिए एक माइक्रोफ़ोन।
2. शांत कमरा चुनें और रिकॉर्डिंग के दौरान संगीत या नोटिफ़िकेशन रोक दें।
3. मूल फ़ाइल रखें; अपलोड करने से पहले उसे कन्वर्ट या दोबारा कम्प्रेस न करें।
4. अगर बोली गई भाषा पता है, तो ऑटो-डिटेक्शन पर निर्भर रहने के बजाय उसे चुनें।
5. ट्रांसक्रिप्ट की जल्दी प्रूफ़रीडिंग के लिए नामों और प्रोडक्ट से जुड़े शब्दों की एक छोटी सूची तैयार रखें।