Lesskeysस्पीच-टू-टेक्स्ट शब्दावली
स्पीच सॉफ्टवेयर में कई खास शब्द इस्तेमाल होते हैं, और कुछ का मतलब अलग-अलग कंपनियों के लिए अलग होता है। यह पेज बताता है कि यहाँ हर शब्द का क्या मतलब है।
इस साइट पर खास या कम जाने-पहचाने अर्थ में इस्तेमाल हुए शब्द, और हमारे इस्तेमाल में उनका मतलब।
A
- ASR (ऑटोमैटिक स्पीच रिकग्निशन)
- बोले गए शब्दों को टेक्स्ट में बदलने वाले सॉफ्टवेयर का आम नाम। Whisper ऐसा ही एक सिस्टम है। आम बोलचाल में “स्पीच-टू-टेक्स्ट” का मतलब भी यही है।
D
- डिक्टेशन
- टाइप करने की जगह बोलना, ताकि शब्द उसी ऐप में आ जाएँ जिसमें आप पहले से काम कर रहे हैं। यह लाइव और छोटा होता है। इसकी तुलना ट्रांसक्रिप्शन से कीजिए, जो पहले से मौजूद रिकॉर्डिंग को बाद में टेक्स्ट में बदलता है।
H
- हॉटकी
- कीबोर्ड की कुंजियों का ऐसा संयोजन जो हर जगह काम करता है, किसी एक ऐप के भीतर ही नहीं। Lesskeys डिक्टेशन शुरू और बंद करने के लिए एक हॉटकी इस्तेमाल करता है, ताकि बोलने के लिए आपको विंडो न बदलनी पड़े।
O
- ऑन-डिवाइस
- काम उसी कंप्यूटर पर होता है जो आपके सामने है, किसी कंपनी के सर्वर पर नहीं। Lesskeys के लिए इसका मतलब है कि रिकॉर्डिंग, स्पीच मॉडल और तैयार टेक्स्ट, सब आपके कंप्यूटर पर ही रहते हैं। यह इस बारे में दावा है कि प्रोसेसिंग कहाँ होती है, इसीलिए इसे जाँचा जा सकता है: नेटवर्क बंद कीजिए और यह तब भी चलता है।
S
- वक्ताओं को अलग करना
- एक से ज़्यादा आवाज़ों वाली रिकॉर्डिंग में यह पता लगाना कि कौन बोला और कब। यह ट्रांसक्रिप्शन से अलग काम है: ट्रांसक्रिप्शन पूछता है कि क्या कहा गया, वक्ताओं को अलग करना पूछता है कि किसने कहा। दोनों को मिलाकर ऐसा ट्रांसक्रिप्ट बनता है जिसकी हर पंक्ति के आगे नाम होता है।
- सिस्टम ऑडियो
- वह आवाज़ जो आपके कंप्यूटर पर चल रही है, न कि वह जो आपका माइक्रोफोन सुनता है। सिस्टम ऑडियो और माइक्रोफोन दोनों रिकॉर्ड करने से कॉल के दोनों तरफ़ की बात दर्ज हो जाती है, और मीटिंग में कोई जुड़ता भी नहीं।
T
- ट्रांसक्रिप्शन
- पहले से मौजूद रिकॉर्डिंग, जैसे कोई कॉल, इंटरव्यू या वीडियो, को लिखित टेक्स्ट में बदलना। डिक्टेशन के उलट यह घटना के बाद होता है, और इसमें अक्सर एक से ज़्यादा वक्ता होते हैं।
V
- वॉइस-प्रोफाइल
- किसी खास आवाज़ की बनावट का सहेजा हुआ सार, जिससे अलग-अलग रिकॉर्डिंग में उसी व्यक्ति को पहचाना जाता है। Lesskeys वॉइस-प्रोफाइल आपके कंप्यूटर पर रखता है, और कहीं नहीं।
W
- WER (वर्ड एरर रेट)
- सटीकता मापने का तरीका। यह गिनता है कि सिस्टम ने कितने शब्द गलत किए, यानी बदले, छोड़े या जोड़े, और उसे असल में बोले गए शब्दों के प्रतिशत के रूप में बताता है। जितना कम, उतना बेहतर; 2.5% WER का मतलब है करीब चालीस में से एक शब्द गलत।
- Whisper
- खुले स्पीच-रिकग्निशन मॉडलों का एक परिवार, जो आम हार्डवेयर पर चल सकता है, जिसमें Mac या Windows PC भी शामिल हैं। यह कई आकारों में आता है; बड़ा होना अपने आप बेहतर होना नहीं है, जो हमारे अपने बेंचमार्क ने मापा।
झटपट जवाब
ऑन-डिवाइस का असल मतलब क्या है?
यह कि प्रोसेसिंग किसी कंपनी के सर्वर पर नहीं, आपके अपने कंप्यूटर पर होती है। जाँचने का तरीका आसान है: नेटवर्क बंद कर दीजिए। अगर तब भी यह चलता है, तो यह ऑन-डिवाइस है।
क्या डिक्टेशन और ट्रांसक्रिप्शन एक ही चीज़ हैं?
नहीं। डिक्टेशन लाइव होता है: आप बोलते हैं और शब्द वहीं आ जाते हैं जहाँ आप लिख रहे हैं। ट्रांसक्रिप्शन पहले से मौजूद रिकॉर्डिंग को टेक्स्ट में बदलता है, जिसमें अक्सर एक से ज़्यादा वक्ता होते हैं।
अच्छा वर्ड एरर रेट कितना होता है?
यह ऑडियो पर निर्भर करता है, इसीलिए कोई एक संख्या भ्रम पैदा करती है। साफ़ आवाज़ पर आज के सबसे अच्छे मॉडल लगभग 2–3% रहते हैं, यानी करीब चालीस में से एक शब्द गलत होता है। मुश्किल ऑडियो, जैसे एक साथ बोलते लोग, भारी लहजा या शोर वाला कमरा, हर सिस्टम के लिए कहीं ज़्यादा कठिन होता है।