होम › ऑन-डिवाइस ट्रांसक्रिप्शन क्या है

शब्द-परिचय

ऑन-डिवाइस ट्रांसक्रिप्शन क्या है? (लोकल और ऑफलाइन प्रोसेसिंग का मतलब)

ऑन-डिवाइस ट्रांसक्रिप्शन का मतलब है कि आवाज़ को टेक्स्ट में बदलने का काम आपके अपने कंप्यूटर के भीतर होता है, किसी सर्वर पर नहीं। हिंदी में इसे लोकल ट्रांसक्रिप्शन या ऑफलाइन आवाज़ पहचान भी कहते हैं। चूँकि रिकॉर्डिंग कहीं भेजी ही नहीं जाती, इसके लिए न इंटरनेट चाहिए, न कोई अकाउंट।

परिभाषा: ऑन-डिवाइस, लोकल और ऑफलाइन — तीनों एक ही बात

ऑन-डिवाइस ट्रांसक्रिप्शन (on-device transcription) का मतलब है कि आवाज़ को टेक्स्ट में बदलने का पूरा काम आपके अपने कंप्यूटर के भीतर होता है। हिंदी लेखों में इसे 'लोकल ट्रांसक्रिप्शन' या 'ऑफलाइन आवाज़ पहचान' भी लिखा जाता है, और तीनों शब्द एक ही चीज़ की ओर इशारा करते हैं: जो मॉडल आवाज़ को शब्दों में बदलता है, उसकी फाइल आपकी अपनी मशीन पर पड़ी रहती है, और गणना आपकी अपनी चिप पर चलती है।

इसका उल्टा है क्लाउड ट्रांसक्रिप्शन — वहाँ रिकॉर्डिंग की फाइल इंटरनेट से होकर किसी कंपनी के सर्वर तक जाती है, वहीं बदली जाती है, और आपके पास सिर्फ़ नतीजा लौटता है। यहीं एक भ्रम भी साफ़ कर लेना चाहिए: 'एन्क्रिप्टेड अपलोड' ऑन-डिवाइस नहीं होता। रास्ता चाहे जितना सुरक्षित हो, ऑडियो पहुँचता किसी और के सर्वर पर ही है। ऑन-डिवाइस तरीके में भेजने का चरण होता ही नहीं, इसलिए सवाल 'कितनी सुरक्षा से भेजा गया' से बदलकर 'भेजा ही नहीं गया' हो जाता है।

फाइल किस रास्ते जाती है

दोनों तरीकों को भावना की तरह नहीं, डेटा के रास्ते की तरह देखिए। सवाल हमेशा चार ही होते हैं: फाइल किसके पास जाती है, कब जाती है, कितनी देर वहाँ रहती है, और उसे कौन-कौन देख सकता है।

• क्लाउड तरीका — रिकॉर्डिंग बनी → फाइल अपलोड हुई → सर्वर पर कतार में लगी → वहाँ टेक्स्ट बना → नतीजा वापस आया → और ऑडियो तथा टेक्स्ट की एक प्रति उस सेवा के पास रह गई, जिसकी अवधि और नीति हर कंपनी की अलग होती है।
• ऑन-डिवाइस तरीका — रिकॉर्डिंग बनी → उसी कंप्यूटर पर टेक्स्ट बना → काम खत्म। ऑडियो और टेक्स्ट दोनों शुरू से आखिर तक आपके पास ही रहते हैं, और ऊपर के चारों सवाल पैदा ही नहीं होते।

भारत में इसका एक बहुत ठोस, रोज़मर्रा वाला फ़ायदा भी है जिसकी चर्चा कम होती है: यहाँ अपलोड स्पीड आमतौर पर डाउनलोड से बहुत कम रहती है। दो घंटे की मीटिंग की फाइल क्लाउड सेवा पर चढ़ाने में जो समय और मोबाइल डेटा लगता, वह लगता ही नहीं — क्योंकि फाइल कहीं चढ़ती ही नहीं। ट्रेन में, फ्लाइट में, या दफ़्तर के उस बंद नेटवर्क के पीछे जहाँ से बाहर कुछ भेजा ही नहीं जा सकता, काम उसी तरह चलता है।

क्लाउड और लोकल में फर्क

ईमानदारी से लिखें तो क्लाउड सेवाओं के अपने फ़ायदे हैं। सैकड़ों घंटे का ऑडियो एक रात में निपटाना हो, ब्राउज़र भर से काम चलाना हो, या पूरी टीम को एक ही जगह ट्रांसक्रिप्ट देखने-संपादित करने देना हो — वहाँ क्लाउड ज़्यादा सुविधाजनक है। ऑन-डिवाइस तरीका तब जीतता है जब ऑडियो बाहर भेजा ही नहीं जा सकता, नेटवर्क भरोसे का नहीं है, या आप हर महीने बढ़ता हुआ बिल नहीं चाहते।

Apple Silicon क्यों ज़रूरी है

यह तरीका मुफ़्त में नहीं आता — कीमत हार्डवेयर चुकाता है। जो काम पहले सर्वर के बड़े ग्राफ़िक्स कार्ड करते थे, वही यहाँ आपके लैपटॉप की चिप को करना है। मॉडल Apple Silicon के GPU पर चलता है, इसलिए Apple Silicon (M1 या उसके बाद का) Mac ज़रूरी है — यह 'अनुशंसित' नहीं, अनिवार्य शर्त है, और Intel वाले पुराने Mac पर यह चलता ही नहीं। ऑपरेटिंग सिस्टम macOS 13 (Ventura) या उससे नया चाहिए।

दूसरी व्यावहारिक शर्त जगह की है: भाषा-मॉडल की फाइल कुछ सौ मेगाबाइट से लेकर डेढ़-दो गीगाबाइट तक की होती है और वह एक बार डाउनलोड होकर आपकी डिस्क पर बैठ जाती है। यह पहला डाउनलोड ही एकमात्र मौका है जब इंटरनेट चाहिए; उसके बाद नेटवर्क पूरी तरह बंद रखकर भी काम चलता है।

शुद्धता असल में किन बातों से तय होती है

एक पुरानी धारणा है कि 'भारी काम सर्वर का, डिवाइस पर तो हल्का संस्करण चलेगा'। अब यह बात पुरानी पड़ चुकी है, क्योंकि बड़े मॉडल सीधे लैपटॉप की चिप पर चल जाते हैं। पर असली बात यह है कि शुद्धता का सबसे बड़ा कारण तरीका है ही नहीं — ऑडियो की गुणवत्ता है। हम यहाँ जानबूझकर कोई प्रतिशत नहीं लिख रहे, क्योंकि हमारे पास कोई ऐसा मापा हुआ आँकड़ा नहीं है जिसे हर रिकॉर्डिंग पर सच कहा जा सके।

नतीजा इन बातों से बिगड़ता है:

• माइक की दूरी — मेज़ के बीच में रखा एक अकेला फोन सबसे खराब स्थिति है; बोलने वाले के पास का माइक सबसे अच्छी।
• पृष्ठभूमि का शोर — पंखा, एयर-कंडीशनर, सड़क का ट्रैफ़िक, बगल की मेज़ की बातचीत।
• एक साथ बोलना — दो लोग एक-दूसरे के ऊपर बोलें तो दोनों का हिस्सा कटता है।
• स्पीकरफोन पर रखा फोन-कॉल — कॉल का ऑडियो पहले ही दबा हुआ होता है, फिर उसे कमरे की हवा से दोबारा रिकॉर्ड करना दोहरा नुकसान है।
• नाम और तकनीकी शब्द — व्यक्तियों, कंपनियों, उत्पादों और भीतर के शब्दों को कोई भी सिस्टम अपने-आप ठीक नहीं लिखेगा; इन्हें आप पढ़कर सुधारेंगे, यह मान कर चलिए।

इनमें से ज़्यादातर का इलाज क्लाउड पर जाना नहीं, बल्कि रिकॉर्ड करने का तरीका बदलना है।

एक शब्द-भेद जो हिंदी में बार-बार गड़बड़ाता है

हिंदी में 'आवाज़ पहचानना' दो बिल्कुल अलग कामों के लिए इस्तेमाल हो जाता है। यहाँ इसका अर्थ है बोले गए शब्दों को टेक्स्ट में बदलना — यानी वह जो इस पूरे पेज का विषय है। यह किस व्यक्ति की आवाज़ है, यह पहचानना एक अलग काम है; अंग्रेज़ी में उसे speaker diarization कहते हैं और उसका विवरण कौन बोल रहा है, यह अलग करने वाले पेज पर है। दोनों एक ही रिकॉर्डिंग पर साथ-साथ चल सकते हैं, पर हैं दो अलग चीज़ें।

कहाँ यह तरीका सही बैठता है, कहाँ नहीं

सही बैठता है — क्लाइंट के साथ गोपनीय मीटिंग, नियुक्ति-साक्षात्कार और HR की बातचीत, शोध और पत्रकारिता के इंटरव्यू, वह हर दफ़्तर जहाँ IT नीति बाहरी अपलोड पर रोक लगाती है, और वे जगहें जहाँ नेटवर्क भरोसे का नहीं है।

सही नहीं बैठता — Windows या Intel वाला Mac (यह ऐप केवल Apple Silicon पर चलता है), और वह काम जहाँ पूरी टीम को एक साझा ऑनलाइन जगह पर मिलकर ट्रांसक्रिप्ट संपादित करना है।

जहाँ बातचीत में दूसरे लोग शामिल हैं, वहाँ एक बात तरीके से अलग है और उसे तरीका हल नहीं करता: रिकॉर्डिंग शुरू करने से पहले सबको एक वाक्य में बता देना अच्छी आदत भी है और भरोसे की बात भी। प्रोसेसिंग कहीं भी हो, दूसरे की रिकॉर्डिंग उसकी निजी बात रहती है। यह जानकारी है, कानूनी सलाह नहीं — अपने मामले के लिए अपनी लीगल या कम्प्लायंस टीम से पुष्टि कीजिए।

Mac पर ऑन-डिवाइस ट्रांसक्रिप्शन

Lesskeys इसी एक तरीके पर बना Mac ऐप है। यह दोनों काम करता है — बोलकर लिखना और रिकॉर्डिंग या फाइल से ट्रांसक्रिप्ट बनाना — और पहचान का सारा काम आपके Mac के भीतर ही होता है। यह 99 भाषाओं में काम करता है और भाषा अपने-आप पहचानी जाती है। बोलकर लिखने पर टेक्स्ट क्लिपबोर्ड में कॉपी होता है और आप ⌘V दबाकर चिपकाते हैं — ऐप किसी दूसरे ऐप में खुद टाइप नहीं करता।

ज़रूरतें: macOS 13 या नया, Apple Silicon (M1 या नया) — Intel Mac पर नहीं चलेगा। Mac App Store से डाउनलोड मुफ़्त है; आगे चलकर Pro को एक बार के $49.99 इन-ऐप परचेज़ से खोला जाता है, कोई सब्सक्रिप्शन नहीं। मुफ़्त वर्ज़न में बोलकर लिखना रोज़ 5 मिनट, और कुल 5 ऑडियो तथा 5 वीडियो ट्रांसक्रिप्शन (जीवनभर में, रोज़ नहीं) मिलते हैं; रिकॉर्डिंग असीमित है और जो एक बार ट्रांसक्राइब हो चुका उसे दोबारा चलाना मुफ़्त है। तरीका शुरू से आखिर तक आवाज़ को टेक्स्ट में कैसे बदलें पर लिखा है।

अक्सर पूछे जाने वाले सवाल

संबंधित पेज