दस मिनट की रिकॉर्डिंग कुछ सेकंड में टेक्स्ट बन जाए, तो काम की बात है। बस तालियाँ बजाने से पहले हम वह टेक्स्ट देखना चाहेंगे।
USDT स्टेबलकॉइन के पीछे की कंपनी Tether ने QVAC TranscribePsy नाम का स्पीच-टू-टेक्स्ट मॉडल जारी किया है। डेवलपर इससे ऐसे ऐप बना सकते हैं जो रिकॉर्डिंग को डिवाइस पर ही प्रोसेस करें, ऑडियो किसी दूर के सर्वर पर भेजे बिना।
स्मार्ट चश्मे, इंसान जैसे रोबोट और निजता के बड़े-बड़े वादे हटा दें, तो घोषणा इतनी है: रिकॉर्डिंग को आपके डिवाइस पर ही टेक्स्ट में बदलने वाला सॉफ़्टवेयर। बातचीत किसी और के सर्वर पर न जाना एक असली फ़ायदा है। इससे यह पता नहीं चलता कि सॉफ़्टवेयर आपकी बात कितनी सही लिखेगा।
तेज़ी आधी कहानी है
असली सवाल है कि तैयार टेक्स्ट में कितनी ग़लतियाँ सुधारनी पड़ेंगी। असली बैठक साफ़-सुथरी स्क्रिप्ट के हिसाब से नहीं चलती। लोग बुदबुदाते हैं, एक-दूसरे की बात काटते हैं और अनजाने नाम लेते हैं। एक अंक ग़लत लिखना दस कॉमा छूट जाने से कहीं ज़्यादा भारी पड़ सकता है।
Tether ने सटीकता के नतीजे भी प्रकाशित किए हैं। उसके परीक्षणों में 25 भाषाओं वाले मॉडल की शब्द पहचानने में ग़लती की दर Open ASR पर 8.02% और Common Voice पर 21.56% है। दोनों आँकड़े अलग डेटासेट से आए हैं, इसलिए इन्हें सटीकता के एक जैसे पैमाने मानकर नहीं पढ़ना चाहिए।
ये आँकड़े देखने लायक हैं। लेकिन ये नहीं बताते कि आपकी अगली बैठक के टेक्स्ट में कितनी काट-छाँट करनी पड़ेगी। हमने मॉडल का स्वतंत्र परीक्षण नहीं किया है। अगर तैयार टेक्स्ट में ढेर सारे सुधार चाहिए, तो तेज़ प्रोसेसिंग बस आपको उस काम तक जल्दी पहुँचा देती है।
उन 1.65 सेकंड की बात भी कर लें
Tether के मुताबिक, मॉडल iPhone 17 Pro Max पर दस मिनट के ऑडियो को 1.65 सेकंड में टेक्स्ट में बदल देता है। उसके तकनीकी दस्तावेज़ों में एक अहम शर्त है: इस समय में 12.7 सेकंड का कोल्ड स्टार्ट शामिल नहीं है, जब मॉडल को चलने के लिए तैयार किया जाता है।
यह शुरुआती देरी हर रिकॉर्डिंग पर नहीं होती। 1.65 सेकंड का आँकड़ा मॉडल तैयार होने के बाद की प्रोसेसिंग का है, बंद अवस्था से शुरू करने के बाद के पूरे इंतज़ार का नहीं। यह एक ख़ास फ़ोन पर मिला नतीजा भी है, हर हैंडसेट के लिए वादा नहीं।
बोलते-बोलते टेक्स्ट बनाना अभी बाक़ी है
रीयल-टाइम बातचीत की तमाम चर्चा के बावजूद, आधिकारिक तकनीकी FAQ कहता है कि यह संस्करण रिकॉर्डिंग या बोला गया अंश ख़त्म होने के बाद उसे प्रोसेस करता है। आवाज़ आते ही उसे लगातार पहचानने की सुविधा अभी विकसित की जा रही है।
फ़ोन के लिए उपलब्ध तैयार संस्करण आठ भाषाओं को सपोर्ट करते हैं। रूसी समेत 25 भाषाओं वाला मॉडल कंप्यूटर और सर्वर के लिए अलग संस्करण है। उन ज़्यादा भाषाओं का सपोर्ट उपलब्ध मोबाइल संस्करणों में अपने-आप नहीं आ जाता।
अब ज़रा असली बातचीत पर आज़माइए
यहाँ कुछ आज़माने लायक है: डाउनलोड किए जा सकने वाले मॉडल, डिवाइस पर प्रोसेसिंग, प्रकाशित परीक्षण और मॉडल के विवरण में दर्ज Apache 2.0 लाइसेंस। डेवलपरों के पास काम करने के लिए असली सॉफ़्टवेयर है।
अब ऐसी बातचीत पर आज़माइए जिसमें पीछे शोर हो और लोग एक-दूसरे की बात काट रहे हों। बना हुआ टेक्स्ट प्रकाशित कीजिए, सुधार गिनिए और उसी रिकॉर्डिंग पर किसी मौजूदा टूल से तुलना कीजिए। स्पीच-टू-टेक्स्ट सॉफ़्टवेयर की जगह तब बनती है, जब वह काम बचाए। रोबोट इंतज़ार कर सकते हैं।