लंबी रिकॉर्डिंग का ट्रांसक्रिप्शन: उम्मीद करने के बजाय उन्हें सही तरह से बाँटें

90 मिनट का लेक्चर, कॉन्फ़्रेंस का एक पूरा दिन, लंबा नैरेटिव इंटरव्यू: जो नियमित रूप से ट्रांसक्रिप्शन करता है, उसके लिए ऐसी रिकॉर्डिंग आम बात है। किसी मॉडल को उसे एक ही टुकड़े में भेजना सुविधाजनक लगता है — जब तक मिनट 80 पर आई कोई गड़बड़ी पूरी फ़ाइल दोबारा न करवा दे, ट्रांसक्रिप्ट एक अपठनीय दीवार जैसा ब्लॉक न बन जाए, या आपकी सीमा खत्म न हो जाए। पहले बाँटना तेज़ है, और गलती की कीमत दो घंटे नहीं, कुछ मिनट होती है।

कब बाँटना सचमुच फ़ायदेमंद है?

हर लंबी फ़ाइल को काटना ज़रूरी नहीं। तीन सवाल तय करते हैं: फ़ाइल सेवा की सीमाओं में फ़िट होती है या नहीं, पूरी लंबाई में वक्ताओं के लेबल एक जैसे रखने हैं या नहीं, और दोबारा चलाने में कितना समय और मेहनत लगेगी। Sprechverlauf पर मुफ़्त ट्रायल 10 मिनट तक की फ़ाइलें कवर करता है; किसी प्लान में एक बार में 4 घंटे तक की अनुमति है, और लंबी रिकॉर्डिंग वैसे भी अंदरूनी तौर पर 30-मिनट के हिस्सों में बाँटी जाती हैं। फिर भी खुद बाँटना फ़ायदेमंद रहता है, जब आप हिस्सों को अलग-अलग फ़ाइल करना चाहें या किसी एक हिस्से को अकेले दोबारा चलाना चाहें।

एक नियम: वाक्य के बीच कभी न काटें

स्पीच पहचान संदर्भ से काम करती है। किसी वाक्य को बीच से काटें तो दोनों हिस्से उसका अर्थ खो देते हैं: पहला हिस्सा अधूरा छूट जाता है, दूसरा बिना संदर्भ के शुरू होता है। तकनीकी शब्दों और नामों के साथ यह सबसे ज़्यादा नुकसान करता है, ठीक उन्हीं जगहों पर जहाँ मॉडल आसपास के शब्दों पर सबसे ज़्यादा निर्भर रहता है। इसके बजाय किसी विराम के दौरान काटें — आदर्श रूप से वहाँ, जहाँ विषय वैसे भी बदल रहा हो।

• एजेंडा के बिंदुओं, स्लाइड या प्रश्नोत्तर के दौरों के बीच काटें
• जोड़ पर कोई शब्द गायब न हो, इसलिए दो से तीन सेकंड का ओवरलैप रखें
• अभिवादन, ऑडियो जाँच और विदाई पूरी तरह हटा दें
• शुद्ध संगीत, तालियाँ और सेटअप वाले हिस्से पहले ही हटा दें
• हिस्सों के नाम क्रम से रखें: “lecture-01”, “lecture-02”, न कि “new” और “new-final”

ffmpeg से बाँटना: दो कमांड काफ़ी हैं

ffmpeg मुफ़्त है, हर जगह चलता है, और जब तक आप न कहें, आपकी ऑडियो को दोबारा एन्कोड नहीं करता। यह कमांड फ़ाइल को 25-मिनट के हिस्सों (1500 सेकंड) में काटती है और ऑडियो को अछूता छोड़ती है:

• ffmpeg -i lecture.m4a -f segment -segment_time 1500 -c copy part_%02d.m4a
• ffmpeg -i lecture.wav -ac 1 -b:a 64k lecture.mp3 (बाँटने से पहले स्पीच रिकॉर्डिंग को काफ़ी छोटा कर देता है)
• ffmpeg -i lecture.m4a -ss 00:12:30 -to 00:41:00 -c copy excerpt.m4a (एक खास हिस्सा काटकर निकालता है)

मोनो और 64 kbit/s सुनने में सख़्त लगता है, पर स्पीच के लिए यह बेझिझक चलता है: मॉडल को न स्टीरियो की चौड़ाई चाहिए, न संगीत-स्तर की रिज़ॉल्यूशन। एक घंटे की बातचीत लगभग 30 MB में आराम से समा जाती है। मूल फ़ाइल सहेजकर रखें और छोटी कॉपी से काम करें — आप हमेशा कॉपी को बाँटते हैं, मास्टर को कभी नहीं।

कमांड लाइन के बिना बाँटना

अगर आप टर्मिनल नहीं खोलना चाहते, तो Audacity भी उतनी ही दूर तक ले जाती है: फ़ाइल खोलें, कोई रेंज चुनें, फिर “File → Export → Export Selected Audio” चुनें। यहाँ वेवफ़ॉर्म व्यू का कमांड लाइन पर साफ़ फ़ायदा है — विराम पतले हिस्सों के रूप में दिखते हैं, इसलिए आप कट पॉइंट अंदाज़े से नहीं, देखकर चुन सकते हैं। फ़ोन पर बिल्ट-इन वॉइस मेमो ऐप्स यही काम करते हैं, हालाँकि कुछ मोटे तौर पर।

बाँटने के बाद: टाइमस्टैम्प शून्य से फिर शुरू होते हैं

हर ट्रांसक्रिप्ट अपनी फ़ाइल की शुरुआत से गिनता है। इसलिए किसी लेक्चर का दूसरा हिस्सा फिर से 00:00 पर शुरू होता है, जबकि वह असल में मिनट 25 से शुरू होता है। हिस्से मिलाते समय हर टाइमस्टैम्प में शुरुआती ऑफ़सेट जोड़ना पड़ता है, वरना आपके सारे संदर्भ गलत जगह की ओर इशारा करेंगे। SRT और VTT फ़ाइलों के लिए ज़्यादातर सबटाइटल एडिटर यह काम “shift” या “offset times” नाम के फ़ंक्शन में करते हैं।

• मूल फ़ाइल हाथ से निकलने से पहले हर हिस्से का शुरुआती ऑफ़सेट लिख लें
• टेक्स्ट एक्सपोर्ट मिलाते समय हर हिस्से के लिए एक उप-शीर्षक जोड़ें
• उद्धरण हिस्से के नंबर और समय के साथ दें, जैसे “हिस्सा 2, 07:41”
• सबटाइटल तभी मिलाएँ जब उनके समय खिसकाए जा चुके हों

वक्ता के लेबल हिस्सों के पार नहीं जाते

स्पीकर डिटेक्शन हर फ़ाइल को अलग से विश्लेषित करता है। पहले हिस्से का “Speaker 1” और दूसरे हिस्से का “Speaker 1” एक ही व्यक्ति हों, यह ज़रूरी नहीं — दोनों रन एक-दूसरे के बारे में कुछ नहीं जानते। यह तरीके का स्वभाव है, कोई बग नहीं। व्यवहार में: हर हिस्से की शुरुआती कुछ सेकंड सुनें और हिस्से मिलाने से पहले सामान्य लेबल को असली नामों से बदल दें।

जब सटीक वक्ता-पहचान सबसे ज़रूरी हो — जैसे कोई सुनवाई, या छह प्रतिभागियों वाली समूह चर्चा — तो पूरी तरह न बाँटने के पक्ष में मज़बूत तर्क है। तब वक्ताओं की संख्या साफ़ बताएँ और अतिरिक्त प्रोसेसिंग समय स्वीकार करें।

काम करने का एक व्यावहारिक क्रम

• मूल फ़ाइल सहेजें और मोनो MP3 के रूप में एक कार्यकारी कॉपी बनाएँ
• रिकॉर्डिंग एक बार सरसरी तौर पर सुनें और विरामों पर कट पॉइंट चिह्नित करें
• 20 से 30 मिनट के हिस्सों में बाँटें और क्रम से नंबर दें
• हिस्से एक-एक करके ट्रांसक्राइब करें, पहले भाषा और मुख्य शब्द तय करते हुए
• हर हिस्से में वक्ता के लेबल असली नामों से बदलें
• टाइमस्टैम्प को शुरुआती ऑफ़सेट से खिसकाएँ और टेक्स्ट मिलाएँ
• संख्याएँ, नाम और उद्धरण ऑडियो से मिलाकर स्पॉट-चेक करें