दूसरी भाषाओं में रिकॉर्डिंग का ट्रांसक्रिप्शन: मॉडल कहाँ अच्छा करते हैं और कहाँ लड़खड़ाते हैं

जो पढ़ाई, शोध या अंतरराष्ट्रीय काम करता है, उसे अक्सर एक से ज़्यादा भाषाओं में रिकॉर्डिंग मिल जाती हैं: तुर्की में एक इंटरव्यू, अरबी में पारिवारिक रिकॉर्डिंग, अंग्रेज़ी में अतिथि व्याख्यान, या ऐसी मीटिंग जहाँ पोलिश और जर्मन घुली-मिली चलती हैं। आधुनिक स्पीच पहचान इसे आश्चर्यजनक रूप से अच्छी तरह संभालती है — अगर आप उसकी कमज़ोरियाँ जानते हैं।

मॉडल कितनी भाषाएँ पहचानते हैं?

OpenAI का Whisper 99 भाषाओं पर प्रशिक्षित हुआ था; Sprechverlauf मुफ़्त ट्रायल में तेज़ Whisper Large v3 Turbo इस्तेमाल करता है। Microsoft MAI-Transcribe-2, जो भुगतान वाले प्लान का मॉडल है, अपने मॉडल कार्ड के अनुसार 60 भाषाएँ सपोर्ट करता है और वक्ताओं को अलग भी करता है। Microsoft FLEURS बेंचमार्क पर औसत शब्द-त्रुटि दर (word error rate) 5.2 प्रतिशत बताता है। यह औसत है: बहुत सारे प्रशिक्षण डेटा वाली बड़ी भाषाएँ बेहतर करती हैं, और कम प्रचलित भाषाएँ कमज़ोर।

समस्या 1: निकट-संबंधी भाषाएँ

क्रोएशियाई, सर्बियाई और बोस्नियाई; हिंदी और उर्दू; मलय और इंडोनेशियाई: ये इतनी मिलती-जुलती लगती हैं कि छोटे क्लिप पर अपने-आप भाषा पहचानना चूक सकता है। किसी सर्बियाई इंटरव्यू का नतीजा क्रोएशियाई वर्तनी में आ सकता है, या उर्दू अरबी लिपि के बजाय देवनागरी में लिखी जा सकती है। इसका हल सरल है: शुरू करने से पहले भाषा साफ़ तौर पर चुनें।

समस्या 2: बोलियाँ और स्लैंग

अरबी इसका सबसे साफ़ उदाहरण है: मिस्री, लेवांटाइन और मोरक्को की अरबी बहुत अलग हैं, फिर भी ज़्यादातर लेखन आधुनिक मानक अरबी (Modern Standard Arabic) में होता है। मॉडल बोली हुई बोली को मानक भाषा की ओर चिकना करने लगते हैं या क्षेत्रीय शब्दों को गलत सुनते हैं। यही बात, कम हद तक, स्विस जर्मन, ब्राज़ीलियाई पुर्तगाली या कैंटोनीज़ पर भी लागू होती है।

समस्या 3: सुर-आधारित भाषाएँ और बिना स्पेस वाली लिपियाँ

चीनी, वियतनामी या थाई में पिच किसी अक्षर का अर्थ बदल देती है। रिवर्ब, संगीत और भारी कम्प्रेशन ठीक उसी को धुंधला करते हैं — यहाँ साफ़ रिकॉर्डिंग दोगुनी मायने रखती है। चीनी, जापानी और थाई में शब्द स्पेस से अलग भी नहीं होते; शब्दों की सीमाएँ मॉडल को खुद तय करनी पड़ती हैं। नामों और तकनीकी शब्दों की ध्यान से जाँच करें।

समस्या 4: बातचीत के बीच भाषा बदलना

कई परिवारों और टीमों में लोग वाक्य के बीच में भाषा बदल देते हैं। अगर आप एक भाषा तय करते हैं, तो मॉडल को सब कुछ उसी में लिखना पड़ता है। मिश्रित रिकॉर्डिंग के लिए “automatic” बेहतर विकल्प है; Microsoft का कहना है कि MAI-Transcribe-2 इसी तरह के code-switching के लिए बना है।

संक्षेप में

• एक भाषा: शुरू करने से पहले उसे चुनें, खासकर छोटे क्लिप और निकट-संबंधी भाषाओं के लिए।
• बातचीत में कई भाषाएँ: उसे “automatic” पर छोड़ दें।
• बोली: विचलन की उम्मीद रखें और टाइमस्टैम्प पर उद्धरण जाँचें।
• सुर-आधारित भाषाएँ: साफ़ रिकॉर्ड करें, पृष्ठभूमि में संगीत न हो।