অডিও থেকে লেখা: ফ্রি উপায় ও নির্ভুলতার টিপস | UltKit

ট্রান্সক্রিপশন ইঞ্জিন আপনার মতো করে শব্দ শোনে না। সে তরঙ্গরূপকে প্রায় ২৫ মিলিসেকেন্ডের পরস্পর-অধিক্রমী ফ্রেমে কেটে প্রতিটি টুকরোকে স্পেকট্রোগ্রামে পরিণত করে, অর্থাৎ ওই মুহূর্তে কোন কোন ফ্রিকোয়েন্সি জোরালো তার একটি মানচিত্র। অ্যাকোস্টিক মডেল সেই মানচিত্র দেখে অনুমান করে কোন কোন বাকধ্বনি আছে: s-এর ফিসফিস, t-এর বিস্ফোরণ, বা যে স্বরধ্বনির আকার ship আর sheep-এর পার্থক্য করে। শুধু এটুকু দিয়ে পড়ার মতো লেখা হয় না, পাওয়া যায় সম্ভাব্য ধ্বনির একটি ধারা।

ল্যাঙ্গুয়েজ মডেল এর বড় অংশ ঠিক করে দেয়। বাস্তব বাক্যে কোন শব্দক্রম সম্ভাব্য তা সে জানে, তাই ধ্বনিগুলো recognize speech বা wreck a nice beach দুটোই হতে পারলে প্রসঙ্গ পাল্লা ঠিক করে দেয়। পুরোনো সিস্টেমে এই দুই অংশ আলাদা থাকত এবং সীমিত, যত্ন করে পড়া উপাদানে প্রশিক্ষিত হতো; তাই ২০১০-এর দশকের ডিক্টেশন সফটওয়্যার উচ্চারণভঙ্গি ও সাধারণ কথাবার্তায় হোঁচট খেত।

২০২২ সালের সেপ্টেম্বরে OpenAI প্রকাশ করে Whisper, ওয়েব থেকে সংগৃহীত প্রায় ৬,৮০,০০০ ঘণ্টার বহুভাষিক অডিওতে প্রশিক্ষিত একটি ওপেন মডেল। এটি অ্যাকোস্টিক ও ল্যাঙ্গুয়েজ অংশকে একটি নেটওয়ার্কে মিলিয়ে ৩০ সেকেন্ডের উইন্ডো পড়ে এবং সরাসরি যতিচিহ্নসহ লেখা তৈরি করে। এই ধারার মডেলের কারণে ভিন্ন উচ্চারণ, মিশ্র শব্দভান্ডার ও এলোমেলো বাস্তব রেকর্ডিং অনেক বেশি ব্যবহারযোগ্য হয়েছে, এবং ব্রাউজার টুলসহ আজকের বেশিরভাগ বিনামূল্যের ট্রান্সক্রিপশন সেবা একই ধরনের কিছু চালায়। তবু এগুলো অনুমান করে, আর অডিও অস্পষ্ট হলে অনুমানটি সাবলীলভাবে লেখে, ফলে ভুল ধরা কঠিন হয়।

নির্ভুলতা সাধারণত ওয়ার্ড এরর রেট দিয়ে মাপা হয়: যত্নে করা মানব ট্রান্সক্রিপ্টের তুলনায় কত শতাংশ শব্দ বদলে গেছে, বাদ পড়েছে বা বানানো হয়েছে। ৫% ত্রুটির হার মানে প্রতি কুড়ি শব্দে একটি ভুল। শুনতে কম লাগে, কিন্তু ভুলগুলো জমে থাকে গুরুত্বপূর্ণ শব্দে, যেমন পদবি, পণ্যের কোড বা বাজেট আলোচনার অঙ্কে।

নিচের কারণগুলো মোটামুটি ক্ষতির ক্রম অনুযায়ী সাজানো। লক্ষ করুন, প্রায় সবই ঠিক হয় রেকর্ড করার সময়, ট্রান্সক্রাইব করার সময় নয়। টেবিলের মাঝখান থেকে ফোনটি বক্তার হাতের নাগালে আনলে পরে বদলানো যেকোনো সেটিংয়ের চেয়ে বেশি কাজ হয়।

বেশিরভাগ রেকর্ডিং যেমন আছে তেমনই দেওয়া যায়। তিন ক্ষেত্রে প্রস্তুতি কাজে লাগে: ফাইল খুব লম্বা বা বড়, কথা নীরবতা বা গানের নিচে চাপা পড়েছে, অথবা মাত্রা এত কম যে শুনতে ভলিউম শেষ পর্যন্ত বাড়াতে হয়। শুরুতে লম্বা নীরবতা শুধু সময় নষ্ট নয়, কারণ অটো-ডিটেক্ট প্রথম ৩০ সেকেন্ড থেকে ভাষা ঠিক করে এবং ঘরের শব্দ বা ইন্ট্রো সুর থেকে ভুল অনুমান করতে পারে। রেকর্ডিং কেটে শুধু কথার অংশ রাখলে, বা শুরু সেট করে তা এড়িয়ে গেলে এটি হয় না।

ফরম্যাট বদলানোর দরকার কমই হয়। iPhone Voice Memos হলো M4A (AAC অডিও), Android রেকর্ডার M4A, AAC বা 3GP বানায়, আর কল রেকর্ডার প্রায়ই AMR; এগুলো সরাসরি আপলোড করা যায়। কমপ্রেস করা ফাইল WAV-এ বদলালে রেকর্ডের সময় বাদ যাওয়া খুঁটিনাটি ফিরে আসে না, যা MP3, WAV, FLAC ও AAC নিয়ে আমাদের গাইডের তুলনায় ব্যাখ্যা করা আছে; তাই টুল ফরম্যাট না নিলে তবেই বদলান। কয়েক ঘণ্টার রেকর্ডিং হলে চা-বিরতি বা বিষয় বদলের মতো স্বাভাবিক বিরতিতে ভাগ করুন, যাতে প্রতিটি অংশ আপলোড সীমার মধ্যে থাকে এবং প্রুফরিড করা সহজ হয়।

পরে কী করবেন তা দেখে আউটপুট বেছে নিন। ট্রান্সক্রিপ্ট পড়বেন, উদ্ধৃত করবেন বা খুঁজবেন হলে সাধারণ টেক্সট বা Word ঠিক; Word অনুচ্ছেদ, টাইমস্ট্যাম্প ও বক্তার লেবেল সম্পাদনার উপযোগী রাখে, আর PDF হলো এমন স্থির কপি পাঠানোর জন্য যা কারও বদলানো উচিত নয়। ভিডিওর ওপর পর্দায় কথা দেখাতে চাইলে সাবটাইটেল ফাইল লাগবে: SRT বা VTT কথাকে ছোট ছোট কিউতে ভাগ করে, প্রতিটির শুরু ও শেষের সময়সহ, আর লাইনের দৈর্ঘ্য ঠিক করে পর্দায় কতটা ধরবে। প্রতি লাইনে ৪২ অক্ষর সম্প্রচারের প্রচলিত মান।

SRT ও VTT একই তথ্য বহন করে, সামান্য পার্থক্য সহ। পুরোনো SubRip প্রোগ্রাম থেকে আসা SRT প্রতিটি কিউয়ে নম্বর দেয় এবং সময়ে কমা বসায় (00:01:15,000)। WebVTT হলো HTML5 ভিডিওর জন্য W3C ফরম্যাট; এটি WEBVTT হেডার দিয়ে শুরু হয়, সময়ে দাঁড়ি ব্যবহার করে এবং স্টাইল ও অবস্থান ঠিক করতে দেয়। YouTube, Vimeo, Premiere Pro ও DaVinci Resolve দুটোই নেয়। শব্দ-পর্যায়ের সময়সহ JSON ডেভেলপারদের জন্য, যারা সার্চ, কারাওকে-ধাঁচের হাইলাইট বা নিজস্ব সাবটাইটেল লেআউট বানান।

কিছু আপলোড করার আগে দেখে নিন আপনার নিজের ডিভাইসেই কী কী সুবিধা আছে। Apple iOS 18-এ Voice Memos অ্যাপে ট্রান্সক্রিপ্ট যোগ করেছে, তাই সাম্প্রতিক iPhone-এ করা রেকর্ডিংয়ের লেখা অ্যাপেই দেখা যায়। Pixel ফোনের Google Recorder অ্যাপ ২০১৯ সাল থেকে রেকর্ডিং চলাকালেই ট্রান্সক্রাইব করে, পুরোপুরি ডিভাইসের ভেতরে, এবং বক্তাদের আলাদাও করতে পারে। Microsoft 365-এ Word for the web-এর Dictate-এর পাশে একটি ট্রান্সক্রাইব করুন কমান্ড আছে, যা আপলোড করা MP3, M4A, WAV ও MP4 ফাইল নেয়, তবে প্রতি মাসে আপলোডের মিনিট সীমিত। Google Docs-এর Voice typing (Tools মেনুতে, Chrome-এ) শুধু সরাসরি মাইক্রোফোনের কথা শোনে; আগে থেকে থাকা ফাইল পড়তে পারে না।

মিটিং প্ল্যাটফর্মও একটি উৎস। ট্রান্সক্রিপশন চালু থাকলে এবং আপনার প্ল্যান বা প্রতিষ্ঠান অনুমতি দিলে Zoom, Microsoft Teams ও Google Meet কলের ট্রান্সক্রিপ্ট তৈরি করতে পারে, আর Otter.ai-এর মতো অ্যাসিস্ট্যান্ট মিটিংয়ে যোগ দিয়ে নোট নেয়। আপনি যে কল হোস্ট করছেন তার জন্য এগুলো সুবিধাজনক, কিন্তু প্রতিটি শুধু নিজের অ্যাপের ভেতরে কাজ করে, রেকর্ড করতে সবার সম্মতি লাগে, আর নিজস্ব ফরম্যাটে এক্সপোর্ট করে। আপনার কাছে আগে থেকেই থাকা ফাইলের জন্য, যেমন পুরনো ইন্টারভিউ, লেকচার রেকর্ডিং বা অন্য কারও পাঠানো ভয়েস নোট, ফাইলভিত্তিক ট্রান্সক্রাইবার সাধারণত সহজ উপায়।

ব্রাউজার টুল সেই ফাঁকগুলো ভরে যা বিল্ট-ইন অপশনে নেই: যেকোনো ডিভাইসের যেকোনো ফাইল, সাবটাইটেল আউটপুট, এবং আপনার ফোন সমর্থন করে না এমন ভাষা। অডিও থেকে লেখা কনভার্টারে ফাইল যোগ করুন, কথ্য ভাষা অটো-ডিটেক্টে রাখুন বা নিজে ভাষা বেছে নিন, একটি আউটপুট নির্বাচন করুন, আর দরকার হলে টাইমস্ট্যাম্প বা বক্তার লেবেল চালু করুন। iPhone-এর ভয়েস মেমোর জন্য আলাদা M4A থেকে লেখা পেজ আছে, আর পডকাস্ট বা রেকর্ডার ফাইলের জন্য MP3 থেকে লেখা; দুটোতেই একই ইঞ্জিন চলে। প্রতিটি ফাইল সর্বোচ্চ 95 MB হতে পারে, অর্থাৎ 128 kbps MP3-এর প্রায় দেড় ঘণ্টা। এর চেয়ে লম্বা হলে শুরু ও শেষ ব্যবহার করে অংশে অংশে ট্রান্সক্রাইব করুন, অথবা আগে রেকর্ডিং কেটে নিন।

প্রত্যাশা বাস্তবসম্মত রাখুন। শান্ত ঘরে ভালো মাইক্রোফোনে একজন বক্তার কথা সাধারণত 90–95% বা তার বেশি সঠিক হয়, হালকা সম্পাদনার পর প্রকাশযোগ্য হওয়ার মতো। ব্যস্ত রেস্তোরাঁয় টেবিলে রাখা ফোন, বারবার কেটে যাওয়া কনফারেন্স কল, বা যেখানে সবাই একে অপরকে থামিয়ে কথা বলে এমন প্যানেলে মান অনেক নেমে যেতে পারে, পুরো বাক্যও বাদ পড়তে পারে। কণ্ঠ স্পষ্টভাবে আলাদা হলে এবং সবাই পালা করে বললে বক্তার লেবেল নির্ভরযোগ্য; দুটি কাছাকাছি কণ্ঠ আপনার ধারণার চেয়ে বেশি গুলিয়ে ফেলা হয়।

শুধু লেখা দেখে নয়, অডিও চালু রেখে প্রুফরিড করুন, কারণ আধুনিক মডেল ভুল হলেও ব্যাকরণসম্মত বাক্য লেখে। প্রতিটি নাম যাচাই করুন, কারণ আপনার সহকর্মী Caitlin লেখেন নাকি Katelyn, মডেল তা জানতে পারে না। প্রতিটি সংখ্যা দেখুন: fifteen ও fifty, তারিখ, দাম ও শতাংশ সহজেই ভুল শোনা হয়। their/there, affect/effect, complement/compliment-এর মতো সমউচ্চারিত শব্দ এবং অডিও অস্পষ্ট থাকলে আত্মবিশ্বাসী ভরাট লেখার দিকে নজর রাখুন। টাইমস্ট্যাম্প এতে কাজ দ্রুত করে, কারণ সন্দেহজনক লাইনটি ঠিক যে মুহূর্তে বলা হয়েছিল সেখানে সরাসরি যাওয়া যায়।

রেকর্ডিংয়ে প্রায়ই ডকুমেন্টের চেয়ে বেশি ব্যক্তিগত তথ্য থাকে: কণ্ঠস্বর, নাম, স্বাস্থ্যের তথ্য, বেতনের অঙ্ক। আপলোডের আগে জেনে নিন ফাইল কোথায় যায় এবং কতক্ষণ থাকে। UltKit-এ আপলোড সার্ভারে প্রসেস হয় এবং প্রসেসিংয়ের 30 মিনিট পর নিজে থেকেই মুছে যায়; কোনো অ্যাকাউন্ট নেই, তাই কিছুই আপনার নামের সঙ্গে যুক্ত হয় না। Pixel Recorder অফলাইনে কাজ করে, তাই অডিও ফোনের বাইরে যায় না। গোপনীয়তা চুক্তি, চিকিৎসা বা আইনি সুরক্ষার আওতাভুক্ত কিছুর ক্ষেত্রে আগে আপনার প্রতিষ্ঠানের নীতি দেখে নিন; কিছু প্রতিষ্ঠান শুধু অনুমোদিত, চুক্তিবদ্ধ সেবা ব্যবহার করতে বলে।

ভাষার সমর্থন বিস্তৃত কিন্তু সমান নয়। ট্রান্সক্রাইবার 33টি ভাষা সমর্থন করে, যার মধ্যে English, Spanish, French, German, Portuguese, Arabic, Hindi, Japanese, Korean, Chinese ও Ukrainian আছে, আর সবচেয়ে বেশি ট্রেনিং ডেটা আছে যেসব ভাষায় সেগুলোতেই ফল সবচেয়ে ভালো। অটো-ডিটেক্ট প্রতি ফাইলে একটি ভাষা বেছে নেয়। মিটিং দুই ভাষার মধ্যে বদলালে প্রতিটি অংশ হাতে ভাষা ঠিক করে আলাদাভাবে ট্রান্সক্রাইব করুন। ট্রান্সক্রিপ্ট সবসময় যে ভাষায় কথা বলা হয়েছে সেই ভাষাতেই লেখা হয়; অনুবাদ আলাদা ধাপ, যা পরে লেখার ওপর করতে হয়।

ট্রান্সক্রিপ্ট ব্যর্থ হওয়ার পেছনে সাধারণত হাতে গোনা কয়েকটি কারণ থাকে, আর সমাধানও বেশিরভাগ সময় ফাইলে বা একটি সেটিংয়ে, অন্য সার্ভিস চেষ্টা করায় নয়। অডিও এত খারাপ হলে যে আপনি নিজেই স্বচ্ছন্দে বুঝতে পারছেন না, মেশিনেরও ঠিক ততটাই কষ্ট হবে; তখন লম্বা স্বয়ংক্রিয় ট্রান্সক্রিপ্ট সংশোধনের চেয়ে মূল অংশগুলো হাতে লিখে নেওয়াই দ্রুত হতে পারে।