آڈیو سے ٹیکسٹ کیسے بنائیں: مفت طریقے اور درستگی کے مشورے

ٹرانسکرپشن انجن الفاظ کو اس طرح نہیں سنتا جیسے آپ سنتے ہیں۔ وہ ویو فارم کو تقریباً 25 ملی سیکنڈ کے ایک دوسرے پر چڑھے ہوئے فریموں میں کاٹتا ہے اور ہر ٹکڑے کو اسپیکٹروگرام میں بدل دیتا ہے، یعنی ایک نقشہ جو بتاتا ہے کہ اس لمحے کون سی فریکوئنسیاں بلند ہیں۔ ایکوسٹک ماڈل اس نقشے کو دیکھ کر اندازہ لگاتا ہے کہ کون سی آوازیں موجود ہیں: s کی سنسناہٹ، t کا جھٹکا، اور وہ حرکات کی شکلیں جو ship اور sheep میں فرق کرتی ہیں۔ تنہا یہ صرف ممکنہ آوازوں کا سلسلہ دیتا ہے، پڑھنے کے قابل متن نہیں۔

لینگویج ماڈل اس کا بڑا حصہ درست کرتا ہے۔ وہ جانتا ہے کہ حقیقی جملوں میں کون سے الفاظ کے سلسلے ممکن ہیں، اس لیے جب آوازیں recognize speech بھی ہو سکتی ہوں اور wreck a nice beach بھی، تو سیاق و سباق فیصلہ کرتا ہے۔ پرانے نظام ان دونوں حصوں کو الگ رکھتے تھے اور محدود، احتیاط سے پڑھے گئے مواد پر تربیت دیتے تھے، اسی لیے 2010 کی دہائی کا ڈکٹیشن سافٹ ویئر لہجوں اور عام بول چال پر لڑکھڑاتا تھا۔

ستمبر 2022 میں OpenAI نے Whisper جاری کیا، ایک اوپن ماڈل جو ویب سے جمع کی گئی تقریباً 680,000 گھنٹے کی کثیر لسانی آڈیو پر تربیت یافتہ ہے۔ یہ ایکوسٹک اور لینگویج حصوں کو ایک ہی نیٹ ورک میں سمیٹ دیتا ہے جو 30 سیکنڈ کی کھڑکیاں پڑھ کر براہِ راست رموزِ اوقاف کے ساتھ متن لکھتا ہے۔ اس خاندان کے ماڈلز نے لہجوں، ملی جلی لغت اور بے ترتیب حقیقی ریکارڈنگز کو کہیں زیادہ قابلِ استعمال بنا دیا، اور آج زیادہ تر مفت ٹرانسکرپشن سروسز، بشمول براؤزر ٹولز، اسی جیسا کچھ چلاتی ہیں۔ پھر بھی وہ اندازہ لگاتے ہیں، اور آڈیو واضح نہ ہو تو روانی سے اندازہ لگاتے ہیں، جس سے ان کی غلطیاں پکڑنا مشکل ہو جاتا ہے۔

درستگی عموماً ورڈ ایرر ریٹ سے ناپی جاتی ہے: وہ تناسب جس میں الفاظ بدل گئے، چھوٹ گئے یا گھڑ لیے گئے، احتیاط سے بنائے گئے انسانی ٹرانسکرپٹ کے مقابلے میں۔ 5% ایرر ریٹ کا مطلب ہر بیس الفاظ میں ایک غلطی ہے، جو معمولی لگتی ہے، جب تک آپ نہ دیکھیں کہ غلطیاں انہی الفاظ پر جمع ہوتی ہیں جو اہم ہیں، جیسے کوئی خاندانی نام، پروڈکٹ کوڈ یا بجٹ بحث کا کوئی عدد۔

نیچے دیے گئے عوامل تقریباً اسی ترتیب سے ہیں جس سے وہ نقصان پہنچاتے ہیں۔ دھیان دیں کہ ان میں سے تقریباً سب ریکارڈنگ کے وقت طے ہوتے ہیں، ٹرانسکرپشن کے وقت نہیں۔ فون کو میز کے بیچ سے اٹھا کر بولنے والے کے بازو کی پہنچ میں رکھ دینا اکثر بعد میں بدلی جانے والی کسی بھی سیٹنگ سے زیادہ فائدہ دیتا ہے۔

زیادہ تر ریکارڈنگز جیسی ہیں ویسی ہی ڈالی جا سکتی ہیں۔ تیاری تین صورتوں میں فائدہ دیتی ہے: فائل بہت لمبی یا بڑی ہو، گفتگو خاموشی یا موسیقی کے نیچے دبی ہو، یا آواز اتنی دھیمی ہو کہ سننے کے لیے والیوم پورا بڑھانا پڑے۔ شروع میں لمبی خاموشی صرف وقت کا ضیاع نہیں، کیونکہ خودکار شناخت پہلے 30 سیکنڈ سے زبان طے کرتی ہے اور کمرے کے شور یا تعارفی دھن سے غلط اندازہ لگا سکتی ہے۔ ریکارڈنگ کو گفتگو والے حصے تک کاٹ دینے سے، یا شروع سیٹ کر کے اسے چھوڑ دینے سے یہ مسئلہ ٹل جاتا ہے۔

فارمیٹ تبدیل کرنے کی شاذ ہی ضرورت پڑتی ہے۔ iPhone کے Voice Memos M4A (AAC آڈیو) ہوتے ہیں، Android ریکارڈر M4A، AAC یا 3GP بناتے ہیں، اور کال ریکارڈر اکثر AMR؛ ان سب کو براہِ راست اپ لوڈ کیا جا سکتا ہے۔ کمپریسڈ فائل کو WAV میں بدلنے سے وہ تفصیل واپس نہیں آتی جو ریکارڈنگ کے وقت ضائع ہوئی تھی، جیسا کہ MP3، WAV، FLAC اور AAC کی ہماری گائیڈ کا موازنہ بتاتا ہے، اس لیے صرف تب بدلیں جب کوئی ٹول فارمیٹ قبول نہ کرے۔ گھنٹوں چلنے والی ریکارڈنگ کو قدرتی وقفوں، جیسے چائے کے وقفے یا موضوع کی تبدیلی، پر تقسیم کریں تاکہ ہر حصہ اپ لوڈ کی حد کے اندر رہے اور پروف ریڈنگ آسان ہو۔

آؤٹ پٹ اس کے مطابق چنیں کہ آگے کیا ہونا ہے۔ اگر آپ ٹرانسکرپٹ پڑھیں گے، اقتباس لیں گے یا اس میں تلاش کریں گے تو سادہ ٹیکسٹ یا Word مناسب ہے؛ Word پیراگراف، ٹائم اسٹیمپس اور بولنے والوں کے لیبل ایڈیٹنگ کے لیے ترتیب میں رکھتا ہے، اور PDF ایسی مستقل کاپی بھیجنے کے لیے ہے جسے کوئی بدل نہ سکے۔ اگر الفاظ ویڈیو پر اسکرین پر دکھانے ہیں تو سب ٹائٹل فائل چاہیے: SRT یا VTT گفتگو کو مختصر کیوز میں توڑتے ہیں جن کا ہر ایک شروع اور اختتام کا وقت رکھتا ہے، اور لائن کی لمبائی طے کرتی ہے کہ اسکرین پر کتنا سمائے گا۔ فی لائن بیالیس حروف نشریات کا عام معیار ہے۔

SRT اور VTT ایک ہی معلومات رکھتے ہیں، معمولی فرق کے ساتھ۔ SRT، پرانے SubRip پروگرام سے، ہر کیو کو نمبر دیتا ہے اور وقت کاما کے ساتھ لکھتا ہے (00:01:15,000)۔ WebVTT HTML5 ویڈیو کے لیے W3C کا فارمیٹ ہے؛ یہ WEBVTT ہیڈر سے شروع ہوتا ہے، وقت میں نقطہ استعمال کرتا ہے اور اسٹائلنگ اور پوزیشننگ کی اجازت دیتا ہے۔ YouTube، Vimeo، Premiere Pro اور DaVinci Resolve دونوں قبول کرتے ہیں۔ لفظ بہ لفظ وقت والا JSON ان ڈیولپرز کے لیے ہے جو سرچ، کراوکے طرز کی ہائی لائٹنگ یا اپنا سب ٹائٹل لے آؤٹ بنا رہے ہیں۔

کچھ بھی اپ لوڈ کرنے سے پہلے دیکھ لیں کہ آپ کے اپنے آلات پہلے سے کیا کرتے ہیں۔ Apple نے iOS 18 میں Voice Memos ایپ میں ٹرانسکرپٹس شامل کیے، اس لیے حالیہ iPhone پر بنی ریکارڈنگ کا متن ایپ ہی میں دیکھا جا سکتا ہے۔ Pixel فونز پر Google کی Recorder ایپ 2019 سے ریکارڈنگ کے دوران مکمل طور پر ڈیوائس پر ٹرانسکرائب کر رہی ہے اور بولنے والوں کو الگ پہچان سکتی ہے۔ Microsoft 365 میں Word for the web میں Dictate کے ساتھ ٹرانسکرائب کریں کمانڈ ہے جو اپ لوڈ کی گئی MP3، M4A، WAV اور MP4 فائلیں قبول کرتی ہے، اپ لوڈ منٹس کے ماہانہ کوٹے کے ساتھ۔ Google Docs کی Voice typing (Tools کے تحت، Chrome میں) صرف لائیو مائیکروفون سنتی ہے؛ وہ پہلے سے موجود فائل نہیں پڑھ سکتی۔

میٹنگ پلیٹ فارمز ایک اور ذریعہ ہیں۔ Zoom، Microsoft Teams اور Google Meet کال کا ٹرانسکرپٹ بنا سکتے ہیں جب ٹرانسکرپشن آن ہو اور آپ کا پلان یا ادارہ اجازت دے، اور Otter.ai جیسے اسسٹنٹس نوٹس لینے کے لیے میٹنگز میں شامل ہوتے ہیں۔ یہ آپ کی میزبانی والی کالز کے لیے آسان ہیں، لیکن ہر ایک صرف اپنی ایپ کے اندر کام کرتا ہے، ریکارڈنگ کے لیے سب کی رضامندی چاہیے، اور اپنے ہی فارمیٹس میں ایکسپورٹ کرتا ہے۔ جو فائل آپ کے پاس پہلے سے ہے، جیسے پرانا انٹرویو، لیکچر ریکارڈنگ یا کسی اور کی بھیجی ہوئی وائس نوٹ، اس کے لیے فائل پر مبنی ٹرانسکرائبر عموماً آسان راستہ ہے۔

براؤزر ٹول وہ کمی پوری کرتا ہے جو بلٹ اِن آپشنز چھوڑ دیتے ہیں: کسی بھی ڈیوائس کی کوئی بھی فائل، سب ٹائٹل آؤٹ پٹس، اور وہ زبانیں جو آپ کا فون سپورٹ نہیں کرتا۔ آڈیو سے ٹیکسٹ کنورٹر پر فائل شامل کریں، بولی جانے والی زبان کو خودکار شناخت پر رہنے دیں یا خود زبان چنیں، آؤٹ پٹ منتخب کریں، اور ضرورت ہو تو ٹائم اسٹیمپس یا بولنے والوں کے لیبل آن کریں۔ iPhone کے وائس میمو کا اپنا M4A سے ٹیکسٹ صفحہ ہے، اور پوڈکاسٹ یا ریکارڈر فائلوں کے لیے MP3 سے ٹیکسٹ ہے؛ دونوں ایک ہی انجن چلاتے ہیں۔ ہر فائل 95 MB تک ہو سکتی ہے، تقریباً 128 kbps کے MP3 کا ڈیڑھ گھنٹہ۔ اس سے لمبی کے لیے شروع اور اختتام استعمال کر کے حصوں میں ٹرانسکرائب کریں، یا پہلے ریکارڈنگ کاٹیں۔

توقعات حقیقت پسندانہ رکھیں۔ خاموش کمرے میں اچھے مائیکروفون پر ایک بولنے والا عموماً 90–95% یا اس سے بہتر درست نکلتا ہے، اکثر ہلکی ایڈیٹنگ کے بعد شائع کرنے کے لیے کافی۔ مصروف ریسٹورنٹ میں میز پر رکھا فون، رکاوٹوں والی کانفرنس کال، یا ایسا پینل جہاں لوگ ایک دوسرے کی بات کاٹتے ہوں، اس سے کہیں نیچے جا سکتا ہے اور پورے جملے غائب ہو سکتے ہیں۔ بولنے والوں کے لیبل تب قابلِ اعتماد ہوتے ہیں جب آوازیں واضح طور پر مختلف ہوں اور لوگ باری باری بولیں، اور دو ملتی جلتی آوازوں کو وہ آپ کی توقع سے زیادہ بار خلط ملط کرتے ہیں۔

پروف ریڈنگ آڈیو کھول کر کریں، صرف متن سے نہیں، کیونکہ جدید ماڈلز غلط ہونے پر بھی گرامر کے لحاظ سے درست جملے لکھتے ہیں۔ ہر خاص نام جانچیں، کیونکہ ماڈل کو یہ جاننے کا کوئی طریقہ نہیں کہ آپ کا ساتھی اسے Caitlin لکھتا ہے یا Katelyn۔ ہر عدد جانچیں: fifteen اور fifty، تاریخیں، قیمتیں اور فیصد غلط سنے جانا آسان ہیں۔ ہم آواز الفاظ جیسے their/there، affect/effect اور complement/compliment پر، اور جہاں آڈیو واضح نہ تھی وہاں پراعتماد بھرتی پر نظر رکھیں۔ ٹائم اسٹیمپس اسے تیز بنا دیتے ہیں، کیونکہ آپ مشتبہ سطر کے بولے جانے کے عین لمحے پر جا سکتے ہیں۔

ریکارڈنگ میں اکثر کسی دستاویز سے زیادہ ذاتی معلومات ہوتی ہیں: آوازیں، نام، صحت کی تفصیلات، تنخواہ کے اعداد و شمار۔ اپ لوڈ کرنے سے پہلے جان لیں کہ فائل کہاں جاتی ہے اور کتنی دیر رہتی ہے۔ UltKit پر اپ لوڈ کی گئی فائلیں سرور پر پروسیس ہوتی ہیں اور پروسیسنگ کے 30 منٹ بعد خودکار طور پر حذف ہو جاتی ہیں؛ اکاؤنٹ نہیں ہوتا، اس لیے کچھ بھی آپ کے نام سے منسلک نہیں ہوتا۔ Pixel Recorder آف لائن کام کرتا ہے، اس لیے آڈیو فون سے باہر نہیں جاتی۔ رازداری کے معاہدے یا طبی یا قانونی استحقاق کے دائرے میں آنے والے مواد کے لیے پہلے اپنے ادارے کی پالیسی دیکھیں؛ بعض اداروں میں صرف منظور شدہ اور معاہدہ شدہ سروسز کی اجازت ہوتی ہے۔

زبانوں کی معاونت وسیع ہے مگر یکساں نہیں۔ ٹرانسکرائبر 33 زبانوں کو سپورٹ کرتا ہے، جن میں انگریزی، ہسپانوی، فرانسیسی، جرمن، پرتگالی، عربی، ہندی، جاپانی، کوریائی، چینی اور یوکرینی شامل ہیں، اور بہترین نتائج ان زبانوں میں ملتے ہیں جن کا تربیتی ڈیٹا سب سے زیادہ ہے۔ خودکار شناخت ہر فائل کے لیے ایک زبان چنتی ہے۔ اگر میٹنگ میں دو زبانیں بدلتی رہیں تو ہر حصے کو الگ سے، زبان ہاتھ سے منتخب کر کے ٹرانسکرائب کریں۔ ٹرانسکرپٹ ہمیشہ اسی زبان میں لکھا جاتا ہے جس میں بات کی گئی ہو؛ ترجمہ الگ مرحلہ ہے جو آپ بعد میں متن پر کرتے ہیں۔

زیادہ تر ناکام ٹرانسکرپٹس چند وجوہات کی بنا پر ہوتے ہیں، اور حل عموماً فائل یا کسی ایک سیٹنگ میں ہوتا ہے، دوسری سروس آزمانے میں نہیں۔ اگر آڈیو اتنی خراب ہے کہ آپ خود بھی آسانی سے نہیں سمجھ پاتے تو مشین کو بھی اتنی ہی دقت ہوگی، اور اہم حصوں کا مختصر دستی ٹرانسکرپٹ لمبے خودکار ٹرانسکرپٹ کی درستی سے تیز ہو سکتا ہے۔