पहले तय करें कि टेक्स्ट किस काम आएगा
"फ्री" सुनते ही हम सिर्फ़ पैसे के बारे में सोचते हैं, जबकि असली सवाल यह है कि टेक्स्ट से करना क्या है। किसी रिश्तेदार के वॉइस मैसेज का मोटा मतलब निकालना एक काम है, और पीएचडी के लिए किसी किसान नेता के इंटरव्यू का शब्दशः ट्रांसक्रिप्ट बनाना बिल्कुल दूसरा। पहले काम में थोड़ी गलतियाँ चल जाती हैं, दूसरे में एक गलत शब्द पूरा उद्धरण बिगाड़ देता है।
कोई भी तरीका चुनने से पहले इन सवालों के जवाब काग़ज़ पर लिख लें:
- टेक्स्ट सिर्फ़ खुद पढ़कर समझने के लिए है या किसी को सौंपना है?
- टाइमस्टैम्प चाहिए? सबटाइटल बनाने हों तो टाइमिंग ज़रूरी है, रिवीज़न नोट्स के लिए नहीं।
- रिकॉर्डिंग कितनी लंबी है — पाँच मिनट या दो घंटे?
- रिकॉर्डिंग में कोई निजी बात है? मरीज़, ग्राहक, सूत्र या परिवार की बातचीत हो तो फ़ाइल कहाँ जाती है, यह बहुत मायने रखता है।
- आपके पास कैसा कंप्यूटर है और तकनीकी झंझट झेलने का कितना धैर्य है?
आगे हर तरीके को इन्हीं पाँच कसौटियों पर परखा गया है। कोई एक तरीका सबके लिए सही नहीं है; सही वही है जो आपके जवाबों से मेल खाए।
तरीका 1: वॉइस टाइपिंग में रिकॉर्डिंग चलाकर सुनाना
सबसे पुराना देसी जुगाड़ यही है। Google Docs की वॉइस टाइपिंग (Chrome ब्राउज़र में) या फ़ोन के कीबोर्ड का माइक बटन हिंदी बोलने पर देवनागरी में लिख देता है। लोग एक डिवाइस पर रिकॉर्डिंग चलाते हैं और दूसरे डिवाइस का माइक उसके पास रख देते हैं।
इसका एक बेहतर रूप है "सुनो और दोहराओ": आप हेडफ़ोन में रिकॉर्डिंग सुनते हैं और साफ़ आवाज़ में वही वाक्य माइक में बोलते जाते हैं। शोर वाली रिकॉर्डिंग में यह अक्सर ज़्यादा साफ़ टेक्स्ट देता है, क्योंकि मशीन रिकॉर्डिंग नहीं, आपकी साफ़ आवाज़ सुन रही होती है।
फ़ायदे साफ़ हैं: कोई पैसा नहीं, कुछ इंस्टॉल नहीं करना, और टेक्स्ट सीधे डॉक्यूमेंट में आ जाता है। दिक्कतें भी उतनी ही साफ़ हैं:
- स्पीकर से माइक तक पहुँचते-पहुँचते आवाज़ की क्वालिटी गिरती है; पंखा, कूलर और गली का शोर भी साथ में घुस जाता है।
- वॉइस टाइपिंग लाइव बोलने के लिए बनी है, इसलिए लंबी चुप्पी पर बीच में बंद हो सकती है और आपको पास बैठकर बार-बार चालू करना पड़ता है।
- एक घंटे की रिकॉर्डिंग में कम से कम एक घंटा आपका लगेगा; दोहराने वाले तरीके में उससे भी ज़्यादा।
- टाइमस्टैम्प नहीं मिलते, इसलिए बाद में "यह बात किस मिनट पर कही गई थी" ढूँढना मुश्किल होता है।
छोटी और साफ़ रिकॉर्डिंग के लिए यह तरीका ठीक है। लंबे इंटरव्यू या कई लोगों वाली बैठक के लिए यह थका देता है।
तरीका 2: अपने ही वीडियो पर YouTube के ऑटो-कैप्शन
अगर वीडियो आपका अपना है — क्लास की रिकॉर्डिंग, चैनल का एपिसोड, किसी कार्यक्रम का भाषण जो आपने खुद शूट किया — तो उसे अपने चैनल पर अनलिस्टेड रखकर अपलोड करने पर YouTube कई भाषाओं में ऑटोमैटिक कैप्शन बनाने की कोशिश करता है, और हिंदी उनमें शामिल है। YouTube Studio के सबटाइटल वाले हिस्से में ये कैप्शन देखे और सुधारे जा सकते हैं।
यह तरीका अपनाने से पहले ये बातें जान लें:
- कैप्शन बनने में समय लगता है, और हर वीडियो पर बनें ही, यह तय नहीं। ऑडियो धीमा हो या पीछे संगीत ज़्यादा हो तो अक्सर नहीं बनते।
- सिर्फ़ ऑडियो फ़ाइल (जैसे MP3) सीधे अपलोड नहीं होती; पहले उसे किसी स्थिर तस्वीर के साथ वीडियो बनाना पड़ता है।
- ऑटो-कैप्शन में विराम चिह्न कम होते हैं और वाक्य टुकड़ों में बँटे रहते हैं, इसलिए पढ़ने लायक लेख बनाने में सफ़ाई का काफ़ी काम बचा रहता है।
- यह सिर्फ़ उसी वीडियो पर करें जो आपका है या जिसकी अनुमति आपके पास है। किसी और का वीडियो उठाकर दोबारा अपलोड करना कॉपीराइट का उल्लंघन हो सकता है।
फ़ायदा यह है कि टाइमिंग साथ में मिलती है, और अगर वीडियो वैसे भी YouTube पर जाना था तो कोई काम दोहराना नहीं पड़ता।
तरीका 3: अपने कंप्यूटर पर Whisper चलाना
Whisper (अंग्रेज़ी में) एक ओपन-सोर्स स्पीच रिकग्निशन मॉडल है जो हिंदी समेत कई भाषाएँ पहचानता है। इसे अपने लैपटॉप या डेस्कटॉप पर मुफ़्त चलाया जा सकता है — कमांड लाइन से, या समुदाय के बनाए किसी डेस्कटॉप प्रोग्राम के ज़रिए।
सबसे बड़ा फ़ायदा यह है कि फ़ाइल आपके कंप्यूटर से बाहर नहीं जाती। संवेदनशील इंटरव्यू, मेडिकल या कानूनी बातचीत के लिए यह बड़ी बात है। न मिनट की कोई सीमा, न कोई बिल।
कीमत दूसरी शक्ल में चुकानी पड़ती है:
- पहली बार सेटअप में Python, ड्राइवर और मॉडल डाउनलोड जैसी चीज़ें आती हैं। तकनीक में रुचि न हो तो एक पूरी शाम इसी में निकल जाती है।
- बड़े और बेहतर मॉडल को अच्छा ग्राफ़िक्स कार्ड या काफ़ी RAM चाहिए। साधारण लैपटॉप पर सिर्फ़ प्रोसेसर से चलाने पर एक घंटे की रिकॉर्डिंग में रिकॉर्डिंग से भी ज़्यादा समय लग सकता है।
- छोटे मॉडल तेज़ चलते हैं पर हिंदी में गलतियाँ ज़्यादा करते हैं।
- एरर, अपडेट और फ़ॉर्मैट की उलझनें सुलझाने वाला कोई नहीं; यह आपकी ज़िम्मेदारी है।
अगर आप डेवलपर हैं, या आपके संस्थान का नियम है कि रिकॉर्डिंग बाहर किसी सर्वर पर नहीं जाएगी, तो यह रास्ता गंभीरता से देखने लायक है।
तरीका 4: प्रति मिनट वाले टूल और mydubly के मुफ़्त क्रेडिट
चौथा रास्ता ऑनलाइन टूल का है जो मिनट के हिसाब से पैसा लेते हैं और शुरुआत में कुछ मुफ़्त इस्तेमाल देते हैं। mydubly इसी श्रेणी में आता है, इसलिए यहाँ साफ़-साफ़ बताना ज़रूरी है कि यह क्या करता है और क्या नहीं।
mydubly ब्राउज़र में चलने वाला ऐप है। इसकी स्पीच रिकग्निशन Whisper पर आधारित है (faster-whisper large-v3-turbo), यानी तरीका 3 वाले मॉडल परिवार की ही, बस सेटअप और हार्डवेयर का बोझ आप पर नहीं पड़ता। साइन-अप पर 100 मुफ़्त क्रेडिट मिलते हैं और ट्रांसक्रिप्ट का रेट 1 क्रेडिट प्रति मिनट है, यानी 100 मिनट तक का हिंदी ट्रांसक्रिप्शन बिना कुछ खर्च किए। ज़्यादा जानकारी वीडियो से टेक्स्ट वाले टूल (अंग्रेज़ी में) के पेज पर है।
- मुफ़्त क्रेडिट आज़माने के लिए पहले छोटी-सी फ़ाइल लें: वीडियो हो तो "Drop a video here" में, ऑडियो हो तो "Drop audio here" में डालें।
- "Full translation output" (ऑडियो में "Audio and text output") वाला टॉगल बंद रखें। तब नतीजा "Timestamped transcript only" होता है, जो सबसे सस्ता टियर है।
- हिंदी चुनने का कोई ड्रॉपडाउन नहीं मिलेगा, और उसकी ज़रूरत भी नहीं: "Source: Auto detect" रिकॉर्डिंग सुनकर भाषा तय करता है।
- "Transcribe video" या "Transcribe audio" दबाएँ और काम पूरा होने तक टैब खुला रखें, क्योंकि टैब बंद करने से काम रद्द हो जाता है।
- "Download transcript" (सादा टेक्स्ट), "Download timestamped transcript" या "Download subtitles" (SRT फ़ाइल) से नतीजा लें।
40 मिनट का एक लेक्चर = 40 क्रेडिट। बचे 60 क्रेडिट में सिर्फ़ बारह छोटी क्लिप आएँगी, चाहे हर क्लिप दो ही मिनट की हो, क्योंकि हर फ़ाइल पर कम से कम 5 क्रेडिट लगते हैं। इसलिए बहुत-सी छोटी फ़ाइलें हों तो उन्हें जोड़कर एक फ़ाइल बनाना सस्ता पड़ता है।
मुफ़्त क्रेडिट खत्म होने के बाद भी खर्च छोटा रहता है: 60 मिनट का ट्रांसक्रिप्ट 60 क्रेडिट ($0.06) और दो घंटे का इंटरव्यू 120 क्रेडिट ($0.12)। एक फ़ाइल अधिकतम 2 घंटे की हो सकती है।
अब वे बातें जो mydubly नहीं करता। YouTube या किसी और साइट का लिंक डालकर ट्रांसक्रिप्शन नहीं होता; फ़ाइल आपके डिवाइस पर होनी चाहिए। बोलने वालों के नाम (स्पीकर लेबल) नहीं आते। ट्रांसक्रिप्ट सुधारने का कोई एडिटर ऐप में नहीं है, डाउनलोड की गई फ़ाइल किसी भी एडिटर में ठीक करनी होगी। WhatsApp की .opus वॉइस नोट और .amr कॉल रिकॉर्डिंग स्वीकार नहीं होतीं; उन्हें पहले MP3 या M4A में बदलना पड़ता है। Hinglish वाली बातचीत जैसी सुनी गई वैसी लिखी जाती है, पर उसमें गलतियाँ ज़्यादा रहती हैं। और प्राइवेसी के मामले में यह अपने कंप्यूटर पर Whisper जैसा नहीं है: वीडियो फ़ाइल ब्राउज़र में ही रहती है, पर उसका ऑडियो HTTPS से सर्वर पर भेजा जाता है और काम पूरा होने के 30 मिनट के भीतर वहाँ से मिटा दिया जाता है।
पाँच कसौटियों पर चारों तरीके एक साथ
- वॉइस टाइपिंग
- पैसा नहीं; रिकॉर्डिंग जितना या उससे ज़्यादा आपका समय; टाइमस्टैम्प नहीं; शोर में कमज़ोर
- YouTube ऑटो-कैप्शन
- पैसा नहीं; सिर्फ़ अपने वीडियो पर; टाइमिंग मिलती है; कैप्शन बनने की गारंटी नहीं
- अपने कंप्यूटर पर Whisper
- पैसा नहीं; सेटअप और दमदार हार्डवेयर चाहिए; फ़ाइल आपके पास ही रहती है
- प्रति मिनट टूल, जैसे mydubly
- शुरुआती मुफ़्त मिनट, फिर कम खर्च; कोई सेटअप नहीं; ऑडियो सर्वर पर प्रोसेस होता है
इस तालिका में कोई विजेता नहीं है, और होना भी नहीं चाहिए। जिसके पास समय ज़्यादा और पैसा बिल्कुल नहीं है, उसके लिए पहला तरीका ठीक है। जिसके पास अच्छा कंप्यूटर और तकनीकी समझ है, उसके लिए तीसरा। जिसे जल्दी नतीजा चाहिए और फ़ाइल सर्वर पर कुछ देर प्रोसेस होने से दिक्कत नहीं, उसके लिए चौथा।
आपकी स्थिति के हिसाब से कुछ उदाहरण
- कॉलेज की छात्रा के पास नानी की पाँच मिनट की रिकॉर्डिंग है, बस लिखकर रखना है। यहाँ वॉइस टाइपिंग में सुनो-और-दोहराओ तरीका भी काफ़ी है, और मुफ़्त क्रेडिट भी।
- एक कुकिंग चैनल चलाने वाले के सारे वीडियो पहले से YouTube पर हैं। ऑटो-कैप्शन सुधारना उनके लिए स्वाभाविक कदम है, बशर्ते कैप्शन बने हों।
- शोध करने वाले के पास गाँवों में किए गए संवेदनशील साक्षात्कार हैं और एथिक्स कमेटी ने डेटा को लेकर शर्तें रखी हैं। ऐसे में अपने कंप्यूटर पर Whisper, या संस्थान से पूछकर तय किया गया तरीका, ज़्यादा सुरक्षित सोच है।
- एक पत्रकार के पास शाम तक दो घंटे का इंटरव्यू तैयार करने का समय है। उसके लिए प्रति मिनट टूल समय बचाता है, और बचा समय उद्धरणों की जाँच में लगता है।
- पंचायत की बैठक की रिकॉर्डिंग में लाउडस्पीकर की गूँज और लोगों का एक साथ बोलना है। यहाँ हर मशीन वाला तरीका संघर्ष करेगा; पहले रिकॉर्डिंग की आवाज़ साफ़ रखने के उपाय देखें।
कोई भी तरीका चुनें, ये गलतियाँ न दोहराएँ
- बिना सुने भरोसा कर लेना। नाम, जगह और रकम सबसे ज़्यादा गड़बड़ाते हैं; "सवा लाख" और "1,25,000" जैसी बातें खास ध्यान माँगती हैं। अंकों के लिए लाख-करोड़ लिखने के नियम काम आएँगे।
- यूनिकोड टेक्स्ट को Kruti Dev जैसे पुराने फ़ॉन्ट वाली फ़ाइल में चिपकाना, जिससे अक्षर बेतुके दिखने लगते हैं।
- WhatsApp की .opus फ़ाइल सीधे डालकर परेशान होना, जबकि पहले फ़ॉर्मैट बदलना ज़रूरी है।
- मशीन के पहले ड्राफ़्ट को अंतिम मान लेना। हिंदी ट्रांसक्रिप्शन में गलतियाँ क्यों होती हैं, यह समझ लें तो प्रूफ़रीडिंग तेज़ होती है।
- मशीन और इंसान के काम की तुलना किए बिना फ़ैसला करना। कानूनी या प्रमाणित ज़रूरतों के लिए AI और इंसानी ट्रांसक्रिप्शन का फ़र्क (अंग्रेज़ी में) पढ़ लें।
अक्सर पूछे जाने वाले सवाल
क्या सच में पूरी तरह फ्री हिंदी ट्रांसक्रिप्शन मिल सकता है?
हाँ, वॉइस टाइपिंग, अपने वीडियो पर YouTube ऑटो-कैप्शन और अपने कंप्यूटर पर Whisper — तीनों में पैसा नहीं लगता। लेकिन पहले में आपका समय लगता है, दूसरे में कैप्शन बनने की गारंटी नहीं, और तीसरे में सेटअप व अच्छा हार्डवेयर चाहिए। mydubly के 100 मुफ़्त क्रेडिट से 100 मिनट तक का ट्रांसक्रिप्ट बिना पैसे के बनता है।
mydubly के 100 मुफ़्त क्रेडिट में कितनी फ़ाइलें ट्रांसक्राइब हो जाएँगी?
ट्रांसक्रिप्ट का रेट 1 क्रेडिट प्रति मिनट है, पर हर फ़ाइल पर कम से कम 5 क्रेडिट लगते हैं। इसलिए एक 100 मिनट की फ़ाइल पूरी हो जाएगी, जबकि दो-दो मिनट की बीस अलग फ़ाइलें भी पूरे 100 क्रेडिट ले लेंगी। डबिंग में ये क्रेडिट सिर्फ़ 2 मिनट तक के एक डब के लिए काफ़ी हैं, क्योंकि डब कम से कम 100 क्रेडिट का होता है।
मोबाइल पर हिंदी ऑडियो को टेक्स्ट में कैसे बदलें?
फ़ोन के कीबोर्ड की वॉइस टाइपिंग से आप खुद बोलकर हिंदी लिख सकते हैं। रिकॉर्ड की हुई फ़ाइल के लिए ध्यान रखें कि mydubly ब्राउज़र में चलने वाला वेब ऐप है, इसका कोई मोबाइल ऐप नहीं है। सबसे आसान यह रहता है कि फ़ोन की फ़ाइल कंप्यूटर पर ले लें और वहीं ब्राउज़र में चलाएँ, क्योंकि काम पूरा होने तक टैब खुला रखना पड़ता है।
Hinglish बातचीत का ट्रांसक्रिप्शन कैसा आता है?
जिस बातचीत में हिंदी और अंग्रेज़ी बार-बार मिलती है, उसमें हर मशीनी तरीका कुछ न कुछ गलती करता है। mydubly में भाषा अपने आप पहचानी जाती है और बातें जैसी सुनी गईं वैसी लिखी जाती हैं, पर अंग्रेज़ी शब्द कभी देवनागरी में तो कभी रोमन में आ सकते हैं। ऐसी फ़ाइलों में प्रूफ़रीडिंग का समय पहले से जोड़कर चलें।
किसी दूसरे के YouTube वीडियो का ट्रांसक्रिप्ट फ्री में कैसे निकालें?
यह लेख दूसरों के वीडियो डाउनलोड करने का तरीका नहीं बताता, क्योंकि उसमें कॉपीराइट का सवाल आता है। अगर आपको उस वीडियो के निर्माता से फ़ाइल मिल जाए या आपके पास अनुमति हो, तब आप ऊपर बताए किसी भी तरीके से काम कर सकते हैं। mydubly में लिंक डालने का विकल्प नहीं है, फ़ाइल आपके डिवाइस पर होनी चाहिए।
निजी रिकॉर्डिंग के लिए कौन-सा तरीका ज़्यादा सुरक्षित है?
अगर फ़ाइल किसी भी हाल में आपके कंप्यूटर से बाहर नहीं जानी चाहिए, तो अपने कंप्यूटर पर Whisper चलाना ही उस शर्त को पूरा करता है। mydubly में वीडियो ब्राउज़र में रहता है, पर ऑडियो HTTPS से सर्वर पर जाता है और काम खत्म होने के 30 मिनट के भीतर मिटा दिया जाता है। शोध या संस्थागत काम में अपने संस्थान के डेटा नियम ज़रूर पूछ लें।