কেন ট্রান্সক্রিপশনে নাম ভুল আসে এবং এটি বন্ধ করার উপায়

আধুনিক স্পিচ রিকগনিশন সাধারণ বাক্যগুলো বেশ ভালোভাবে বুঝতে পারে। এটি "আগামী বৃহস্পতিবার আমাদের ডেডলাইন পিছিয়ে দেওয়া উচিত"-এর মতো বাক্য অসংখ্যবার শুনেছে এবং তা নির্ভুলভাবে লিখে ফেলে। যা এটি শোনেনি তা হলো আপনার অ্যাকাউন্ট ম্যানেজারের পদবি, এমন কোনো পণ্যের নাম যা এখনো বাজারে আসেনি, অথবা আপনার পেশার কোনো বিশেষ পরিভাষা যা মাত্র গুটিকয়েক মানুষ ব্যবহার করে।

যখন একটি সফটওয়্যার এমন কোনো শব্দের মুখোমুখি হয় যা তার জানা নেই, তখন সে কেবল একটি কাজই করতে পারে: যা শুনতে কাছাকাছি মনে হয় তেমন কিছু লিখে ফেলা। এর ফলে এমন একটি ট্রান্সক্রিপ্ট তৈরি হয় যা প্রযুক্তিগতভাবে প্রায় পুরোটাই ঠিক হলেও শেষ পর্যন্ত ব্যবহারের অনুপযোগী থেকে যায়। কারণ একজন পাঠক যে ছয়টি শব্দ আসলে খুঁজছেন — কারা উপস্থিত ছিলেন, কোন ক্লায়েন্ট, কোন পণ্য, কোন ওষুধ — সেই ছয়টি শব্দই অস্পষ্ট বা ভুল হয়ে যায়।

এই কারণেই নির্ভুলতার শতাংশ সবসময় সঠিক ধারণা দেয় না। একটি ট্রান্সক্রিপ্টের প্রায় প্রতিটি শব্দ সঠিক হতে পারে এবং তাও এটি ব্যর্থ হতে পারে, কারণ ভুলগুলো পুরো পৃষ্ঠায় সমানভাবে ছড়িয়ে থাকে না। ভুলগুলো ঠিক সেই শব্দগুলোতেই বেশি হয় যা মূল অর্থ বহন করে। এগুলো হাতে ঠিক করা সময়সাপেক্ষ, আর এই ধীরগতির কারণেই মানুষ ট্রান্সক্রিপশন ব্যবহার করা বন্ধ করে দেয়।

একটি স্পেলিং গ্লসারি বা বানান তালিকা সাধারণ নির্ভুলতা বাড়ানোর বদলে এই নির্দিষ্ট সমস্যাটি সমাধান করে। আপনি সিস্টেমটিকে ইংরেজি বা অন্য ভাষায় দক্ষ হতে বলছেন না; আপনি তাকে কেবল সেই কয়েকটি শব্দ শিখিয়ে দিচ্ছেন যা তার জানার কথা ছিল না।

Special Names হলো আপনার অ্যাকাউন্টের সাথে যুক্ত একটি ব্যক্তিগত বানান রেফারেন্স। আপনার কাছে গুরুত্বপূর্ণ শব্দগুলো আপনি যেভাবে বানান করতে চান সেভাবে লিখে রাখুন, এবং আপনার রেকর্ডিংয়ে সেই শব্দগুলো যখনই আসবে তখন সেগুলো লেখার জন্য রেফারেন্স হিসেবে ব্যবহৃত হবে।

এটি কোনো find-and-replace টুল নয়। এটি কোনো রাইটিং টুলও নয়: এটি বাক্যে নতুন শব্দ যোগ করে না, অপ্রয়োজনীয় কথা বা পুনরাবৃত্তি বাদ দেয় না, এবং আপনার তালিকায় আছে বলেই কোনো কথা বক্তার মুখে বসিয়ে দেয় না। যদি কোনো শব্দ বলা না হয়ে থাকে, তবে তা আসবে না। এটি কোনো রাইটিং টুলও নয়: এটি বাক্যে নতুন শব্দ যোগ করে না, অপ্রয়োজনীয় কথা বা পুনরাবৃত্তি বাদ দেয় না, এবং আপনার তালিকায় আছে বলেই কোনো কথা বক্তার মুখে বসিয়ে দেয় না। যদি কোনো শব্দ বলা না হয়ে থাকে, তবে তা আসবে না।

এই পার্থক্যটি সেই কাজের ক্ষেত্রে সবচেয়ে বেশি গুরুত্বপূর্ণ যেখানে ট্রান্সক্রিপ্টটি কেউ আসলে কী বলেছে তার রেকর্ড হিসেবে থাকে। ক্লিনিকাল নোট, ক্লায়েন্ট কল বা রিসার্চ ইন্টারভিউয়ের ক্ষেত্রে, যে টুলটি বক্তার কথা নিজে থেকে বদলে দেয় তা ভুল বানান দেওয়া টুলের চেয়েও খারাপ। Special Names উদ্দেশ্যমূলকভাবেই সীমাবদ্ধ: এটি কেবল বানান ঠিক করে, তার বাইরে কিছু নয়।

আপনি যদি কথার গঠনও পরিমার্জিত করতে চান — যেমন অপ্রয়োজনীয় শব্দ বাদ দেওয়া, বাক্য ঠিক করা, শিরোনাম এবং তালিকা যোগ করা — তবে সেটি প্রতিটি রেকর্ডিংয়ের জন্য Smart Summary মোড নির্বাচন করে আলাদাভাবে করতে পারেন। এই দুটি স্বতন্ত্র বিষয়। আপনি চাইলে সঠিক বানানে একদম হুবহু বা ভারবেটিম ট্রান্সক্রিপ্ট পেতে পারেন, যা সাধারণত আইনি বা দাপ্তরিক কাজের জন্য প্রয়োজন হয়।

চিকিৎসকদের এমন ওষুধের নাম নিয়ে কাজ করতে হয় যার বানানে মাত্র একটি অক্ষরের পার্থক্য থাকে, রোগের নাম যার একাধিক গ্রহণযোগ্য রূপ আছে এবং এমন সংক্ষিপ্ত রূপ (abbreviation) যা সামনাসামনি বোঝা গেলেও কাগজে কলমে অস্পষ্ট। আপনি যে ওষুধগুলো এবং রোগগুলো নিয়মিত দেখেন এবং আপনার সহকর্মীদের নাম যোগ করলে সেই শব্দগুলো হুবহু আপনার দেওয়া বানানেই ফিরে আসবে।

আইনজীবীদের সমস্যাটি আরও জটিল: মামলার নাম, পক্ষের নাম, কাউন্সেলের নাম এবং সংবিধিবদ্ধ রেফারেন্সগুলো একদম নির্ভুল হতে হয় এবং সেগুলো পুরো মামলা জুড়ে বারবার ব্যবহৃত হয়। মামলার শুরুতে একবার এগুলো যোগ করলে পরবর্তী সব রেকর্ডিংয়ে একই বানান ব্যবহৃত হবে, যা শোনার চেয়েও বেশি গুরুত্বপূর্ণ — কারণ এক সেট নোটের মধ্যে অসামঞ্জস্যপূর্ণ বানান থাকলে পরে তা খুঁজে পাওয়া কঠিন হয়ে পড়ে।

কনসালট্যান্ট এবং সেলসপারসনদের প্রায়ই এমন ক্লায়েন্ট এবং পণ্যের নাম নিয়ে কাজ করতে হয় যা কোনো সাধারণ সফটওয়্যার আগে দেখেনি। গবেষকরা প্রযুক্তিগত পরিভাষা এবং সাক্ষাৎকারদাতার নাম নিয়ে সমস্যায় পড়েন; অংশগ্রহণকারীদের নাম ভুল থাকলে সেই ইন্টারভিউ ট্রান্সক্রিপ্ট নিয়ে কাজ করা বা উদ্ধৃতি দেওয়া বিব্রতকর।

আর আপনি যদি এমন কোনো ভাষায় কাজ করেন যার নাম এবং জায়গার নাম সাধারণ সফটওয়্যারের কাছে অপরিচিত, তবে এর প্রভাব কয়েকটা শব্দের চেয়েও বেশি। sAInote-এর ইন্টারফেস ১১টি ভাষায় পাওয়া যায় — আরবি, বাংলা, ইংরেজি, ফ্রেঞ্চ, হিন্দি, পর্তুগিজ, রাশিয়ান, সরলীকৃত চীনা, স্প্যানিশ, তুর্কি এবং উর্দু (যেখানে আরবি এবং উর্দু ডান-থেকে-বামে প্রদর্শিত হয়) — এবং স্পিচ রিকগনিশন ইন্টারফেসের চেয়েও অনেক বেশি ভাষা কভার করে। অজানা নামগুলোর ক্ষেত্রে এই ব্যবধান কমানোর উপায় হলো একটি গ্লসারি।

Special Names একটি Pro ফিচার। Pro প্ল্যানে প্রতি মাসে ৩৬০ মিনিট অডিও পাওয়া যায় যা প্রতি মাসে রিনিউ হয়, সাথে তিনটি প্রসেসিং মোড এবং দীর্ঘ রেকর্ডিংয়ের ব্যাকগ্রাউন্ড প্রসেসিং সুবিধা থাকে। আপনি যদি Guest বা Free ইউজার হন, তবে আপনি একবারের জন্য ১৫ মিনিট অডিও পাবেন — যা মাসিক বা পুনরাবৃত্তিমূলক নয় — এবং এতে Quick Note ও Smart Summary থাকলেও কোনো গ্লসারি থাকবে না।

২০ মিনিট পর্যন্ত রেকর্ডিং সব প্ল্যানেই সাথে সাথে প্রসেস করা হয়। ২০ মিনিট থেকে ২ ঘণ্টা পর্যন্ত রেকর্ডিংগুলো ব্যাকগ্রাউন্ডে প্রসেস করা হয় এবং এটি কেবল Pro ইউজারদের জন্য, যেখানে দীর্ঘ রেকর্ডিংয়ের জন্য স্পিকার সেপারেশন এবং হায়ারার্কিকাল সামারাইজেশন সুবিধা থাকে। প্রতিটি রেকর্ডিংয়ের সর্বোচ্চ সীমা ২ ঘণ্টা; এর বেশি দীর্ঘ কিছু গ্রহণ করা হয় না। আপলোডের সীমা ৬৪ মেগাবাইট।

সঠিক বানানের সুফল সবচেয়ে বেশি পাওয়া যায় যখন আপনি পরে সার্চ করেন। সাইন-ইন করা ব্যবহারকারীরা সব ডিভাইসে সার্চযোগ্য নোট ইতিহাস পান এবং সার্চ করলে মূল ট্রান্সক্রিপ্ট ও প্রসেস করা আউটপুট উভয় থেকেই ফলাফল পাওয়া যায়। ছয়টি মিটিংয়ে একটি নাম তিনভাবে বানান করা থাকলে তা খুঁজে পাওয়া অসম্ভব। আপনার গ্লসারিতে লেখা বানানে থাকলে তা মাত্র এক সার্চেই খুঁজে পাওয়া সম্ভব।

আপনি যেখানেই রেকর্ড করুন না কেন গ্লসারিটি কাজ করবে: আপনার ব্রাউজারের ওয়েব অ্যাপ, iPhone এবং iPad অ্যাপ, এবং Control+Option+Command+N শর্টকাট সহ macOS অ্যাপের Quick Capture ফিচারে। REST API একটি আলাদা পথ যেখানে raw এবং smart নামে দুটি মোড আছে, যা সিক্রেট কি দিয়ে অথেন্টিকেট করা হয় এবং কি অনুযায়ী হিসাব করা হয়; এটি কোনো অডিও বা টেক্সট জমা রাখে না।