आपके Mac पर लाइव कैप्शन,
और किसी से चालू करने को कहे बिना।

वे हिस्से जो सचमुच मुश्किल हैं

कैप्शन का होना और कैप्शन का काम का होना, दो अलग बातें हैं। जो कैप्शन आपको मिलते हैं वे आम तौर पर इन्हीं जगहों पर हाथ छोड़ देते हैं, और यह ऐप हर एक के बारे में क्या करता है। अगर आप Mac के लिए क्लोज़्ड कैप्शन ढूँढते हुए यहाँ आए हैं, तो यह वही है, हर ऐप के लिए एक साथ। और हियरिंग टेस्ट ठीक निकला हो पर शोर में बातचीत फिर भी बिखर जाती हो, तो उसका अपना अलग पेज है।

• वह लाइन जो निकल चुकी है। Google Meet कैप्शन की कोई हिस्ट्री रखता ही नहीं, और Zoom क़रीब तीन मिनट रखता है। टाइप करने के लिए नज़र नीचे कीजिए और आधा पढ़ा हुआ वाक्य वापस नहीं मिलता। यहाँ ⌥ दबाए रखिए और पिछले कैप्शन वापस आ जाते हैं, उतना पीछे तक जितना आपने तय कर रखा है; उन्हें स्क्रोल करके देख सकते हैं और ⌥F से उनमें खोज सकते हैं, इसलिए एक लाइन छूटने का मतलब पूरी मीटिंग का सिरा खो देना नहीं है।
• दो लोग एक साथ बोलते हुए। एक-दूसरे पर चढ़ती आवाज़ों पर हर कैप्शन सिस्टम लड़खड़ाता है, और ज़रूरत भी वहीं सबसे ज़्यादा होती है। वक्ता बदलने पर नया बॉक्स वैकल्पिक है और चालू करने लायक़ है: जिस बातचीत को आप सुनने के बजाय पढ़ रहे हैं, उसमें असली काम यही जानना है कि कौन सी बात किसने कही।
• वे वीडियो जिनका कैप्शन किसी ने बनाया ही नहीं। क्लोज़्ड कैप्शन और SDH वहीं होते हैं जहाँ किसी ने उन्हें बनाया हो, और इससे किसी इंटरनल पोर्टल के ज़्यादातर ट्रेनिंग वीडियो, ज़्यादातर कॉन्फ़्रेंस रिकॉर्डिंग, किसी साथी की भेजी ज़्यादातर स्क्रीन रिकॉर्डिंग और ज़्यादातर पॉडकास्ट बाहर हो जाते हैं। यह ऑडियो को ख़ुद पढ़ता है, इसलिए पब्लिशर ने मेहनत की या नहीं, यह सवाल ही नहीं रह जाता।
• वे कॉल जो मीटिंग नहीं हैं। FaceTime, डेस्कटॉप पर WhatsApp या Signal की कॉल, Mac से लगाया गया कोई नंबर, सुना जा रहा कोई वॉइसमेल। इनमें से किसी में कैप्शन का बटन नहीं होता और किसी में पूछने के लिए कोई होस्ट नहीं होता, और यही सबसे बड़ी वजह है कि फ़ोन कॉल हफ़्ते का सबसे डरावना हिस्सा बने रहते हैं।
• ऐसे लोगों के साथ कुछ देखना जिन्हें सब सुनाई देता है। जब कमरे में किसी और को सबटाइटल की ज़रूरत न हो तो फ़िल्म के लिए उन्हें चालू करना बहस का मुद्दा बन जाता है, और बहुत सी चीज़ों में चालू करने के लिए सबटाइटल ट्रैक होता ही नहीं। यह सिर्फ़ आपके Mac पर बनता है, आपके चुने आकार में, इसलिए यह सबका साझा फ़ैसला नहीं रह जाता।
• वे हियरिंग एड जो पहले से Mac से स्ट्रीम लेते हैं। Made for iPhone हियरिंग एड और साउंड प्रोसेसर M1 या उसके बाद के Mac से सीधे पेयर हो जाते हैं, लेकिन ऑडियो का साफ़ पहुँचना और तेज़, एक-दूसरे पर चढ़ती बातचीत का समझ में आना दो अलग बातें हैं। स्ट्रीम किए गए ऑडियो पर कैप्शन बेमतलब नहीं, बल्कि एक आम सेटअप है। ऐप आपके आउटपुट डिवाइस को नहीं, सीधे ऐप की अपनी ऑडियो स्ट्रीम को पढ़ता है, इसलिए आप किस चीज़ पर सुन रहे हैं, इससे कोई फ़र्क़ नहीं पड़ता।
• दोपहर चार बजे वाली थकान। दिन भर बातचीत समझने के लिए इतना ज़ोर लगाना थका देता है, और यह थकान किसी और के कैलेंडर में दिखती नहीं। आधा सुना हुआ शब्द पढ़ लेना उसे संदर्भ से जोड़कर बनाने से सस्ता पड़ता है, और पूरे कमरे से तीसरी बार दोहराने को कहने से तो बहुत ही सस्ता।

पहले वे कैप्शन आज़माइए जो आपके Mac में पहले से हैं

macOS में हर Apple silicon Mac पर Live Captions पहले से और मुफ़्त है: सिस्टम सेटिंग्ज़ ▸ ऐक्सेसिबिलिटी ▸ Live Captions। वह सचमुच अच्छा है, उसका कोई पैसा नहीं लगता, और अगर उससे आपका काम चल जाता है तो बात ख़त्म, यह जानने के लिए $19 ख़र्च करने की ज़रूरत नहीं। एक हफ़्ता उसके साथ बिताना यह समझने का भी सबसे तेज़ तरीक़ा है कि कैप्शन से आपको असल में चाहिए क्या।

लोग कुछ और ढूँढने आम तौर पर तीन में से किसी एक वजह से निकलते हैं: जो भाषा उन्हें चाहिए वह Apple की सूची में नहीं है, कैप्शन विंडो वे क्लिक ले लेती है जो उसके नीचे की चीज़ के लिए थे, या वे लेक्चर के लिए धीमा और ज़्यादा सटीक मॉडल चुनना चाहते हैं और कॉल के लिए तेज़ वाला। ये सारे फ़र्क़ एक-एक करके तुलना वाले पेज पर रखे हैं।

14 दिन की रिफ़ंड गारंटी, कोई सवाल नहीं।

घंटों पढ़े जाने के लिए बना

जिन कैप्शन के सहारे आप पूरा दिन चलते हैं, वे उन कैप्शन से अलग तरह से पढ़े जाते हैं जिन पर आप बस एक नज़र डालते हैं। नीचे जो कुछ है वह सेटिंग है, किसी और का आपके लिए लिया गया फ़ैसला नहीं, क्योंकि सही जवाब इस पर टिका है कि आप कितना सुन रहे हैं और कितना पढ़ रहे हैं।

• यह आपके काम के पीछे नहीं जाता। ओवरले हर विंडो और ऐप स्विचर के ऊपर रहता है, इसलिए नोट लेते, कोई दस्तावेज़ देखते या कुछ ढूँढते वक़्त जो वाक्य बोला जा रहा है, वह आपसे छूटता नहीं। मीटिंग सुनते हुए साथ-साथ कुछ लिखना ही तो असली मुश्किल है, और ऐसी कैप्शन विंडो जिसे आपको ख़ुद आगे रखना पड़े, उसे हल नहीं करती।
• इसे वहीं रखिए जहाँ आपकी नज़र पहले से है। क्लिक इसके आर-पार चले जाते हैं, इसलिए आप बिना रुकावट काम करते रहते हैं, और पॉइंटर के नीचे यह फीका पड़ जाता है, इसलिए नीचे का कुछ नहीं छिपता। आकार, पारदर्शिता, वह फीकापन कितनी दूर तक जाए और बॉक्स कहाँ रहे, सब आपके हाथ में है; इसे ठोस रखकर खींचना हो तो Shift दबाए रखिए। ज़्यादातर लोग इसे बोलने वाले के चेहरे के ठीक नीचे रख लेते हैं, और इसीलिए होंठ पढ़ना और कैप्शन पढ़ना आपस में टकराने के बजाय साथ-साथ चल पाते हैं।
• लाइनें आपका इंतज़ार करती हैं। एक कैप्शन क़रीब डेढ़ सेकंड, और हर शब्द के लिए सेकंड का दसवाँ हिस्सा और, रुकता है, इसलिए लंबी लाइन वाक्य के बीच में ग़ायब नहीं होती, और ⌥ दबाए रखने पर पिछली कुछ लाइनें वापस आ जाती हैं जिनमें स्क्रोल किया जा सकता है। पढ़ने की रफ़्तार सबकी अलग होती है और डिफ़ॉल्ट एक अंदाज़ा भर है; अंदाज़ा ग़लत निकले तो ⌥ से पीछे लौट सकते हैं।
• नाम और तकनीकी शब्द ही आपको धोखा देंगे। किसी दवा का नाम, कोई सरनेम, आपकी टीम का बनाया कोई शॉर्ट फ़ॉर्म: ये ठीक वही शब्द हैं जिन्हें आप संदर्भ से नहीं भाँप सकते, और ठीक वही जिन्हें स्पीच मॉडल ग़लत लिखता है। धीमा और ज़्यादा सटीक मॉडल चुनने से मदद मिलती है, बात पूरी तरह ठीक नहीं होती। बाद में पता चलने से बेहतर है पहले से जानना कि कौन से शब्द दोबारा जाँचने हैं।

कैप्शन और सुनने से जुड़े सवाल

क्या यह कमरे में बात कर रहे लोगों का कैप्शन बनाता है?

हाँ, जब आप कहें। डिफ़ॉल्ट रूप से ऐप वही पढ़ता है जो आपका Mac चलाता है और माइक्रोफ़ोन बंद रहता है। “किसे सुनें” में माइक्रोफ़ोन चुनिए और ऐप आपके सामने हो रही बातचीत का कैप्शन बनाता है, Mac के माइक्रोफ़ोन से या उस इनपुट से जो साउंड सेटिंग्ज़ में चुना हो; macOS माइक्रोफ़ोन की इजाज़त पहली बार माँगता है, उससे पहले नहीं। “अनुवाद की भाषा” और “दोनों भाषाएँ दिखाएँ” चालू हों तो आप दोनों दो भाषाओं में बात कर सकते हैं और हर कोई अपनी भाषा पढ़ता है।

क्या यह CART या किसी इंसानी कैप्शनर की जगह ले लेता है?

नहीं। यह स्पीच रिकग्निशन है, इसलिए ग़लतियाँ करता है, ख़ासकर नाम, तकनीकी शब्द, एक साथ बोलती आवाज़ों और भारी लहजों पर। डॉक्टर के अपॉइंटमेंट, क़ानूनी बैठक, ऐसी क्लास जिसमें आपको नंबर मिलते हैं, या कहीं भी जहाँ ग़लती की क़ीमत चुकानी पड़े, वहाँ पेशेवर कैप्शनर या दुभाषिया ही सही सुविधा है और उसे माँगना आपका हक़ है। यह बाकी पूरे दिन के लिए है, जहाँ वैसे भी कोई यह सुविधा देने वाला नहीं था।

क्या होस्ट से पूछना पड़ता है, या किसी को बताना पड़ता है कि यह चल रहा है?

नहीं। यह किसी सेवा से जुड़ने के बजाय उस ऑडियो का कैप्शन बनाता है जो आपका Mac चलाता है, इसलिए मीटिंग में कुछ शामिल नहीं होता, प्रतिभागियों की सूची में कुछ नहीं दिखता, और किसी होस्ट, एडमिन या लेक्चरर को कुछ चालू नहीं करना पड़ता। किसी को कुछ बताया नहीं जाता। आप बताते हैं या नहीं, यह आपका फ़ैसला है, सॉफ़्टवेयर का नहीं।

मेरे Mac का ऑडियो पहले से मेरे हियरिंग एड पर स्ट्रीम होता है। क्या इससे कुछ और मिलता है?

अक्सर हाँ। स्ट्रीमिंग आवाज़ का रास्ता ठीक करती है, बोली की मुश्किल नहीं: तेज़ बोलने वाले, एक साथ बोलती आवाज़ें और अनजाने लहजे आपके कान तक पहुँचकर भी वही रहते हैं। स्ट्रीम किए गए ऑडियो पर कैप्शन बेमतलब नहीं, एक आम सेटअप है। ऐप आपके आउटपुट डिवाइस को नहीं, सीधे ऐप की अपनी ऑडियो स्ट्रीम को पढ़ता है, इसलिए आप किस चीज़ पर सुनते हैं, इससे कोई फ़र्क़ नहीं पड़ता और आपकी पेयरिंग में कुछ नहीं बदलता।

अगर किसी वीडियो में न कैप्शन हों और न SDH, तब?

यह ऐप इसी हालत के लिए है। क्लोज़्ड कैप्शन और SDH वहीं होते हैं जहाँ किसी ने उन्हें बनाया हो, और इससे ज़्यादातर इंटरनल ट्रेनिंग वीडियो, ज़्यादातर कॉन्फ़्रेंस रिकॉर्डिंग और किसी साथी की रिकॉर्ड करके भेजी ज़्यादातर चीज़ें बाहर हो जाती हैं। यह ख़ुद ऑडियो का कैप्शन बनाता है, इसलिए फ़ाइल के साथ सबटाइटल ट्रैक आया था या नहीं, इससे फ़र्क़ नहीं पड़ता।

क्या कैप्शन पीछे रह जाते हैं, जैसे मेरी मीटिंग वाले रह जाते हैं?

पहले से कम, पर बिल्कुल न रहें, ऐसा नहीं। यह पूरा वाक्य ख़त्म होने का इंतज़ार करने के बजाय शब्द आते ही लगातार कैप्शन बनाता है, और सबसे नया शब्द तब तक धुँधला रहता है जब तक मॉडल उसे लेकर पक्का न हो जाए, इसलिए आप बाद में नहीं, साथ-साथ पढ़ते हैं। फिर भी यह स्पीच रिकग्निशन ही है: शब्द बोले जाने और उसके पढ़े जाने लायक़ होने के बीच थोड़ी देर लगती ही है, और तेज़ बोलने वाला किसी भी कैप्शन से थोड़ा आगे रहेगा ही।

क्या कैप्शन बड़े और पढ़ने में आसान किए जा सकते हैं?

हाँ। बॉक्स का आकार, पारदर्शिता, वह कितनी लाइनें रखता है और कहाँ बैठता है, सब सेटिंग हैं, और सेटिंग्ज़ विंडो उन्हें किसी मॉकअप में नहीं, असली ओवरले पर दिखाती है। इसे ठोस रखकर मनचाही जगह खींचना हो तो Shift दबाए रखिए; आप जहाँ रखेंगे, वह जगह याद रहती है।

क्या यह FaceTime और फ़ोन कॉल का कैप्शन बनाता है?

जो कुछ भी Mac पर किसी ऐप से बजता है, यानी FaceTime, डेस्कटॉप पर WhatsApp या Signal की कॉल, आपके Mac से लगाया गया कोई नंबर और सुना जा रहा कोई वॉइसमेल। आप सामने वाले की बात पढ़ते हैं, अपनी नहीं, क्योंकि ऐप माइक्रोफ़ोन नहीं, वही पढ़ता है जो Mac चलाता है। ये वही कॉल हैं जिनमें न कैप्शन का बटन होता है, न पूछने के लिए कोई होस्ट, इसलिए लोग अक्सर सबसे पहले इन्हीं पर इसे आज़माते हैं।

क्या यह बताएगा कि कौन बोल रहा है, या SDH की तरह आवाज़ें भी दर्ज करेगा?

वक्ता बदलने पर यह नया कैप्शन बॉक्स शुरू कर सकता है, जो वैकल्पिक है और कॉल के लिए चालू करने लायक़, पर यह किसी का नाम नहीं लिखता। बोली के अलावा की आवाज़ें यह बिल्कुल दर्ज नहीं करता: स्पीच मॉडल से पहले बोली पहचानने वाला एक मॉडल चलता है ताकि म्यूज़िक कभी मनगढ़ंत बोल न बन जाए, और इसकी क़ीमत यह है कि आपको बोली गई बात मिलती है और यह कुछ नहीं कि और क्या सुनाई दे रहा था। अगर आवाज़ों के संकेत आपके लिए मायने रखते हैं, तो ढंग के SDH ट्रैक के मुक़ाबले असली कमी यही है।

कोई लाइन छूट जाए तो क्या होता है?

⌥ दबाए रखिए और पिछले कैप्शन वापस आ जाते हैं, उतना पीछे तक जितना आपने तय कर रखा है, और आप उनमें स्क्रोल कर सकते हैं या ⌥F दबाकर टाइप करके वह कैप्शन ढूँढ सकते हैं जो आपको चाहिए। यह जान-बूझकर थोड़ी देर का है, और काफ़ी देर की चुप्पी ढेर को मिटा देती है: यह अभी-अभी छूटे वाक्य को पकड़ने के लिए है। ऑडियो रुकने पर ऐप कही गई बातों को ट्रांसक्रिप्ट के रूप में सहेजने की पेशकश करता है, और आप न सहेजें तो डिस्क पर कुछ नहीं लिखा जाता।

क्या प्रति मिनट या हर महीने कोई ख़र्च है?

नहीं। 7 दिन मुफ़्त और फिर एक बार $19, और कैप्शन असीमित, क्योंकि मॉडल आपके Mac पर चलता है और उसे चलाने का कोई ख़र्च नहीं। न मिनट ख़रीदने हैं, न सब्सक्रिप्शन, और यह तब और मायने रखता है जब कैप्शन आपके लिए कभी-कभी चालू की जाने वाली चीज़ नहीं, हर बात समझने का ज़रिया हों।

क्या इसके लिए इंटरनेट कनेक्शन चाहिए?

एक बार, पहली बार चलाने पर मॉडल लाने के लिए। उसके बाद यह पूरी तरह ऑफ़लाइन चलता है, और बस दो अनुरोध हैं जो यह अब भी कर सकता है: नए वर्शन की रोज़ाना जाँच, जिसे आप मना कर सकते हैं, और कुंजी आ जाने पर महीने में एक बार आपकी लाइसेंस कुंजी की जाँच। आप जो सुनते हैं वह कभी कहीं नहीं भेजा जाता।