क्या Chariot-1-ASR लाइव कैप्शन में 10 भारतीय भाषाएँ संभाल पाएगा?

2 नवंबर 2026 को 06:20 am बजे|लेखक: QUASA संपादकीय टीम|6 मिनट पढ़ने का समय| 1

22 अक्टूबर 2026 की Moneycontrol की लॉन्च रिपोर्ट के मुताबिक, IndiaAI Mission में चुनी गई भारतीय टीम Chariot ने Chariot-1-ASR Realtime जारी किया। मॉडल हिंदी सहित 10 भारतीय भाषाओं में बोलते समय पाठ बनाता है। पॉडकास्ट और वीडियो के लाइव कैप्शन के लिए सीधा जवाब हाँ है, हालांकि प्रकाशित प्रदर्शन किसी खास रिकॉर्डिंग में मिलने वाले परिणाम की गारंटी नहीं है।

मॉडल Chariot के मंच पर उपलब्ध है। Chariot के रिलीज़ और मूल्यांकन विवरण में 79 सार्वजनिक परीक्षण समूहों पर उच्च सटीकता मोड की औसत शब्द त्रुटि दर 20.64% और Sarvam Saaras v4 के बैच मॉडल की 22.67% दर्ज है। तुलना कंपनी ने स्वयं की और प्रकाशित की; इन अंकों से कैप्शन आने की वास्तविक देरी या बाद में लगने वाला संपादन समय नहीं निकलता।

दस भाषाओं के साथ मिली-जुली बोलचाल

लॉन्च की सूची में हिंदी, मराठी, बंगाली, तमिल, तेलुगु, कन्नड़, मलयालम, गुजराती, पंजाबी और ओड़िया हैं। भारतीय अंग्रेज़ी भी समर्थित है, लेकिन उसे भारतीय भाषाओं की इस गिनती में शामिल नहीं किया गया है। इसका अर्थ है कि अलग-अलग भाषाओं में कार्यक्रम बनाने वाले क्रिएटर एक ही प्रतिलेखन सेवा का उपयोग कर सकते हैं; हर भाषा में समान सटीकता का दावा इस सूची से नहीं निकलता।

सत्र शुरू करते समय भाषा बताई जा सकती है। कॉल में वक्ता की भाषा पहले से मालूम न हो तो मॉडल ऑडियो से उसे पहचान सकता है। तय भाषा वाले इंटरव्यू और अनजान कॉलर वाली बातचीत में यह अंतर काम आता है: पहले मामले में भाषा की सेटिंग स्पष्ट रहती है, जबकि दूसरे में पहचान का काम मॉडल को करना पड़ता है। स्वतः पहचान की सुविधा का होना हर उच्चारण में उसके समान प्रदर्शन का प्रमाण नहीं है।

हिंदी या दूसरी भारतीय भाषा के बीच बोले गए अंग्रेज़ी शब्दों की लिखावट भी चुनी जा सकती है। एक विकल्प उन्हें लैटिन लिपि में रखता है, दूसरा बोली जा रही भाषा की लिपि में लिखता है। यह अनुवाद नहीं, प्रतिलेख की वर्तनी का चुनाव है। वीडियो कैप्शन में तकनीकी शब्द दर्शक को कैसे दिखाई देंगे और संपादक को नामों की वर्तनी कितनी सुधारनी होगी, इस चुनाव से प्रभावित हो सकता है।

लाइव कैप्शन और इंटरव्यू के लिए अलग गति

मॉडल के संतुलित मोड में पाठ जल्दी आता है; उच्च सटीकता मोड शब्द तय करने से पहले आवाज़ का अधिक संदर्भ लेता है। लाइव कार्यक्रम में दर्शक वक्ता के साथ पढ़ता है, इसलिए देर से आया सही शब्द भी बातचीत का प्रवाह बिगाड़ सकता है। रिकॉर्ड किए गए इंटरव्यू की लिखित प्रति या कॉल प्रतिलेख में थोड़ी प्रतीक्षा स्वीकार्य हो सकती है, यदि उससे शब्दों की शुद्धता बढ़े। दोनों मोड में भेजे गए ऑडियो पर क्रेडिट की दर एक समान है।

प्रकाशित विवरण दोनों मोड का उद्देश्य बताता है, पर हर परिस्थिति के लिए कैप्शन आने का निश्चित समय नहीं देता। ऑडियो का रास्ता, वक्ताओं के बीच रुकावटें और रिकॉर्डिंग की गुणवत्ता भी पाठ दिखाई देने के समय को प्रभावित कर सकती हैं। इसलिए गति का चुनाव केवल मॉडल के नाम से तय नहीं होता: लाइव प्रसारण में देरी तुरंत दिखती है, जबकि इंटरव्यू की अंतिम प्रति में गलत शब्द सुधारने का समय अधिक महसूस होता है।

कॉल प्रतिलेखन की स्थिति और अलग है। सामने वाले की भाषा बदल सकती है, फ़ोन की आवाज़ सीमित गुणवत्ता की हो सकती है और दोनों वक्ता एक-दूसरे के ऊपर बोल सकते हैं। ऐसे ऑडियो का मूल्यांकन केवल साफ़ रिकॉर्ड किए गए एकल वक्ता से नहीं किया जा सकता। भाषा पहचान और उच्च सटीकता मोड इस कार्यप्रवाह से जुड़े विकल्प हैं, लेकिन सार्वजनिक औसत किसी विशेष कॉल में होने वाली गलतियों की संख्या नहीं बताता।

शब्द त्रुटि दर को कैप्शन की गुणवत्ता कैसे समझें

शब्द त्रुटि दर संदर्भ पाठ के मुकाबले बदले हुए, छूटे हुए और अतिरिक्त शब्दों का अनुपात मापती है। Chariot के मूल्यांकन में पढ़ा गया भाषण, सहज बातचीत, फ़ोन ऑडियो और शोर वाली रिकॉर्डिंग शामिल थीं। हर भाषा का परिणाम उसके परीक्षण समूहों से निकाला गया और समग्र औसत में भाषाओं को बराबर महत्व दिया गया। इससे विभिन्न तरह के ऑडियो की तुलना संभव होती है, लेकिन किसी एक पॉडकास्ट की अपेक्षित त्रुटि दर तय नहीं होती।

प्रतिस्पर्धी मॉडलों की कार्यप्रणाली भी तुलना समझने में जरूरी है। बैच मॉडल पूरी रिकॉर्डिंग सुनने के बाद शुरुआती शब्द को बाद के संदर्भ से समझ सकता है; लाइव मॉडल को आवाज़ आते हुए पाठ देना होता है। इसीलिए प्रकाशित मूल्यांकन में लाइव मॉडल का बैच मॉडल से आगे रहना ध्यान देने योग्य है। फिर भी प्रतिस्पर्धियों और परीक्षण समूहों का चयन Chariot ने किया था, और स्वतंत्र प्रसारणों में वही बढ़त कितनी बनी रहती है, इसके आँकड़े इस मूल्यांकन से नहीं मिलते।

कोड-मिश्रित बातचीत में सामान्य शब्द त्रुटि दर की एक व्यावहारिक सीमा है। पहचाना गया अंग्रेज़ी शब्द सही हो, लेकिन संदर्भ पाठ में उसकी लिपि दूसरी हो, तो सीधी शब्द तुलना उसे गलती मान सकती है। प्रकाशित परीक्षण में हिंदी के प्रतिस्पर्धी प्रतिलेखों पर एक समान लिपि-संबंधी प्रक्रिया लागू की गई थी। कैप्शन पढ़ने में कितने सहज हैं और तैयार प्रति सुधारने में कितना समय लगता है, ये उस त्रुटि दर से अलग प्रश्न हैं।

मासिक योजना से प्रति घंटे का खर्च

Chariot की वर्तमान मूल्य तालिका में भेजे गए ऑडियो पर प्रति सेकंड 1.5 क्रेडिट, ₹499 की योजना में 100,000 क्रेडिट, ₹999 की योजना में 250,000 क्रेडिट और ₹4,999 की योजना में 1,500,000 क्रेडिट दिए गए हैं। दोनों प्रतिलेखन मोड एक ही दर पर चलते हैं। ये क्रेडिट आवाज़ बनाने की सेवा के साथ साझा होते हैं और सूचीबद्ध मासिक कीमतों में लागू कर शामिल नहीं है।

केवल प्रतिलेखन के लिए इस्तेमाल मानें तो एक घंटे के ऑडियो में 5,400 क्रेडिट लगेंगे। यह ऑडियो भेजे जाने की अवधि का हिसाब है, कनेक्शन खुले रहने के पूरे समय का नहीं। इसलिए प्रति घंटे का वास्तविक खर्च चुनी गई योजना के शुल्क के साथ-साथ इस बात पर निर्भर करेगा कि महीने में उसका कितना हिस्सा इस्तेमाल हुआ और साझा क्रेडिट दूसरी सेवा पर भी खर्च हुए या नहीं।

एक सशर्त उदाहरण में महीने के दस घंटे के ऑडियो के लिए ₹499 वाली योजना का पूरा शुल्क प्रति इस्तेमाल घंटे लगभग ₹49.90 होगा। चालीस घंटे पर ₹999 वाली योजना का औसत लगभग ₹24.98 प्रति घंटा बैठता है। ये दरें अलग से घोषित प्रति घंटा शुल्क नहीं हैं; कम ऑडियो भेजने पर इस्तेमाल किए गए हर घंटे का औसत खर्च बढ़ेगा। कैप्शन में गलत नाम और मिली-जुली भाषा सुधारने का समय भी उत्पादन खर्च का हिस्सा बनेगा, जिसे प्रकाशित शब्द त्रुटि दर मिनटों में नहीं मापती।

लाइव कैप्शन के लिए उपलब्धता अब स्पष्ट है, लेकिन अलग उच्चारण, शोर और लगातार भाषा बदलने वाली वास्तविक रिकॉर्डिंग में विलंब तथा संपादन समय के स्वतंत्र आँकड़े अभी इस निर्णय का अधूरा हिस्सा हैं। जब ऐसे आँकड़े सामने आएँगे, तभी प्रकाशित शब्द त्रुटि दर को क्रिएटर के काम में बचने वाले समय से ठोस रूप से जोड़ा जा सकेगा।

यह भी पढ़ें:

साझा करें: