क्या AI इंटरव्यू असिस्टेंट अलग-अलग लहजों को समझ पाता है?

यह सवाल असल में दो हिस्सों में बंट जाता है, और दोनों हिस्सों के जवाब अलग-अलग हैं। आपका अपना लहजा इस बात को प्रभावित करता है कि आपकी अपनी बोली कैसे ट्रांसक्राइब होती है। इंटरव्यू लेने वाले का लहजा इस बात को प्रभावित करता है कि असिस्टेंट ने उस सवाल को समझा या नहीं जिसका वह अभी जवाब देने वाला है, और यही वह हिस्सा है जो तय करता है कि आपकी स्क्रीन पर दिख रहा सुझाव किसी काम का है भी या नहीं।

macOS और Windows डेस्कटॉप ऐप्स में दोनों पक्षों को कैप्चर किया जाता है: सिस्टम ऑडियो इंटरव्यू लेने वाले की आवाज़ ले जाता है, आपका माइक्रोफ़ोन आपकी आवाज़ ले जाता है, और दोनों स्ट्रीम को अलग-अलग पहचाना जाता है। सिर्फ़ इंटरव्यू लेने वाले के पूरे हो चुके वाक्य ही नया सुझाव ट्रिगर करते हैं। ब्राउज़र एक्सटेंशन का साइड पैनल इसे और भी सीमित कर देता है, क्योंकि यह सिर्फ़ मीटिंग टैब का ऑडियो कैप्चर करता है, इसलिए यह सिर्फ़ इंटरव्यू लेने वाले को सुनता है और आपको कभी ट्रांसक्राइब नहीं करता। अगर आपकी चिंता आपके अपने लहजे को लेकर थी, तो यह एक्सटेंशन इस सवाल को पूरी तरह से खत्म कर देता है।

यह मान लेना स्वाभाविक लगता है कि भाषा चुनने से लहजा भी चुना जाता है, और कहीं ऐसी जगह जो आपने अभी तक नहीं देखी, वहां इंडियन इंग्लिश या स्कॉटिश इंग्लिश का विकल्प मौजूद है। ऐसा नहीं है। भाषा सेटिंग सिर्फ़ भाषा चुनती है, उससे ज़्यादा बारीक कुछ नहीं। ऑडियो के रिकग्नाइज़र तक पहुंचने से पहले ही क्षेत्रीय विविधताएं सिमट जाती हैं, इसलिए यूके इंग्लिश और यूएस इंग्लिश एक जैसे रिक्वेस्ट के रूप में पहुंचते हैं।

असल में जो अपने आप होता है वह यह है: डिफ़ॉल्ट ऑटो-डिटेक्ट के साथ, इंजन आपको भाषा बताने के लिए मजबूर करने की बजाय बोली के पहले कुछ सेकंड से ही भाषा का पता लगा लेता है। लहजे वाली बोली पर सटीकता इस बात पर निर्भर करती है कि रिकग्निशन मॉडल के ट्रेनिंग डेटा में उस लहजे का कितना हिस्सा मौजूद था, जिसे कोई सेटिंग सामने नहीं लाती और जिसे ऐप ओवरराइड नहीं कर सकता। यह साफ़-साफ़ कहना, किसी ऐसे डायल के होने का आभास देने से बेहतर है जो असल में मौजूद ही नहीं। भाषा से जुड़े फ़ील्ड कहां मिलते हैं, यह ट्यूटोरियल पेज पर दिखाया गया है।

गलतियां शायद ही कभी नाटकीय होती हैं। गलत सुना गया कोई तकनीकी शब्द या छूट गया कोई निषेध, एक ऐसे सुझाव में बदल जाता है जो धाराप्रवाह है, आत्मविश्वास से भरा है, और उस चीज़ का जवाब दे रहा है जो इंटरव्यू लेने वाले ने पूछी ही नहीं थी। यह चूक शांत होती है, और यही बात इसे जानने लायक बनाती है।

SubcueAI के फ़ाउंडर Aaron Cao ने ठीक इसी वजह से लाइव ट्रांसक्रिप्ट को छुपाने की बजाय सुझाव के बगल में स्क्रीन पर दिखाया है। सिस्टम ने जो वाक्य सुना है समझा है, उसे देख पाने से आप लगभग एक सेकंड में ही गड़बड़ी पकड़ सकते हैं, जबकि बिना दिखने वाली ट्रांसक्रिप्ट वाला सुझाव आपको ऐसे पल में एक ब्लैक बॉक्स पर भरोसा करने पर मजबूर कर देगा जब आप सबसे कम भरोसा कर सकते हैं।

अपनाने लायक आदत यह है: पहले ट्रांसक्रिप्ट की लाइन पढ़ें, फिर सुझाव। जब दोनों में मेल न बैठे, तो आपके कान जीतते हैं। कैप्चर और जवाब जनरेशन आपस में कैसे जुड़ते हैं, यह यह कैसे काम करता है पेजों में बताया गया है।

नीचे दिए गए तरीकों में से कोई भी ध्वनिक मॉडल को नहीं बदलता, और कोई भी भारी लहजे को हल्के लहजे जैसा ट्रांसक्राइब नहीं करवा सकता। ये जो करते हैं, वह है उन गलतियों को हटाना जिन्हें हटाना आपके हाथ में है।

• स्पीकर की बजाय हेडसेट: इंटरव्यू लेने वाले के ऑडियो को साफ़ रखता है और कमरे की गूंज को वापस ट्रांसक्राइब होने से रोकता है।
• शांत कमरा: बैकग्राउंड की बातचीत वह गलती का स्रोत है जिसे लोग सबसे ज़्यादा कम करके आंकते हैं, क्योंकि रिकग्नाइज़र को नहीं पता होता कि कौन सी आवाज़ इंटरव्यू की है।
• ऑटो-डिटेक्ट की बजाय भाषा बताना: अगर आपको पहले से पता है कि इंटरव्यू जर्मन में होगा, तो यह बताने से शुरुआती सेकंडों में होने वाली डिटेक्शन की डगमगाहट टल जाती है।
• समानांतर ऑडियो स्रोतों को कम करना: संगीत, नोटिफ़िकेशन की आवाज़ें, और एक दूसरी कॉल, सभी एक ही सिस्टम ऑडियो स्ट्रीम में आ मिलते हैं।

ठीक उसी हार्डवेयर पर एक मॉक इंटरव्यू चलाना, जिसे आप इस्तेमाल करने की योजना बना रहे हैं, बात बिगड़ने से पहले अपनी असली त्रुटि दर देखने का सबसे तेज़ तरीका है।