کیا AI انٹرویو اسسٹنٹ مختلف لہجوں کے ساتھ کام کرتا ہے؟

یہ سوال دو حصوں میں بٹ جاتا ہے، اور دونوں حصوں کے جواب مختلف ہیں۔ آپ کا لہجہ اس بات پر اثر انداز ہوتا ہے کہ آپ کی اپنی گفتگو کیسے ٹرانسکرائب ہوتی ہے۔ انٹرویو لینے والے کا لہجہ اس بات پر اثر انداز ہوتا ہے کہ آیا اسسٹنٹ نے وہ سوال سمجھا جس کا وہ جواب دینے والا ہے، اور یہی وہ حصہ ہے جو یہ طے کرتا ہے کہ آپ کی اسکرین پر موجود تجویز کسی کام کی ہے یا نہیں۔

macOS اور Windows ڈیسک ٹاپ ایپس پر دونوں طرف کیپچر کی جاتی ہیں: سسٹم آڈیو انٹرویو لینے والے کی آواز لے جاتا ہے، آپ کا مائیکروفون آپ کی آواز لے جاتا ہے، اور دونوں سٹریمز کو الگ الگ پہچانا جاتا ہے۔ صرف انٹرویو لینے والے کے مکمل جملے ہی نئی تجویز کو متحرک کرتے ہیں۔ براؤزر ایکسٹینشن کا Side Panel اس دائرے کو مزید محدود کر دیتا ہے، کیونکہ یہ صرف میٹنگ ٹیب کا آڈیو کیپچر کرتا ہے، اس لیے یہ صرف انٹرویو لینے والے کو سنتا ہے اور آپ کو کبھی ٹرانسکرائب نہیں کرتا۔ اگر آپ کو اپنے ہی لہجے کی فکر تھی، تو ایکسٹینشن اس مسئلے کو مکمل طور پر ختم کر دیتا ہے۔

یہ فرض کرنا معقول لگتا ہے کہ زبان منتخب کرنے سے لہجہ بھی منتخب ہو جاتا ہے، اور کہیں نہ کہیں انڈین انگریزی یا سکاٹش انگریزی کا آپشن موجود ہے جو آپ کو ابھی تک نہیں ملا۔ ایسا نہیں ہے۔ لینگویج سیٹنگ صرف ایک زبان منتخب کرتی ہے، اس سے زیادہ مخصوص کچھ نہیں۔ آڈیو کے ریکگنائزر تک پہنچنے سے پہلے ہی علاقائی اقسام آپس میں مل جاتی ہیں، اس لیے برطانوی انگریزی اور امریکی انگریزی ایک ہی درخواست کے طور پر پہنچتی ہیں۔

جو چیز واقعی خودکار طور پر ہوتی ہے: ڈیفالٹ آٹو ڈیٹیکٹ کے ساتھ، انجن آپ کو زبان بتانے پر مجبور کرنے کے بجائے گفتگو کے ابتدائی چند سیکنڈز سے زبان کا اندازہ لگا لیتا ہے۔ لہجے والی گفتگو پر درستگی کا انحصار اس بات پر ہوتا ہے کہ ریکگنیشن ماڈل کے تربیتی ڈیٹا میں وہ لہجہ کتنا موجود تھا، جسے کوئی سیٹنگ ظاہر نہیں کرتی اور ایپ اسے تبدیل نہیں کر سکتی۔ اسے صاف طور پر کہہ دینا اس تاثر سے بہتر ہے کہ کوئی ڈائل موجود ہے۔ لینگویج فیلڈز کہاں موجود ہیں یہ ٹیوٹوریل صفحے پر دکھایا گیا ہے۔

غلطیاں شاذ و نادر ہی ڈرامائی ہوتی ہیں۔ کوئی غلط سنی گئی تکنیکی اصطلاح یا چھوٹ جانے والی نفی ایک ایسی تجویز میں بدل جاتی ہے جو رواں، پراعتماد ہوتی ہے اور کسی ایسی چیز کا جواب دیتی ہے جو انٹرویو لینے والے نے پوچھی ہی نہیں تھی۔ یہ خرابی خاموش ہوتی ہے، اور یہی چیز اسے جاننے کے لائق بناتی ہے۔

Aaron Cao، SubcueAI کے بانی، نے اسی وجہ سے لائیو ٹرانسکرپٹ کو چھپانے کے بجائے تجویز کے ساتھ اسکرین پر رکھا۔ وہ جملہ دیکھنا جسے سسٹم نے سنا ہوا سمجھا، آپ کو تقریباً ایک سیکنڈ میں فرق پکڑنے کے قابل بناتا ہے، جبکہ کسی نظر آنے والے ٹرانسکرپٹ کے بغیر تجویز آپ کو اُس لمحے ایک بلیک باکس پر بھروسہ کرنے پر مجبور کرتی جب آپ ایسا کرنے کے سب سے کم متحمل ہوتے ہیں۔

عادت جو بنانے کے قابل ہے: پہلے ٹرانسکرپٹ کی لائن پڑھیں، پھر تجویز۔ جب دونوں میں اختلاف ہو تو آپ کے کان جیتتے ہیں۔ آڈیو کیپچر اور جواب کی تیاری کیسے آپس میں جڑتے ہیں، اس کا احاطہ یہ کیسے کام کرتا ہے صفحات پر کیا گیا ہے۔

نیچے دیے گئے کسی بھی طریقے سے صوتی ماڈل تبدیل نہیں ہوتا، اور ان میں سے کوئی بھی گہرے لہجے کو ہلکے لہجے کی طرح ٹرانسکرائب نہیں کرواتا۔ یہ جو کچھ کرتے ہیں وہ ان غلطیوں کو ختم کرنا ہے جن کا تعلق خود آپ سے ہے۔

• اسپیکرز کے بجائے ہیڈسیٹ: انٹرویو لینے والے کے آڈیو کو صاف رکھتا ہے اور کمرے کی بازگشت کو دوبارہ ٹرانسکرائب ہونے سے روکتا ہے۔
• خاموش کمرہ: پس منظر کی گفتگو ایک ایسا ذریعہ خرابی ہے جسے لوگ کم سمجھتے ہیں، کیونکہ ریکگنائزر کو معلوم نہیں ہوتا کہ کون سی آواز انٹرویو کی ہے۔
• آٹو ڈیٹیکٹ کے بجائے زبان بتانا: اگر آپ کو پہلے سے معلوم ہے کہ انٹرویو جرمن میں ہوگا، تو یہ بتانے سے ابتدائی سیکنڈز میں ڈیٹیکشن کی لڑکھڑاہٹ سے بچا جا سکتا ہے۔
• متوازی آڈیو ذرائع کم کرنا: موسیقی، نوٹیفکیشن کی آوازیں، اور دوسری کال، یہ سب ایک ہی سسٹم آڈیو سٹریم میں جا ملتے ہیں۔

وہی ہارڈویئر استعمال کرتے ہوئے جو آپ استعمال کرنے کا ارادہ رکھتے ہیں، ایک موک انٹرویو چلانا آپ کی حقیقی خرابی کی شرح کو اہمیت اختیار کرنے سے پہلے دیکھنے کا سب سے تیز طریقہ ہے۔