डिक्टेशन के लिए पैसे देना बंद करें! यह ऐप बेहतरीन और मुफ़्त है। (handy)
BBetter Stack
컴퓨터/소프트웨어AI/미래기술
Transcript
00:00:00यह Handy है। यह एक ओपन-सोर्स स्पीच रिकग्निशन और डिक्टेशन ऐप है जो
00:00:06पूरी तरह से ऑफलाइन चलता है — बिना किसी क्लाउड, सब्सक्रिप्शन या अकाउंट के। यह आपको अपना पसंदीदा
00:00:12डिक्टेशन मॉडल चुनने की आजादी देता है। सच कहूं तो, अब यह मेरा पसंदीदा स्पीच-टू-टेक्स्ट
00:00:18डिक्टेशन टूल बन गया है। इस वीडियो में हम Handy को देखेंगे, समझेंगे कि यह कैसे काम करता है, और
00:00:24कुछ टेस्ट करके देखेंगे कि यह Whisperflow जैसे कमर्शियल
00:00:29दिग्गजों के सामने कहां टिकता है। इसमें काफी मज़ा आने वाला है, तो चलिए शुरू करते हैं। अब तक मैं
00:00:39स्पीच डिक्टेशन ऐप्स को लेकर थोड़ा संशय में था और मुझे ऐसा कोई ऐप नहीं मिल रहा था जिसे मैं इस्तेमाल करना चाहूं। मैं किसी
00:00:45कमर्शियल प्रोडक्ट का इस्तेमाल करके डिक्टेशन के लिए पैसे नहीं देना चाहता था, और मुझे इस बात की भी चिंता थी कि लोकल डिक्टेशन मॉडल वाले
00:00:51ओपन सोर्स टूल का इस्तेमाल करने से मेरा CPU हैवी हो सकता है। लेकिन Handy ने मेरी यह दोनों
00:00:58चिंताएं दूर कर दीं। तो सबसे पहले बात करते हैं कि Handy वास्तव में कैसे बना है और यह कैसे काम करता है। Handy को
00:01:04डेवलपर CJ Pace ने Tauri की मदद से बनाया है। यह बैकएंड के लिए Rust और सेटिंग्स UI को हैंडल करने के लिए
00:01:12React और TypeScript का इस्तेमाल करता है। Transcribe CPP, Whisper फैमली के मॉडल्स को GGML और GGUF फॉर्मेट में चलाता है। Transcribe RS
00:01:20Parakeet को चलाता है। CPAL लाइब्रेरी क्रॉस-प्लेटफॉर्म ऑडियो इनपुट को संभालती है। RDEV ग्लोबल कीबोर्ड
00:01:28शॉर्टकट्स को कंट्रोल करता है, और यह Rubato नाम की एक लाइब्रेरी का इस्तेमाल करता है जो रियल-टाइम ऑडियो स्ट्रीमिंग और
00:01:33रीसैंपलिंग का ध्यान रखती है। यह कॉम्बिनेशन मेरे Macbook पर भी इसे चलाना बेहद आसान और लाइटवेट बना देता है।
00:01:40और यूज़र के नज़रिए से इसका फ्लो बेहद आसान है। आप एक कस्टम कीबोर्ड शॉर्टकट सेट करते हैं और फिर
00:01:46उसे टॉगल ऑन/ऑफ़ करते हैं या पुश-टू-टॉक के लिए दबाकर रखते हैं। जब आप इसे दबाकर रखते हैं, तो
00:01:52Cilero VAD नाम की यूटिलिटी बैकग्राउंड में चुपचाप सन्नाटे (साइलेंस) को फ़िल्टर करती रहती है, ताकि
00:01:58खाली समय को ट्रांसक्राइब करने में आपकी कंप्यूटिंग पावर बेकार न हो। जब आप बटन छोड़ते हैं, तो Handy आपके चुने हुए
00:02:04मॉडल को ऑडियो भेजता है और ट्रांसक्राइब किए गए टेक्स्ट को सीधे उसी इनपुट फ़ील्ड में पेस्ट कर देता है जो उस समय एक्टिव होती है।
00:02:11सच कहें तो Handy इस मामले में अकेला नहीं है। बाज़ार में ऐसे कई अन्य डिक्टेशन ऐप्स हैं जो इसी तरह काम करते हैं।
00:02:17लेकिन मुझे जो बात सबसे ज़्यादा पसंद है, वह यह है कि आप अपना पसंदीदा मॉडल चुन सकते हैं और मॉडल सेक्शन में मौजूद
00:02:22हर मॉडल में स्पीड और एक्यूरेसी का मीटर दिया गया है। यह Mario Kart में अपना पसंदीदा
00:02:28कैरेक्टर चुनने जैसा है। आप तय कर सकते हैं कि आपके लिए कौन सा मीट्रिक सबसे महत्वपूर्ण है। मेरे मामले में,
00:02:34Parakeet Unified 0.6 बिलियन पैरामीटर मॉडल का इस्तेमाल करना मेरे लिए बहुत बढ़िया काम करता है क्योंकि Parakeet एक CPU-ओनली
00:02:42मॉडल है। उनके अपने आंकड़ों के मुताबिक, यह मिड-रेंज i5 चिप पर लगभग
00:02:485 गुना रियल-टाइम स्पीड से चलता है। और मेरा M2 Max तो उस स्पेक्स से काफी आगे है। इसलिए जब यह बैकग्राउंड में चलता है तो
00:02:54मुझे इसका अहसास तक नहीं होता। चुनने के लिए और भी कई ऑप्शन हैं। उनके पास ऐसे मॉडल्स भी हैं जो किसी
00:02:59एक खास भाषा के लिए बनाए गए हैं। उदाहरण के लिए, हमारे पास कुछ रशियन और कुछ यूक्रेनी मॉडल्स हैं। और मुझे Handy के मिशन
00:03:05की ईमानदारी बहुत पसंद आई। Handy सबसे बेहतरीन स्पीच-टू-टेक्स्ट ऐप बनने की कोशिश नहीं कर रहा है।
00:03:11यह सबसे ज्यादा “Forkable” (कस्टमाइज़ करने योग्य) ऐप बनने की कोशिश कर रहा है। आप अपने खुद के फाइन-ट्यून किए गए Whisper
00:03:17GGML मॉडल्स को ऐप के मॉडल्स फ़ोल्डर में डाल सकते हैं, रीस्टार्ट कर सकते हैं, और यह एक कस्टम ऑप्शन के रूप में दिखने लगेगा।
00:03:23और मुझे लगता है कि Whisperflow जैसे ऐप के मुकाबले Handy को चुनने की सबसे बड़ी वजह
00:03:28यह है कि Handy बिना इंटरनेट के काम करता है, कोई अकाउंट बनाने की जरूरत नहीं है और कोई सब्सक्रिप्शन नहीं है।
00:03:34और मुझे पक्का यकीन है कि मेरे सभी डिक्टेशन ऑडियो सैंपल मेरी मशीन पर ही रहते हैं और उनका इस्तेमाल
00:03:40चुपके से दूसरे वॉइस मॉडल्स को ट्रेन करने में नहीं किया जा रहा है। इसलिए मुझे बहुत खुशी है कि अब हमारे पास एक MIT
00:03:46लाइसेंस प्राप्त ऐसा डिक्टेशन टूल है। यह सब सुनने में बहुत बढ़िया लगता है, लेकिन चलिए Handy का टेस्ट करते हैं
00:03:52और देखते हैं कि यह कैसा परफॉर्म करता है। मैं Handy की परफॉरमेंस की तुलना Whisperflow से और साथ ही
00:03:58Google की अपनी ट्रांसक्रिप्शन सर्विस से करूंगा, जो यहां Google Docs में उपलब्ध है। तो इस Google Docs पेज पर,
00:04:05मैं Google का वॉइस टाइपिंग मोड चालू करने जा रहा हूं। और साथ ही, मैं दबाकर रखूंगा
00:04:11Handy के ट्रांसक्रिप्शन शॉर्टकट को। और फिर मैं बिना किसी तैयारी के लगातार बोलूंगा। और आखि़र में,
00:04:18हम देखेंगे कि हर सर्विस हमें कैसा रिज़ल्ट देती है और दोनों की तुलना करेंगे।
00:04:26तो कल मैं कुछ ग्रॉसरी का सामान लेने गया था और घर लौटते वक्त मुझे अचानक याद आया कि मुझे
00:04:34वापस जाकर अपने SQLite डेटाबेस को COBOL सर्विस से कनेक्ट करना है जो मेरे कस्टम GPU क्लस्टर पर चल रही है।
00:04:43मुझे वास्तव में नहीं पता था कि यह कैसे करना है। इसलिए मुझे मदद मांगनी पड़ी। और अकेला टूल जो मेरी मदद कर सकता था
00:04:55वह Grok नाम का एक LLM था। और फिर मुझे ChatGPT से भी थोड़ी मदद मिली। और अंत में,
00:05:04हमने एक वर्किंग एप्लीकेशन चालू कर ली, लेकिन यह बहुत झंझट भरा काम था। चलिए इन दोनों को अलग करते हैं।
00:05:12जैसा कि आप यहां देख सकते हैं, Google की वॉइस टाइपिंग सर्विस काफी खराब है। यह कोई पंक्चुएशन नहीं जोड़ती।
00:05:20इसे वाक्यों को तोड़ना नहीं आता। इसने COBOL को सही से नहीं पहचाना। इसने SQLite
00:05:27डेटाबेस को भी सही से नहीं समझा। यह LLM शब्द को भी सही नहीं पकड़ पाई। इसने Grok को rock समझा। और यह
00:05:35मेरा पसंदीदा हिस्सा है। इसने सोच लिया कि chat GPT, Chad GPT है। Chad GPT! बढ़िया! तो हाँ, आप साफ़
00:05:45देख सकते हैं कि Handy काफी बेहतर है क्योंकि यह पंक्चुएशन सही देता है। यह कुछ टर्म्स को पहचानता है,
00:05:52और इसने ज़्यादातर टेक्निकल टर्म्स को सही पकड़ा। अब चलिए इस रिज़ल्ट की तुलना
00:05:58Whisperflow से भी करते हैं। तो मैं इस टेस्ट के साथ इंसाफ करने के लिए उसी टेक्स्ट को दोहराने की कोशिश करूंगा।
00:06:08तो कल मैं कुछ सामान लेने गया था और वापस आते समय मुझे अचानक याद आया कि मुझे
00:06:16घर लौटकर अपने SQLite डेटाबेस को COBOL सर्विस से कनेक्ट करना है जो मेरे कस्टम GPU क्लस्टर पर चल रही है।
00:06:26अब, मुझे वास्तव में नहीं पता था कि यह कैसे करना है। इसलिए मुझे मदद मांगनी पड़ी। और अकेला टूल
00:06:33जो मेरी मदद कर सकता था, वह Grok नाम का एक LLM था। और फिर मुझे Chad GPT से भी थोड़ी मदद मिली।
00:06:41और अंत में, हमने एक वर्किंग एप्लीकेशन चालू कर ली, लेकिन यह काफी झंझट भरा काम था।
00:06:48ठीक है। आप साफ देख सकते हैं कि Whisperflow ने सबसे बढ़िया काम किया। इसने वाक्यों को सही से अलग किया,
00:06:55और सारे टर्म्स को बिल्कुल सही पकड़ा। चूंकि यह एक कमर्शियल ऐप है, तो आप उम्मीद करेंगे ही
00:07:03कि यह ओपन-सोर्स टूल से बेहतर होगा। लेकिन ईमानदारी से कहूं तो, इसके और Whisperflow के
00:07:09रिज़ल्ट में बहुत ज़्यादा अंतर नहीं है। इसलिए मैं अभी भी Handy इस्तेमाल करना पसंद करूंगा क्योंकि यह मुफ़्त,
00:07:17प्राइवेट और ओपन-सोर्स है। लेकिन Whisperflow ने भी यहाँ बहुत अच्छा काम किया। तो कुल मिलाकर यह एक बेहतरीन सर्विस है।
00:07:25तो दोस्तों, संक्षेप में Handy यही है। जब मैंने कहा था कि
00:07:30यह वास्तव में मेरा पसंदीदा डिक्टेशन टूल बन गया है, तो मैं मज़ाक नहीं कर रहा था। और मुझे तो डर लग रहा है कि कहीं मैं
00:07:36कीबोर्ड पर टाइप करना ही न भूल जाऊं, अगर मैं इसका ज़्यादा इस्तेमाल करने लगा। खैर, ये तो बस मेरे विचार और अनुभव थे।
00:07:42लेकिन आप Handy के बारे में क्या सोचते हैं? क्या आपने इसे आज़माया है? क्या आप इसे इस्तेमाल करेंगे? हमें नीचे कमेंट
00:07:47सेक्शन में ज़रूर बताएं। और दोस्तों, अगर आपको इस तरह के टेक्निकल ब्रेकडाउन पसंद आते हैं, तो कृपया
00:07:52वीडियो के नीचे दिए गए लाइक बटन को दबाकर मुझे बताएं। और हमारे चैनल को सब्सक्राइब करना न भूलें।
00:07:57BetterStack से मैं था Andres, और अब मैं आपसे अगले वीडियो में मिलूंगा!