दो दशकों तक, Dragon NaturallySpeaking डिक्टेशन सटीकता का स्वर्ण मानक था। वह स्थिति बदल रही है। OpenAI का Whisper इंजन, खासकर 2024 में जारी Large v3 Turbo वैरिएंट, सामान्य डिक्टेशन के लिए Dragon के बराबर पहुँच गया है और कई विशिष्ट मामलों में उससे आगे निकल जाता है। यह लेख उस तुलना के बारे में हम असल में जो जानते हैं, उसकी पड़ताल करता है, स्रोतों के साथ।

डिक्टेशन में "सटीकता" का क्या मतलब है

डिक्टेशन सटीकता को आमतौर पर वर्ड एरर रेट (WER) के रूप में मापा जाता है, यानी प्रतिलेख में गलत आने वाले शब्दों का प्रतिशत। जितना कम, उतना बेहतर। 5% का WER मतलब हर 100 में से 95 शब्द सही हैं।

WER स्थितियों के आधार पर बहुत अधिक बदलता है: वक्ता की आवाज़, माइक्रोफ़ोन की गुणवत्ता, पृष्ठभूमि का शोर, शब्दावली का क्षेत्र, डिक्टेशन की शैली। एक बेंचमार्क संख्या तभी सार्थक होती है जब आप जानते हों कि वह किन परिस्थितियों में मापी गई थी।

Whisper Large v3 Turbo: प्रकाशित आँकड़े

OpenAI ने 2024 में Whisper Large v3 Turbo को Whisper Large v3 के एक तेज़ वैरिएंट के रूप में प्रकाशित किया, जिसकी सटीकता तुलनीय है। मानक बेंचमार्क पर रिपोर्ट की गई वर्ड एरर दरें:

  • Whisper Large v3 (मूल): बहुभाषी डेटासेट में औसतन 13.20% WER
  • Whisper Large v3 Turbo: 13.40% WER — मूल से 0.2% के भीतर
  • केवल-अंग्रेज़ी, साफ़ परिस्थितियाँ: 3-5% WER (97-95% सटीकता)

Turbo वैरिएंट v3 से लगभग 4 गुना तेज़ चलता है, सटीकता मूलतः वही रहती है। यही वह इंजन है जिसे CaringDictate इस्तेमाल करता है।

सामान्य CaringDictate उपयोग मामले (अंग्रेज़ी, साफ़ कमरा, ठीक-ठाक माइक्रोफ़ोन) के लिए, वास्तविक दुनिया में लगातार डिक्टेशन पर सटीकता औसतन 96-97% रहती है। यह अंग्रेज़ी-साफ़ परिस्थितियों के लिए OpenAI के प्रकाशित आँकड़ों से मेल खाता है और यही हम अपने मार्केटिंग पेजों पर बताते हैं।

Dragon के सटीकता संबंधी दावे

Dragon ने ऐतिहासिक रूप से 99% सटीकता का विज्ञापन किया। बारीक अक्षरों में: यह संख्या प्रशिक्षित उपयोगकर्ताओं पर, उच्च-गुणवत्ता वाले हेडसेट माइक्रोफ़ोन के साथ, शांत वातावरण में, व्यापक आवाज़ प्रशिक्षण के बाद हासिल की गई थी। पहले दिन का अप्रशिक्षित Dragon उपयोगकर्ता आमतौर पर 92-94% सटीकता के क़रीब देखता है।

उचित सेटअप वाले प्रशिक्षित Dragon Professional Individual उपयोगकर्ताओं के लिए, वास्तविक दुनिया की सटीकता सामान्य डिक्टेशन पर आमतौर पर 95-98% की सीमा में रहती है। विशेष क्षेत्रों (चिकित्सा, क़ानूनी) के लिए, प्रशिक्षित Dragon उस शब्दावली पर 98-99% तक पहुँच सकता है जिसके लिए उसे अनुकूलित किया गया है।

ईमानदार आमने-सामने की तुलना

एक अप्रशिक्षित उपयोगकर्ता के लिए, एक सामान्य USB हेडसेट के साथ, बोलचाल की अंग्रेज़ी बोलते हुए: Whisper-आधारित इंजन (CaringDictate) आमतौर पर जीतते हैं। Whisper को आवाज़ प्रशिक्षण की ज़रूरत नहीं और यह उन तमाम तरह की आवाज़ों पर सीधे अच्छा काम करता है जिन पर इसे प्रशिक्षित किया गया था (6,80,000+ घंटे का बहुभाषी ऑडियो)।

एक प्रशिक्षित उपयोगकर्ता के लिए, सर्वोत्तम-गुणवत्ता वाले माइक्रोफ़ोन (Plantronics, Andrea USB) के साथ, विशेष शब्दावली बोलते हुए: प्रशिक्षित Dragon Professional उस विशिष्ट शब्दावली पर अब भी थोड़ा आगे रह सकता है जिसके लिए उसे प्रशिक्षित किया गया है। सामान्य लेखन के लिए यह बढ़त काफ़ी कम हो जाती है।

गैर-मूल अंग्रेज़ी बोलने वालों, उच्चारण वाले वक्ताओं, या चिकित्सीय स्थितियों के कारण हल्के डिसार्थ्रिया वाले वक्ताओं के लिए: Whisper को स्पष्ट बढ़त है। प्रशिक्षण की सामग्री Dragon की तुलना में कहीं अधिक विविध थी, और पहचान भाषण की भिन्नता को साफ़ तौर पर बेहतर ढंग से सँभालती है।

महत्वपूर्ण डिसार्थ्रिया वाले वक्ताओं के लिए (गंभीर पार्किंसन, भाषण को प्रभावित करने वाला ALS / मोटर न्यूरॉन रोग, भाषण को प्रभावित करने वाला सेरेब्रल पाल्सी): न तो Whisper और न ही Dragon सही उपकरण है। Voiceitt खासतौर पर इसी मामले के लिए बनाया गया है और दोनों में से किसी से भी काफ़ी बेहतर है, हालाँकि कहीं ज़्यादा महँगा है।

रफ़्तार

Dragon पर Whisper Turbo का असली फ़ायदा रफ़्तार है। आधुनिक हार्डवेयर (पिछले 5 वर्षों का Intel i5, या Apple Silicon, या कोई भी आधुनिक AMD CPU) पर Whisper Large v3 Turbo रियलटाइम से तेज़ प्रतिलेखन करता है — यानी आप एक वाक्य बोल सकते हैं और बोलना ख़त्म करने से पहले ही शब्द प्रकट हो जाते हैं। Dragon भी रियलटाइम में संसाधित करता है पर हर उच्चारण के पहले शब्द पर अधिक ध्यान देने योग्य देरी रखता है।

लंबे-स्वरूप के डिक्टेशन के लिए, यह रफ़्तार का अंतर ज़्यादातर मनोवैज्ञानिक है। छोटे-संदेश के डिक्टेशन (Facebook की टिप्पणियाँ, झटपट ईमेल) के लिए, Whisper Turbo की प्रतिक्रियाशीलता उल्लेखनीय रूप से बेहतर महसूस होती है।

प्रशिक्षण-डेटा का सवाल

Dragon का परंपरागत सटीकता-फ़ायदा निगरानी-युक्त आवाज़ प्रशिक्षण से आता था: आप Dragon को एक लंबा अंश पढ़कर सुनाते, और वह एक व्यक्तिगत मॉडल बनाता जो आपकी आवाज़ को उसके डिफ़ॉल्ट मॉडल से बेहतर पहचानता। यह कारगर था पर इसके लिए शुरुआत में काफ़ी समय लगता था।

Whisper इस तरह काम नहीं करता। इसे एक बार, OpenAI द्वारा, एक विशाल बहुभाषी सामग्री पर प्रशिक्षित किया गया था, और जो मॉडल बना वही हर Whisper उपयोगकर्ता चलाता है। आप इसे अपनी आवाज़ पर प्रशिक्षित नहीं करते। यह या तो आपकी आवाज़ पर काम करता है या नहीं — और व्यापक प्रशिक्षण डेटा का मतलब है कि यह ज़्यादातर आवाज़ों पर ठीक-ठाक काम करता है।

उपयोगकर्ताओं के लिए इसका मतलब: Dragon के साथ, आप सटीकता बढ़ाने के लिए प्रशिक्षण में समय लगा सकते हैं। Whisper के साथ, पहले दिन जो आपको मिलता है वही 365वें दिन भी मिलता है। ज़्यादातर उपयोगकर्ताओं के लिए यह एक ख़ूबी है, खामी नहीं — वे वैसे भी Dragon को प्रशिक्षित करने में एक घंटा नहीं लगाना चाहते थे। तकनीकी शब्दावली वाले पावर उपयोगकर्ताओं के लिए, Whisper को आवाज़-प्रशिक्षण न कर पाना एक असली सीमा है।

रखरखाव का सवाल

Dragon Professional Individual 2023 से संस्करण 16 पर ही ठहरा हुआ है। पहचान इंजन को अपडेट नहीं किया जा रहा। Microsoft ने Dragon को एंटरप्राइज़ चिकित्सा की ओर मोड़ दिया है और उपभोक्ता Dragon को धीरे-धीरे ख़त्म होने दे रहा है।

इसके विपरीत, Whisper को OpenAI और ओपन सोर्स समुदाय द्वारा सक्रिय रूप से विकसित किया जा रहा है। Whisper v3 2023 में जारी हुआ, Whisper v3 Turbo 2024 में, और उत्तराधिकारी मॉडल सक्रिय विकास में हैं। CaringDictate आज v3 Turbo के साथ आता है और जब नए मॉडल बेहतर साबित होंगे, तब उन्हें एक मुफ़्त अपडेट के रूप में अपडेट कर देगा।

पाँच साल के नज़रिए से, यही सबसे महत्वपूर्ण अंतर है। एक ठहरा हुआ पहचान इंजन काम करता रहेगा, पर उसे इस क्षेत्र में कहीं और हो रहे पर्याप्त सुधारों का लाभ नहीं मिलेगा।

विशिष्ट उपयोगकर्ता समूहों के लिए

सामान्य अंग्रेज़ी शब्दावली वाले बुज़ुर्ग उपयोगकर्ता: Whisper (CaringDictate के ज़रिए) बेहतर विकल्प है। कोई प्रशिक्षण नहीं, कोई सेटअप जटिलता नहीं, सीधे अच्छा काम करता है।

नैदानिक नोट्स बोलने वाले चिकित्सा पेशेवर: प्रशिक्षित Dragon Medical One अब भी उद्योग मानक है। Whisper की चिकित्सा शब्दावली अच्छी है पर उतनी विशिष्ट नहीं।

क़ानूनी दस्तावेज़ बोलने वाले वकील: कस्टम शब्दावली वाले प्रशिक्षित Dragon Professional को मात देना मुश्किल है। Whisper ज़्यादातर क़ानूनी अंग्रेज़ी को अच्छी तरह सँभालता है पर उसमें अनुकूलन-क्षमता की कमी है।

ऐसे वयस्क जिनकी चिकित्सीय स्थितियाँ हाथों को प्रभावित करती हैं पर भाषण को नहीं: CaringDictate के ज़रिए Whisper वही है जिसकी हम सिफ़ारिश करेंगे। कोई प्रशिक्षण का बोझ नहीं, भाषण की भिन्नता पर बेहतर सटीकता, और कहीं सस्ता।

गैर-मूल अंग्रेज़ी बोलने वाले: Whisper को स्पष्ट बढ़त है। बहुभाषी प्रशिक्षण सामग्री का मतलब है कि यह Dragon के अंग्रेज़ी-प्रशिक्षित मॉडलों की तुलना में उच्चारणों को कहीं बेहतर ढंग से सँभालता है।

निचोड़

Whisper Large v3 Turbo और प्रशिक्षित Dragon Professional अब सामान्य डिक्टेशन सटीकता पर एक-दूसरे के कुछ ही प्रतिशत अंकों के भीतर हैं। ज़्यादातर उपयोगकर्ताओं के लिए, खासकर बुज़ुर्गों और चिकित्सीय स्थितियों वाले उपयोगकर्ताओं के लिए, Whisper के व्यावहारिक फ़ायदे (कोई प्रशिक्षण नहीं, बेहतर उच्चारण-संभाल, सक्रिय विकास, कहीं कम लागत) विशेष शब्दावली पर Dragon की बची-खुची बढ़त पर भारी पड़ते हैं।

CaringDictate को Whisper Large v3 Turbo पर बनाया गया है क्योंकि हमारा मानना है कि हमारे दर्शकों के लिए यही सही इंजन है। 30 दिन का रिफ़ंड मतलब आप बिना किसी जोखिम के ख़ुद तुलना कर सकते हैं।

यहाँ से आगे कहाँ जाएँ

पूरा पढ़िए CaringDictate बनाम Dragon की तुलना उत्पाद-स्तरीय अंतरों (क़ीमत, UX, अपडेट, रिफ़ंड) के लिए, और हमारी गोपनीयता मार्गदर्शिका अगर आपकी स्थिति के लिए लोकल बनाम क्लाउड प्रोसेसिंग मायने रखती है।