पहली बार किसी AI टूल से कैंटोनीज़ मीटिंग के नोट्स बनवाने पर लगभग सबकी प्रतिक्रिया एक जैसी होती है: देखने में सब ठीक-ठाक लगता है, पर कुछ "थोड़ा गलत" महसूस होता है। टेक्स्ट में कोई साफ़ गलती नहीं दिखती, लेकिन जो बातचीत आपको याद है उससे मिलाने पर लगता है कि कुछ छूट गया।
यह फ़र्क़ आमतौर पर उस वजह से नहीं आता जो सबसे पहले दिमाग़ में आती है — यानी recognition accuracy। शुद्ध कैंटोनीज़, एक ही वक्ता और शांत माहौल में आज के मुख्यधारा टूल्स का प्रदर्शन वाक़ई काम लायक हो चुका है। दिक़्क़त दो और जगहों पर है, और संयोग से यही हांगकांग की रोज़मर्रा की बातचीत के दो सबसे आम रूप हैं।
पहला, जब एक ही वाक्य में कैंटोनीज़ और अंग्रेज़ी मिल जाती है, तो recognition की गुणवत्ता साफ़ तौर पर गिर जाती है। दूसरा, सही सुन लेने के बाद भी आउटपुट अक्सर औपचारिक लिखित चीनी में बदल दिया जाता है — वह वाक्य नहीं रहता जो आपने बोला था।
इन दोनों के कारण अलग हैं और प्रभावित होने वाले संदर्भ भी अलग हैं, इसलिए दोनों को अलग-अलग समझना ज़रूरी है।
और यह सिर्फ़ हांगकांग की बात नहीं है। यही पैटर्न हर उस माहौल में दोहराता है जहाँ लोग एक ही वाक्य के भीतर दो भाषाएँ मिलाकर बोलते हैं — हिंदी और अंग्रेज़ी के रोज़मर्रा मिश्रण से परिचित किसी भी व्यक्ति को यह समस्या तुरंत पहचानी हुई लगेगी।
30 सेकंड में निष्कर्ष
- भाषाएँ मिलाने की कीमत है, और वह कीमत मापी जा सकती है → प्रकाशित शोध साहित्य के अनुसार कैंटोनीज़-अंग्रेज़ी कोड-स्विचिंग सामग्री में character error rate लगभग 20%–26% रहती है, जबकि वही सिस्टम एकभाषी सामग्री पर लगभग 6%–8% पर रहते हैं। यानी तीन से चार गुना अंतर।
- "सही सुनना" और "सही लिखना" दो अलग चीज़ें हैं → आप बोलचाल में कहते हैं, नोट्स में औपचारिक रूप लिख दिया जाता है — अर्थ बच जाता है, मूल शब्द चले जाते हैं।
- ज़्यादातर संदर्भों में इससे फ़र्क़ नहीं पड़ता, कुछ में बहुत पड़ता है → सामान्य बातचीत के सारांश पर असर नहीं; पर चिकित्सकीय परामर्श, सामाजिक कार्य केस रिकॉर्ड, मध्यस्थता और शोध-साक्षात्कार में मामला उल्टा है।
- 2025 में कैंटोनीज़ डेटा की मात्रा में क्रमगत बदलाव आया → दसियों घंटों के सार्वजनिक कॉर्पस से बढ़कर WenetSpeech-Yue के 21,800 घंटे तक, लेकिन कोड-स्विचिंग अब भी अनसुलझा हिस्सा है।
- टूल चुनने से पहले तय करें कि आपको "अर्थ" चाहिए या "मूल शब्द" → दोनों के लिए सेटिंग्स अलग हैं; लेख के अंत में एक चेकलिस्ट दी गई है।
पहले दो चीज़ें अलग करें: recognition बनाम प्रस्तुति
कैंटोनीज़ नोट्स की गुणवत्ता पर चर्चा करते समय दो स्वतंत्र चरणों को आपस में मिला देना आसान है।
Recognition (ASR) आवाज़ को टेक्स्ट में बदलना है। यहाँ विफलता का मतलब है "ग़लत सुनना" — आपने जो कहा वह पकड़ में न आना, या मिलते-जुलते उच्चारण वाला दूसरा शब्द समझ लेना।
प्रस्तुति तय करती है कि वह टेक्स्ट आख़िर में किस रूप में दिखेगा। यहाँ विफलता का मतलब है "फिर से लिखना" — सुनना बिल्कुल सही, पर आउटपुट में बोलचाल को औपचारिक लिखित भाषा में ढाल देना।
लोग जिसे "कैंटोनीज़ नोट्स सटीक नहीं हैं" कहकर शिकायत करते हैं, वह दरअसल इन दोनों परतों की अपनी-अपनी गड़बड़ी है, और दोनों के समाधान बिल्कुल अलग हैं। पहली परत मॉडल क्षमता और training data का मामला है; दूसरी ज़्यादातर एक डिज़ाइन विकल्प है — और अक्सर जानबूझकर लिया गया विकल्प।
दरार एक: कैंटोनीज़-अंग्रेज़ी मिश्रण
यह मामला ख़ास तौर पर कठिन क्यों है
我想去 Causeway Bay 開個 meeting，順便 check 一下 schedule。
हिंदी में: "मुझे Causeway Bay जाकर एक मीटिंग करनी है, साथ ही schedule भी देख लूँगा।" इसमें Causeway Bay, meeting, check और schedule अंग्रेज़ी में बोले गए हैं, जबकि वाक्य का ढाँचा और बाक़ी शब्द (我想去, 開個, 順便, 一下) कैंटोनीज़ हैं। यही मिश्रण असली मुद्दा है।
हांगकांग में ऐसा वाक्य बिल्कुल सामान्य है, पर recognition सिस्टम से यह शुद्ध कैंटोनीज़ वाक्य से बिल्कुल अलग क्षमता माँगता है। सिस्टम को एक ही वाक्य में — बल्कि एक ही साँस में — दो पूरी तरह अलग ध्वनि-प्रणालियों और शब्द-भंडारों के बीच तुरंत स्विच करना पड़ता है, और स्विच का बिंदु पहले से कहीं संकेतित नहीं होता।
और भी मुश्किल यह कि हांगकांग के लोग अंग्रेज़ी शब्द बोलते समय उन्हें कैंटोनीज़ रंग में ढाल देते हैं — शब्दांश-संरचना और स्वर-रूपरेखा दोनों स्थानीय हो जाती हैं। ऐसे उच्चारण न तो अंग्रेज़ी मॉडल की अपेक्षा पर पूरे उतरते हैं, न कैंटोनीज़ मॉडल की शब्द-सूची में मौजूद होते हैं। दोनों पक्ष उन्हें पराया मानते हैं।
आँकड़ों में अंतर
प्रकाशित शोध साहित्य काफ़ी एकसमान तस्वीर देता है: कैंटोनीज़-अंग्रेज़ी कोड-स्विचिंग सामग्री में character error rate लगभग 20% से 26% के बीच रहती है, जबकि वही सिस्टम एकभाषी सामग्री पर लगभग 6% से 8% पर होते हैं। कैंटोनीज़-अंग्रेज़ी मिश्रित भाषण के विशेष मूल्यांकन सेट पर Whisper-आधारित सिस्टम की mixed error rate लगभग 22% रहती है।
अनुभव की भाषा में: शुद्ध कैंटोनीज़ सामग्री में हर दस-बारह शब्दों में लगभग एक गलती, और मिश्रित सामग्री में हर चार-पाँच शब्दों में लगभग एक। दूसरी स्थिति इतनी है कि नोट्स को इस्तेमाल से पहले वाक्य-दर-वाक्य जाँचना पड़े।
इस त्रुटि का स्वरूप ख़ास है
ध्यान देने की बात यह है कि कोड-स्विचिंग की त्रुटियाँ आम recognition त्रुटियों की तरह "गलत दिखती" नहीं हैं। सिस्टम शायद ही खाली जगह छोड़ता है या बेतुके अक्षर निकालता है; वह ऐसा चीनी शब्द अनुमान से भर देता है जो उच्चारण में क़रीब हो और व्याकरण में भी खप जाए।
नतीजा एक ऐसा वाक्य होता है जो ऊपर से पूरी तरह सहज है, पर जिसका अर्थ खिसक चुका है। यह साफ़ दिखने वाली गलती से कहीं ज़्यादा ख़तरनाक है — साफ़ गलती पर आप रुककर जाँच करते हैं, सहज पर ग़लत वाक्य को आप बिना रुके पढ़ जाते हैं।
दरार दो: बोलचाल कैंटोनीज़ बनाम लिखित चीनी
एक ही बात के दो रूप
| वास्तव में जो बोला गया (कैंटोनीज़) | सामान्य आउटपुट (लिखित चीनी) | हिंदी में अर्थ |
|---|---|---|
佢哋幾時先搞得掂？ | 他們什麼時候才能完成？ | वे लोग यह काम आख़िर कब तक निपटा पाएँगे? |
呢單嘢我唔係好清楚 | 這件事我不太清楚 | इस मामले की मुझे ज़्यादा जानकारी नहीं है। |
咁我哋而家點算？ | 那我們現在怎麼辦？ | तो अब हम क्या करें? |
頭先個 client 講嘅嗰樣 | 剛才那位客戶說的那件事 | अभी-अभी उस क्लाइंट ने जिस बात का ज़िक्र किया था। |
बीच वाले कॉलम में कोई भी वाक्य "गलत" नहीं है। अर्थ सटीक हैं, पढ़ने में और भी सहज लगते हैं। समस्या यह है कि कोई इस तरह बोलता नहीं है।
सिस्टम ऐसा क्यों करते हैं
यह आमतौर पर कोई bug नहीं है। लिखित चीनी के training data में मानक लिखित चीनी का हिस्सा भारी बहुमत में है, जबकि बोलचाल कैंटोनीज़ की लिखावट (嘅 咗 喺 哋) पूरे कॉर्पस में बेहद कम है। स्पष्ट निर्देश न मिलने पर मॉडल स्वाभाविक रूप से उसी चीनी शैली की ओर झुकता है जिससे वह सबसे परिचित है।
और ज़्यादातर मामलों में यह डिफ़ॉल्ट सही ही होता है। मीटिंग का सारांश बनाना हो, to-do सूची लिखनी हो, या कैंटोनीज़ न जानने वाले सहकर्मियों को भेजना हो — लिखित संस्करण साफ़ तौर पर ज़्यादा उपयोगी है।
पर कुछ संदर्भ बिल्कुल उलटे हैं
दिक़्क़त यह है कि संदर्भों की एक पूरी श्रेणी को ठीक मूल शब्द ही चाहिए।
- चिकित्सकीय परामर्श: मरीज़ जिन शब्दों में लक्षण बताता है, वे स्वयं नैदानिक सूचना हैं।
頂住頂住(लगातार दबाव या जकड़न जैसा एहसास),唧住痛(दबाकर निचोड़ने जैसा दर्द) और作嘔作悶(मिचली के साथ बेचैनी) जैसे वाक्यांश जब मानक शब्दावली में बदल दिए जाते हैं, तो वह विशिष्ट अनुभूति ग़ायब हो जाती है। - सामाजिक कार्य केस रिकॉर्ड: सेवार्थी के मूल शब्द केस-मूल्यांकन से सीधे जुड़े होते हैं; उन्हें बदलना यानी दस्तावेज़ीकरण के चरण में ही व्याख्या की एक परत जोड़ देना।
- मध्यस्थता और विवाद-निपटान: किसने क्या कहा और किस लहज़े में कहा — यही विवाद का केंद्र होता है।
- शोध-साक्षात्कार और मौखिक इतिहास: शब्दशः प्रतिलेख का मूल्य ही इसमें है कि वह शब्दशः हो।
- भाषा-शिक्षण और कॉर्पस निर्माण: बोलचाल का रूप ही अध्ययन का विषय है।
इन सभी में साझा बात यह है कि रिकॉर्ड सिर्फ़ यह याद रखने के लिए नहीं है कि चर्चा किस पर हुई, बल्कि आगे उसे उद्धृत किया जा सकता है, दोबारा परखा जा सकता है, या आधार बनाया जा सकता है। चुपचाप "सँवार दिया गया" रिकॉर्ड ऐसे इस्तेमाल में जोखिम भरा है — क्योंकि वह पूरी तरह सामान्य दिखता है, और आपको पता ही नहीं चलता कि कहाँ बदलाव हुआ।
एक अनदेखी शर्त: कैंटोनीज़ डेटा की स्थिति
कैंटोनीज़ टूल्स का प्रदर्शन असमान क्यों है, यह समझने के लिए उपलब्ध डेटा के पैमाने पर नज़र डालना मददगार है।
| कॉर्पस | आकार | वर्ष |
|---|---|---|
| WenetSpeech-Yue | 21,800 घंटे, 10 डोमेन, खुला | 2025 |
| Common Voice कैंटोनीज़ (yue) | 210.91 घंटे (सत्यापित), 1,174 वक्ता | निरंतर अद्यतन |
| MDCC | 73.6 घंटे | 2022 |
| CantoMap | 12.8 घंटे, 40 वक्ता | 2020 |
| HKCanCor | लगभग 230,000 शब्द (1997–98 में रिकॉर्ड) | 2015 |
| Words.hk | 56,373 शब्दकोश प्रविष्टियाँ | निरंतर अद्यतन |
2025 में WenetSpeech-Yue का आना पैमाने में एक पूरी श्रेणी का बदलाव था — इससे पहले सार्वजनिक कैंटोनीज़ स्पीच डेटा लंबे समय तक दसियों से कुछ सौ घंटों पर अटका रहा, जबकि मुख्यधारा की भाषाओं में यह दसियों हज़ार घंटों में गिना जाता है। यही बताता है कि पहले कैंटोनीज़ टूल आमतौर पर पीछे क्यों थे।
पर ध्यान रहे, डेटा बढ़ने से मुख्यतः एकभाषी कैंटोनीज़ की recognition सुधरती है। कोड-स्विचिंग के लिए मिश्रित डेटा चाहिए, जिसकी annotation कहीं कठिन है और मात्रा अब भी कम। इसलिए पहली दरार में सुधार की रफ़्तार शुद्ध कैंटोनीज़ recognition के सुधार से साफ़ तौर पर धीमी रहेगी।
हांगकांग का एक और संदर्भ
एक संबंधित आँकड़ा भी देख लें। 2021 की जनगणना के अनुसार हांगकांग में ग़ैर-चीनी मूल के निवासी लगभग 619,568 हैं, यानी आबादी का 8.4%। कैंटोनीज़ बोल पाने के मामले में: फ़िलिपीनी मूल के 17.6%, भारतीय मूल के 25.0%, और कुल दक्षिण एशियाई मूल के 34.7%; जबकि अंग्रेज़ी दक्षता आमतौर पर 84% से ऊपर है।
दूसरे शब्दों में, हांगकांग में रोज़मर्रा के संवाद की स्थिति अकेले "कैंटोनीज़" का दृश्य नहीं है, बल्कि कैंटोनीज़, अंग्रेज़ी और कई अन्य भाषाओं की एक साथ मौजूदगी है। जो टूल सिर्फ़ कैंटोनीज़ recognition अच्छी करता है पर तत्काल अनुवाद नहीं कर सकता, वह समस्या का आधा हिस्सा ही हल करता है।
इन दोनों दरारों पर Traverba का तरीक़ा
- कैंटोनीज़-अंग्रेज़ी मिश्रण को प्राथमिकता — हांगकांग-शैली के मिश्रित वाक्यों के लिए recognition को समायोजित किया गया है, न कि कैंटोनीज़ और अंग्रेज़ी को दो ऐसे मोड मानकर जिनमें से एक चुनना पड़े।
- बोलचाल के रूप का संरक्षण — ट्रांसक्रिप्ट उसी रूप का पालन करता है जो आपने वास्तव में बोला, जबकि सारांश और अनुवाद अलग से बनते हैं; मूल शब्द और सँवारा गया संस्करण साथ-साथ रहते हैं, एक दूसरे को मिटाता नहीं।
- तत्काल ट्रांसक्रिप्शन और तत्काल अनुवाद एक साथ — एक ही बातचीत, एक वक्ता, 100+ भाषाएँ; श्रोता QR code स्कैन करके अपनी भाषा में सबटाइटल देख सकते हैं, कोई App डाउनलोड किए बिना।
- डिवाइस-फ़र्स्ट प्रोसेसिंग — स्पीच recognition डिफ़ॉल्ट रूप से डिवाइस पर ही चलती है, क्लाउड AI वैकल्पिक है; संवेदनशील सामग्री के लिए कुछ भी बाहर भेजे बिना काम हो सकता है।
- पूरा शब्दशः ट्रांसक्रिप्ट export किया जा सकता है — सत्र के बाद मूल शब्दशः ट्रांसक्रिप्ट और अनुवादित संस्करण, दोनों अलग-अलग सहेजकर निर्यात किए जा सकते हैं।
स्पष्ट कर दें: अगर आपका उपयोग सामान्य व्यावसायिक मीटिंग सारांश, आंतरिक अपडेट या to-do सूचियाँ हैं, तो बाज़ार के ज़्यादातर AI नोट टूल पहले से अच्छा काम करते हैं और लिखित शैली का आउटपुट वहाँ ज़्यादा उपयोगी भी है — इसके लिए टूल बदलने की ज़रूरत नहीं। ऊपर बताए अंतर वहीं सचमुच मायने रखते हैं जहाँ "मूल शब्द ही डेटा हैं"।
कैसे तय करें? एक छोटी चेकलिस्ट
ख़ुद से तीन सवाल पूछें:
एक — क्या इस रिकॉर्ड को आगे उद्धृत या पुनर्परीक्षित किया जाएगा? अगर हाँ (केस रिकॉर्ड, नैदानिक रिकॉर्ड, मध्यस्थता, साक्षात्कार), तो आपको शब्दशः ट्रांसक्रिप्ट चाहिए और यह पुष्टि भी चाहिए कि टूल पर्दे के पीछे कुछ बदल नहीं रहा। अगर नहीं, तो लिखित शैली का सारांश ज़्यादा व्यावहारिक है।
दो — बातचीत में भाषाओं के मिश्रण का घनत्व कितना है? कभी-कभार एक-दो अंग्रेज़ी शब्द ज़्यादातर टूल सँभाल लेते हैं। पर अगर यह वही सामान्य हांगकांग बातचीत है जिसमें एक वाक्य में दो-तीन बार स्विच होता है, तो पहले किसी असली रिकॉर्डिंग से परख लें — आधिकारिक भाषा-सूची पर भरोसा न करें।
तीन — क्या सामग्री संवेदनशील है? मेडिकल रिकॉर्ड, केस फ़ाइलों या क़ानूनी मामलों से जुड़ी रिकॉर्डिंग के लिए पहले डेटा का रास्ता जाँचें — प्रोसेसिंग डिवाइस पर है या क्लाउड पर, डेटा कितने समय संग्रहीत होता है, और क्या उसे training के लिए इस्तेमाल किया जाता है।
आख़िरी सलाह: टूल कोई भी चुनें, उसे अपनी असली बातचीत के एक हिस्से से परखें, पढ़े हुए स्क्रिप्ट से नहीं। पढ़ी गई कैंटोनीज़ में न कोड-स्विचिंग होती है, न बोलचाल के कण, न बीच में टोकने का ओवरलैप — उससे ऊपर बताई कोई भी समस्या पकड़ में नहीं आएगी।
और जानें
कैंटोनीज़ नोट्स के मामले में कोई एक टूल हर स्थिति के लिए उपयुक्त नहीं है। असल बात यह तय करना है कि आपको "अर्थ" चाहिए या "मूल शब्द" — यही फ़ैसला सीधे तय करेगा कि आप क्या चुनें और कैसे सेट करें।
Traverba कैंटोनीज़-अंग्रेज़ी मिश्रण और बोलचाल के संरक्षण को कैसे सँभालता है, यह जानने के लिए traverba.com देखें, या Google Play और App Store से डाउनलोड करके आज़माएँ।
इस लेख में दी गई error rate संख्याएँ कैंटोनीज़ स्पीच recognition पर प्रकाशित शोध साहित्य से हैं, कॉर्पस आकार के आँकड़े संबंधित कॉर्पस की आधिकारिक घोषणाओं से, और जनसंख्या व भाषा-दक्षता के आँकड़े हांगकांग सरकार की 2021 जनगणना से। सभी आँकड़े 2026 के मध्य तक के हैं; मॉडल और टूल की क्षमताएँ लगातार बदलती रहती हैं, और वास्तविक प्रदर्शन रिकॉर्डिंग गुणवत्ता, उच्चारण, पृष्ठभूमि शोर और विशिष्ट संस्करण पर निर्भर करता है। सभी ब्रांड और ट्रेडमार्क अपने-अपने स्वामियों के हैं।