मैंने एक ऐसा ट्रांसलेटर ऐप बनाया है जो पूरी तरह आपके फ़ोन पर चलता है। कोई क्लाउड नहीं। कोई API कॉल नहीं। डिवाइस से बाहर कोई डेटा नहीं जाता। 108 भाषाएँ। आवाज़, कैमरा, स्क्रीन ट्रांसलेशन, और Bluetooth के ज़रिए ऑफ़लाइन ग्रुप कन्वर्सेशन।
यह सब शुरू हुआ क्योंकि मुझे वो नहीं मिला जो मुझे चाहिए था — और फिर यह मेरी उम्मीद से कहीं बड़ा बन गया।
समस्या
मैं हांगकांग में रहता हूँ। मेरी रोज़मर्रा की ज़िंदगी में कैंटनीज़, मंदारिन, अंग्रेज़ी और कभी-कभी जापानी भाषा शामिल है। मेरे साथी के परिवार में कैंटनीज़ बोली जाती है। मेरा काम अंग्रेज़ी में होता है। सरकारी फ़ॉर्म परंपरागत चीनी में होते हैं। आस-पास के रेस्तराँ के मेन्यू अक्सर सरलीकृत चीनी या जापानी में होते हैं।
मैंने बाज़ार में हर ट्रांसलेटर आज़माया:
Google Translate ऑनलाइन काफ़ी अच्छा काम करता है, लेकिन ऑफ़लाइन गुणवत्ता बुरी तरह गिर जाती है। और यह कैंटनीज़ को "चीनी" में ही मिला देता है — जो कोई भी कैंटनीज़ बोलता है वो जानता है कि यह उतना ही बेतुका है जितना पुर्तगाली को "स्पेनिश" में मिलाना। इनमें अक्षर समान हो सकते हैं, लेकिन उच्चारण, व्याकरण और शब्दावली बिल्कुल अलग हैं।
Pocketalk की कीमत $323 है और हर अनुवाद के लिए इंटरनेट चाहिए। मैं इसे MTR (हांगकांग मेट्रो) में इस्तेमाल नहीं कर सकता जहाँ आधे स्टेशनों पर कोई सिग्नल नहीं होता।
Apple Translate का डिज़ाइन शानदार है और ऑन-डिवाइस प्रोसेसिंग भी अच्छी है, लेकिन यह केवल लगभग 20 भाषाओं को सपोर्ट करता है। कैंटनीज़ नहीं — उस शहर में जहाँ 95% आबादी कैंटनीज़ बोलती है। यह बता देता है कि बड़ी टेक कंपनियाँ भाषाओं को कितनी प्राथमिकता देती हैं।
iTranslate मुख्य फ़ीचर्स को $50/साल की पेवॉल के पीछे रखता है। DeepL में तो आवाज़ या कैमरा ट्रांसलेशन है ही नहीं।
इनमें से कोई भी उस स्थिति को नहीं संभाल सकता था जब मेरे साथी के परिवार के साथ डिनर पर लोग बातचीत के बीच में कैंटनीज़, मंदारिन और अंग्रेज़ी में आते-जाते हैं। इनमें से कोई भी WhatsApp पर आने वाले कैंटनीज़ वॉइस मेसेज का अनुवाद नहीं कर सकता था। और खराब कनेक्टिविटी वाली जगहों पर ये सभी बेकार हो जाते थे।
तो मैंने बनाना शुरू किया।
पहला वर्शन बहुत खराब था
पहला प्रोटोटाइप एक Flutter ऐप था जिसमें एक ही ASR मॉडल (Whisper, sherpa-onnx के ज़रिए ऑन-डिवाइस) और बुनियादी NMT ट्रांसलेशन था। यह शायद 15 भाषाओं को ही संभाल पाता था। वॉइस रिकग्निशन धीमी थी। अनुवाद औसत दर्जे के थे। UI बदसूरत था।
लेकिन यह ऑफ़लाइन काम करता था। और बस यही एक बात — कि मैं बिना WiFi के प्लेन में एक कैंटनीज़ वाक्य का अंग्रेज़ी में अनुवाद कर सकता था — मुझे आगे बढ़ाती रही।
आर्किटेक्चर की खरगोश-सुरंग
एक बार जब आप ऑन-डिवाइस AI के लिए प्रतिबद्ध हो जाते हैं, तो आप एक गहरी खरगोश-सुरंग में गिर जाते हैं।
ASR (स्पीच रिकग्निशन): एक मॉडल सभी भाषाओं के लिए काम नहीं करता। मैंने अंततः तीन मॉडल शिप किए: Parakeet (अंग्रेज़ी-ऑप्टिमाइज़्ड, बंडल्ड), Whisper.cpp (व्यापक बहुभाषी, डाउनलोड करने योग्य), और Qwen3-ASR (CJK-ऑप्टिमाइज़्ड, डाउनलोड करने योग्य)। ऐप स्रोत भाषा के आधार पर स्वचालित रूप से सबसे अच्छे मॉडल पर रूट करता है।
ट्रांसलेशन: पारंपरिक ML मॉडल 61 अच्छी तरह से समर्थित भाषा जोड़ों को कवर करते हैं। बाकी 47 भाषाओं (योरूबा, अम्हारिक, लाओ, म्यांमार और अन्य) के लिए, स्थानीय रूप से चलने वाला एक क्वांटाइज़्ड Gemma LLM अनुवाद संभालता है। यही वो सफलता थी जिसने भाषाओं की संख्या 61 से बढ़ाकर 108 कर दी।
कैमरा OCR: दो इंजन। तेज़ पहचान के लिए ML Kit। जटिल लिपियों की गहन पहचान के लिए PaddleOCR। iOS पर लिपि-विशिष्ट pods को मैन्युअल रूप से जोड़ना पड़ा क्योंकि Apple डिफ़ॉल्ट रूप से केवल Latin मॉडल बंडल करता है। इसे डीबग करने में एक दिन लग गया क्योंकि विफलता पूरी तरह चुप रहती है।
ग्रुप चैट: Bluetooth मेश जो 7 डिवाइस तक जोड़ता है। हर फ़ोन अपना ASR और ट्रांसलेशन खुद संभालता है। मेसेज सभी डिवाइसों पर ब्रॉडकास्ट होते हैं। कोई सर्वर कुछ भी कोऑर्डिनेट नहीं करता।
मेमोरी मैनेजमेंट: असली इंजीनियरिंग चुनौती। तीन ASR मॉडल, ट्रांसलेशन मॉडल, एक LLM, और OCR इंजन सभी एक साथ फ़ोन की RAM में नहीं रह सकते। ऐप में एक मेमोरी बजट प्लानर है जो उपयोगकर्ता की मौजूदा गतिविधि के आधार पर मॉडल लोड और हटाता है।
संख्याएँ
- डेवलपमेंट समय: पहले commit से App Store / Play Store लॉन्च तक लगभग 18 महीने
- भाषाएँ: 108 (61 पारंपरिक ML + 47 Gemma के ज़रिए AI)
- ASR भाषाएँ: 30 ऑन-डिवाइस स्पीच रिकग्निशन के साथ
- OCR भाषाएँ: 92 कैमरा टेक्स्ट रिकग्निशन के साथ
- ऐप साइज़: ~150MB बेस + डाउनलोड करने योग्य मॉडल
- मूल्य निर्धारण: सभी मुख्य फ़ीचर्स के साथ मुफ़्त टियर। ग्रुप चैट, फ़ाइल ट्रांसक्रिप्शन और मीटिंग सारांश के लिए $1.99/माह या $19.99/वर्ष में Premium
- टीम आकार: 1 व्यक्ति
मैंने क्या सही किया
गोपनीयता नीति के रूप में नहीं, बल्कि आर्किटेक्चर के रूप में। "हम आपका डेटा साझा नहीं करते" एक नीति है। यह बदल सकती है। "आपका डेटा कभी आपके फ़ोन से बाहर नहीं जाता क्योंकि कोई सर्वर ही नहीं है" — यह आर्किटेक्चर है। ऐप को दोबारा बनाए बिना यह नहीं बदल सकता। उपयोगकर्ता इस अंतर को सहज रूप से समझते हैं।
कैंटनीज़ को प्रथम श्रेणी की भाषा के रूप में। अधिकांश ट्रांसलेटर कैंटनीज़ को अलग उच्चारण वाली चीनी भाषा की तरह मानते हैं। Traverba में कैंटनीज़ के लिए एक समर्पित ASR मॉडल है। यह हांगकांग और गुआंगडोंग के उपयोगकर्ताओं के साथ ज़बरदस्त तरीके से गूँजा, जो उपेक्षित महसूस करने से थक चुके थे।
मुफ़्त टियर उदार है। वॉइस ट्रांसलेशन, कैमरा ट्रांसलेशन, स्क्रीन ट्रांसलेशन और टेक्स्ट ट्रांसलेशन सभी मुफ़्त और असीमित हैं। पेवॉल केवल ग्रुप चैट, फ़ाइल ट्रांसक्रिप्शन और मीटिंग सारांश तक सीमित है। यह ज़रूरी है क्योंकि जिन लोगों को सबसे ज़्यादा अनुवाद की ज़रूरत होती है — प्रवासी, अनजान जगहों पर यात्री, छात्र — वे अक्सर Premium सब्सक्रिप्शन का खर्च नहीं उठा सकते।
ऑफ़लाइन-फर्स्ट डिज़ाइन। हर फ़ीचर बिना इंटरनेट के काम करता है। इंटरनेट एक घटिया मोड नहीं है। ऑफ़लाइन ही असली मोड है। यह "ऑफ़लाइन भी काम करता है" से कहीं ज़्यादा मज़बूत मूल्य प्रस्ताव है।
मैंने क्या गलत किया
लो-एंड डिवाइसों को कम आँकना। डेवलपमेंट फ्लैगशिप फ़ोनों पर हुई। पहली बार जब मैंने 3GB RAM वाले फ़ोन पर टेस्ट किया, तो आधे फ़ीचर क्रैश हो गए। मेमोरी मैनेजमेंट पहली चीज़ होनी चाहिए थी जो मैंने बनाई, न कि बाद में जोड़ा गया फ़ीचर।
iOS रिव्यू प्रक्रिया। Apple ने पहला सबमिशन App Tracking Transparency (ATT) लागू न करने के कारण रिजेक्ट कर दिया। भले ही Traverba उपयोगकर्ताओं को ट्रैक नहीं करता, AdMob SDK यह ज़रूरत पैदा करता है। Flutter के ज़रिए ATT को सही टाइमिंग (ऐप लॉन्च के बाद, ads इनिशियलाइज़ होने से पहले) के साथ सही तरीके से वायर करने में कई बार प्रयास लगे।
जल्दी लॉन्च न करना। मैंने उन फ़ीचर्स को पॉलिश करने में महीने लगाए जो उपयोगकर्ताओं ने माँगे ही नहीं थे। लॉन्च के बाद मिली प्रतिक्रिया उन चीज़ों के बारे में थी जो मैंने बिल्कुल नहीं सोचा था। जल्दी शिप करो, सुनो, दोहराओ। यह सब जानते हैं। फिर भी मैं इस जाल में फँस गया।
बाज़ार का अवसर
अनुवाद बाज़ार की कीमत $40 बिलियन से अधिक है और यह बढ़ रहा है। लेकिन यह दो चरम सीमाओं पर हावी है:
- मुफ़्त क्लाउड ऐप्स (Google Translate, Apple Translate) जो अधिकांश लोगों के लिए पर्याप्त हैं लेकिन गोपनीयता और ऑफ़लाइन विश्वसनीयता से समझौता करते हैं
- महँगे हार्डवेयर डिवाइस (Pocketalk $323, Timekettle $299, Vasco $350+) जो इंटरनेट पर निर्भर हैं और वह समस्या हल करते हैं जो आपका फ़ोन पहले से हल कर सकता है
बीच की खाली जगह — एक मुफ़्त/सस्ता ऐप जो पूरी तरह ऑन-डिवाइस प्रोसेसिंग के साथ वाकई काम करे — आश्चर्यजनक रूप से खाली है। DeepL केवल टेक्स्ट है। iTranslate मुख्य फ़ीचर्स को पेवॉल करता है। अधिकांश AI ट्रांसलेशन टूल क्लाउड-ओनली हैं।
ऑन-डिवाइस AI ने गुणवत्ता की सीमा पार कर ली है। मॉडल काफ़ी अच्छे हैं। फ़ोन काफ़ी तेज़ हैं। फ्रेमवर्क (CoreML, ONNX, sherpa-onnx, LiteRT) काफ़ी परिपक्व हैं। जो चीज़ गायब थी वो थी कोई जो इसके ऊपर प्रोडक्ट लेयर बनाए।
आगे क्या है
तत्काल रोडमैप:
- अधिक ASR भाषाएँ। 30 एक अच्छी शुरुआत है, लेकिन लंबी-पूँछ वाली भाषाओं को भी स्पीच रिकग्निशन की ज़रूरत है।
- बेहतर LLM ट्रांसलेशन। Gemma 2B अच्छा है। नए, छोटे मॉडल बेहतर हो सकते हैं। आर्किटेक्चर ऐप बदले बिना मॉडल स्वैप करने का समर्थन करता है।
- iPad और टैबलेट ऑप्टिमाइज़ेशन। ऐप टैबलेट पर काम करता है लेकिन UI अभी बड़े स्क्रीन के लिए ऑप्टिमाइज़ नहीं है।
- Android Vulkan एक्सेलेरेशन। iOS में GPU इन्फरेंस के लिए Metal और CoreML है। Android की GPU एक्सेलेरेशन स्टोरी (whisper.cpp के ज़रिए Vulkan) पर और काम की ज़रूरत है।
बड़ा विज़न: एक ऐसी दुनिया जहाँ भाषा मानवीय संपर्क में बाधा न हो, और जहाँ इस बाधा को तोड़ने के लिए आपको अपनी निजी बातचीत किसी टेक कंपनी के सर्वर को सौंपने की ज़रूरत न हो।
अगर आप यहाँ तक पहुँचे हैं, तो ऐप आज़माएँ। यह मुफ़्त है। मैं हर प्रतिक्रिया पढ़ता हूँ।
Traverba Google Play और App Store पर उपलब्ध है। अधिक जानकारी के लिए traverba.com पर जाएँ। सवाल, प्रतिक्रिया या फ़ीचर अनुरोध: [email protected]