আরবি ট্রান্সক্রিপশন কথ্য আরবিকে লিখিত আরবিতে রূপান্তর করে, এবং 2026 সালে প্রতিটি ট্রান্সক্রিপ্ট—মানুষের হোক বা AI-এর—শেষ হওয়ার আগে তিনটি সিদ্ধান্ত নেয়: কোন আরবি লেখা হবে (কথ্য উপভাষা, নাকি আধুনিক মানক আরবি), স্বরচিহ্ন থাকবে কি না, এবং যেসব শব্দের কোনো মানক রূপ নেই সেগুলোর বানান কার নিয়মে ধরা হবে। অনেক সাধারণ স্পিচ টুল আউটপুট সেটিং হিসেবে এই তিনটিই দেয় না। ফলে আপনি যে লেখনরীতি চান, তা বক্তৃতা শনাক্ত হলেও ট্রান্সক্রিপ্টে ভিন্ন হতে পারে।

সার্চ টার্ম নিয়ে একটি ছোট নোট। যদি আপনি লাতিন অক্ষরে আরবি লেখা বোঝাতে চান (Muhammad বনাম Mohammed), তাহলে সেটি আরবির রোমানাইজেশন, আলাদা একটি কাজ যার নিজস্ব প্রতিদ্বন্দ্বী মানদণ্ড আছে। এই গাইডটি বক্তৃতাকে আরবি লিপিতে আনার বিষয়ে।

আপনি ইতিমধ্যেই জানেন, স্পিচ রিকগনিশনের জন্য আরবি কঠিন: ডজন ডজন উপভাষা, দ্রুত উচ্চারণ, আর সঙ্গে ইংরেজি ও ফরাসি মিশে যায়। সেই অংশটিই সবচেয়ে বেশি আলোচিত হয়। নিচের গবেষণা দেখায়, লেখনরীতিও ট্রান্সক্রিপ্টকে প্রভাবিত করে এবং এর নির্ভুলতা কীভাবে মাপা হয়। আমরা প্রকাশিত সংখ্যাসহ প্রতিটি সিদ্ধান্ত ব্যাখ্যা করব, আপনার প্রকল্পের জন্য কীভাবে বেছে নেবেন তা দেখাব, এবং MirrorCaption কোথায় মানায় আর কোথায় মানায় না, তা স্পষ্ট করে বলব।

মূল বিষয়গুলো

আরবি ট্রান্সক্রিপশন কেন একটি লেখার সমস্যা

স্পিচ-টু-টেক্সট বিক্রেতারা কখনও কখনও উচ্চ নির্ভুলতার সংখ্যা প্রচার করে। কিন্তু কোন টেস্ট অডিও, কোন উপভাষা এবং কোন স্কোরিং পদ্ধতি ব্যবহার হয়েছে তা না জানলে বিক্রেতার নির্ভুলতার দাবি আপনার রেকর্ডিংয়ে প্রয়োগ করা কঠিন।

গবেষণাভিত্তিক বেঞ্চমার্কগুলো দেখায় কেন সংখ্যাগুলো এদিক-ওদিক হয়। Open Universal Arabic ASR Leaderboard স্কোর করার আগে স্বরচিহ্ন সরিয়ে দেয়, হামজা ও মাদ্দার ভিন্নরূপ স্বাভাবিকীকরণ করে, এবং পূর্বাঞ্চলীয় আরবি সংখ্যা রূপান্তর করে। মডেল তুলনার জন্য এটি যুক্তিসঙ্গত পদ্ধতি। তবে এর মানে হলো, আপনার ট্রান্সক্রিপ্টের যত্নবান পাঠক যে সূক্ষ্ম বিষয়গুলো দেখবেন, স্কোর সেগুলো উপেক্ষা করে।

একই লিডারবোর্ড দেখায় অডিও কতটা গুরুত্বপূর্ণ। Whisper large-v3 SADA টেস্ট সেটে আধুনিক মানক আরবিতে প্রায় 28% word error পেয়েছে, কিন্তু মিশরীয় আরবিতে প্রায় 59% এবং উপসাগরীয় আরবিতে 60%। কোন আরবি, কোন রেকর্ডিং অবস্থা এবং কোন স্কোরিং নিয়ম ব্যবহৃত হয়েছে তা না জানা পর্যন্ত একটি সাধারণ নির্ভুলতার সংখ্যা খুব কমই বলে। মেট্রিকটি নতুন হলে আমাদের পাশাপাশি AI ট্রান্সক্রিপশন নির্ভুলতা পরীক্ষা word error rate আরও বিস্তারিতভাবে ব্যাখ্যা করে।

আরও পড়ার আগে আপনার নিজের আরবি অডিও কেমন আসে তা দেখতে চান? MirrorCaption ব্রাউজার ট্যাবে লাইভ আরবি ট্রান্সক্রাইব করে, আর প্রথম ঘণ্টা বিনামূল্যে, কোনো ক্রেডিট কার্ড ছাড়াই।

বিনামূল্যে আরবি ট্রান্সক্রিপশন চেষ্টা করুন

পছন্দ 1: কোন আরবি লেখা হবে

কেউ এমিরাতি, মিশরীয় বা লেভান্টাইন আরবি বললে, একটি ট্রান্সক্রিপ্ট দুইভাবে কাজ করতে পারে। এটি কথ্য উপভাষা লিখতে পারে, অথবা একই অর্থের আধুনিক মানক আরবি (MSA) সংস্করণ নীরবে লিখতে পারে। দুটিই বৈধ আউটপুট। তবে এগুলো একই নথি নয়।

এখানে একটি বাস্তব উদাহরণ। একজন মিশরীয় বক্তা বলেন إزيك؟ ("কেমন আছো?")। শব্দে-শব্দে ট্রান্সক্রিপ্টে إزيك থাকবে। MSA-স্বাভাবিকীকৃত ট্রান্সক্রিপ্টে كيف حالك؟ লেখা হবে, যা সঠিক আরবি, কিন্তু ঘরে কেউ আসলে তা বলেনি।

কিছু মডেল দ্বিতীয় আউটপুটটি তৈরি করতে পারে। এমিরাতি বক্তৃতা নিয়ে Mixat গবেষণায় গবেষকেরা দেখেছেন যে "Whisper translates the sentences into MSA" এবং তাই "performs the wrong task". ওই ডেটাসেটে Whisper-medium এমিরাতি-শুধু অংশে 195.98% word error এবং ইংরেজি-শুধু অংশে 12.06% পেয়েছে। Word error rate রেফারেন্স শব্দসংখ্যার বিপরীতে substitution, deletion এবং insertion গণনা করে, তাই এটি 100%-এরও বেশি হতে পারে; এগুলো একটি ডেটাসেটের segment-level ফলাফল, সাধারণ নির্ভুলতার হার নয়।

কখন শব্দে-শব্দে উপভাষা গুরুত্বপূর্ণ

আপনার দর্শকের যদি শুধু অর্থই দরকার হয়, যেমন অভ্যন্তরীণ মিটিং নোট বা সারাংশ, তাহলে MSA আউটপুট ঠিক আছে এবং অঞ্চলভেদে পড়তেও সহজ।

দৃষ্টান্তমূলক কর্মপ্রবাহ

একজন গবেষক (ধরুন তার নাম Layla) আবুধাবিতে গৃহস্থালি বাজেট নিয়ে 20টি সাক্ষাৎকার রেকর্ড করেন। প্রথম মেশিন-পাসে পরিষ্কার, আনুষ্ঠানিক আরবি আসে। পর্যালোচনায় দেখা যায়, তিনি যে এমিরাতি অভিব্যক্তিগুলো বিশ্লেষণ করতে চান, সেগুলো হারিয়ে গেছে এবং তাদের জায়গায় মানক সমতুল্য এসেছে। সমাধানটি প্রক্রিয়াগত: তিনি ব্রিফের ওপরে "verbatim dialect, do not standardize" লেখেন, প্রথম ফাইলটি অডিওর সঙ্গে মিলিয়ে দেখেন, এবং আউটপুট বারবার MSA-তে সরে গেলে টুল বদলান।

পছন্দ 2: স্বরচিহ্ন লেখা হবে কি না

আরবি লিপিতে মূলত ব্যঞ্জনধ্বনি এবং দীর্ঘ স্বর লেখা হয়। স্বল্প স্বর ঐচ্ছিক চিহ্ন (تشكيل, tashkeel), যা অক্ষরের ওপরে বা নিচে বসে। তিন অক্ষরের স্ট্রিং كتب হতে পারে كَتَبَ (সে লিখেছিল), كُتُب (বই) অথবা كُتِبَ (এটি লেখা হয়েছিল)। পাঠক প্রসঙ্গ থেকে তা বুঝে নেন।

দৈনন্দিন লেখায় এই চিহ্নগুলো বাদ পড়ে। বাস্তব লেখায় ডায়াক্রিটিকস নিয়ে একটি 2024 সালের গবেষণা, যেখানে Habash-এর আগের কাজ উদ্ধৃত হয়েছে, জানায় যে সাধারণ প্রাপ্তবয়স্কদের পড়ার প্রেক্ষাপটে প্রায় 1-2% শব্দে অন্তত একটি চিহ্ন থাকে। তাই স্বরচিহ্নহীন ট্রান্সক্রিপ্ট স্বাভাবিক, এবং এটি অনেক দৈনন্দিন ট্রান্সক্রিপ্টের জন্য উপযুক্ত।

সমস্যা শুরু হয় যখন স্বরচিহ্ন দরকার হয়। Interspeech 2023 পেপারে, সাধারণভাবে ব্যবহৃত Whisper-medium প্রত্যাশিত অবস্থানের মাত্র 1.9%-এ স্বরচিহ্ন তৈরি করেছে। একটি fine-tuned মডেল স্বরচিহ্ন উপেক্ষা করলে 6.4% word error এবং গণনা করলে 38.4% পেয়েছে, একই অডিওতে। হাতে স্বরচিহ্নযুক্ত টেক্সটে প্রশিক্ষিত একটি মডেল আরও ভালো করেছে, 6.5% এবং 13.4%। টেস্ট সেটটি ছিল শাস্ত্রীয় পাঠ-উচ্চারণ; এই সংখ্যাগুলো কথোপকথনধর্মী অডিওতে পারফরম্যান্স ভবিষ্যদ্বাণী করে না।

কখন স্বরচিহ্ন চাইবেন

বাকিটা সবক্ষেত্রে স্বরচিহ্নহীন টেক্সট চাইুন এবং আপনার পর্যালোচনার সময় অন্যত্র বরাদ্দ করুন।

পছন্দ 3: আরবি ট্রান্সক্রিপ্টে কার বানান গণ্য হবে

MSA-এর একটি বানান মান আছে। কথ্য উপভাষাগুলোর ক্ষেত্রে প্রায়ই একক সম্মত বানান থাকে না। মিশরীয় "কি" লেখা হতে পারে إيه বা ايه, আর "এখন" লেখা হতে পারে دلوقتي বা دلوقت। ة ও ه, কিংবা ى ও ي-এর মতো শব্দশেষও যত্নবান লেখকেরা অদলবদল করেন।

এটি মেশিনের সমস্যা নয়। MGB-3 Egyptian Arabic benchmark-এ চারজন ট্রান্সক্রাইবার একই অডিও স্বাধীনভাবে লিখে প্রায় 13% শব্দে মতভেদ করেছিলেন। আয়োজকেরা চারটি মানব বানানের যেকোনো একটিকে সঠিক হিসেবে মেনে নেওয়ায় বিজয়ী সিস্টেমের error rate 37.5% থেকে 29.3%-এ নেমে আসে। কম multi-reference স্কোর দেখায় যে স্কোরিং রীতি গুরুত্বপূর্ণ; এর মানে এই নয় যে প্রতিটি পার্থক্য কেবল বানানের ভিন্নতা।

ব্যবহারিক শিক্ষা: প্রতিটি উপভাষার শব্দের একটিই সর্বজনস্বীকৃত বানান নেই। আপনি যা করতে পারেন তা হলো সামঞ্জস্য বজায় রাখা। বারবার আসা শব্দ ও নামের জন্য একটি বানান ঠিক করুন, এবং প্রতিটি ফাইলকে সেটির সঙ্গে মিলিয়ে নিন।

দৃষ্টান্তমূলক কর্মপ্রবাহ

কায়রোর একটি নিউজরুম দল (প্রযোজকের নাম ধরুন Omar) একটি ডকুমেন্টারির জন্য এক সপ্তাহের vox-pop সাক্ষাৎকার ট্রান্সক্রাইব করে। তিনজন ফ্রিল্যান্সার ফাইলগুলো ভাগ করে নেন, আর রাফ কাটে একই স্ল্যাং শব্দ পর্দায় তিনভাবে বানান করা দেখা যায়। পরের ব্যাচের আগে Omar এক পাতার স্টাইল শিট লেখেন: দশটি পুনরাবৃত্ত উপভাষার শব্দ, কোন বানান ব্যবহার হবে, এবং ইংরেজি ঋণশব্দ কীভাবে লেখা হবে। দ্বিতীয় ব্যাচের পর্যালোচনার সময় তখন অক্ষর নিয়ে তর্ক না করে অর্থ যাচাইয়ে যায়।

আরবি ট্রান্সক্রিপশন সেটআপ কীভাবে বাছবেন

প্রথমে তিনটি সিদ্ধান্ত নিন, তারপর টুল বাছুন। এই টেবিলটি সাধারণ প্রকল্পগুলোকে সাধারণত উপযুক্ত সেটিংসের সঙ্গে মেলায়।

প্রকল্পউপভাষা বা MSAস্বরচিহ্নবানানের নিয়মসাধারণ পথ
মিটিং নোট, অভ্যন্তরীণ কলযেকোনোটি; অর্থই বেশি গুরুত্বপূর্ণকিছুই নয়টুলের ডিফল্টলাইভ AI ট্রান্সক্রিপশন, হালকা পর্যালোচনা
গবেষণা সাক্ষাৎকারশব্দে-শব্দে উপভাষাকিছুই নয়, নাম ছাড়াপ্রকল্পের স্টাইল শিটAI প্রথম পাস + মানব পর্যালোচনা
আইনি বা প্রমাণমূলক অডিওশব্দে-শব্দে উপভাষাশুধু যেখানে অর্থ অস্পষ্টনথিভুক্ত ও সামঞ্জস্যপূর্ণডকুমেন্টেড রিভিউসহ বিশেষজ্ঞ মানব ট্রান্সক্রিপশন
সাংবাদিকতা ও ডকুমেন্টারিউদ্ধৃতির জন্য শব্দে-শব্দেকিছুই নয়নিউজরুম স্টাইল শিটAI খসড়া, সম্পাদক প্রতিটি উদ্ধৃতি যাচাই করেন
তিলাওয়াত বা শিক্ষামূলক অডিওশাস্ত্রীয় বা MSAপূর্ণমানক বানানবিশেষজ্ঞ মানব বা স্বরচিহ্ন-প্রশিক্ষিত মডেল
আরবি এবং অনুবাদ একসঙ্গেযেকোনোটিকিছুই নয়টুলের ডিফল্টসাইড-বাই-সাইড অনুবাদসহ লাইভ ট্রান্সক্রিপশন

আরও দুটি যাচাই পুনরায় কাজ বাঁচায়। প্রথমত, বক্তারা যদি বাক্যের মাঝখানে আরবি ও ইংরেজি বা ফরাসির মধ্যে বদলান, তাহলে সেই নির্দিষ্ট প্যাটার্ন পরীক্ষা করুন; একই Mixat গবেষণায় code-switched বক্তৃতায় 121.78% word error পাওয়া গেছে। মিশ্র-ভাষার অডিওর জন্য তৈরি টুল নিয়ে আমাদের বহুভাষিক ট্রান্সক্রিপশন সফটওয়্যার গাইড দেখুন। দ্বিতীয়ত, কথোপকথনের সময়ই টেক্সট দরকার, নাকি পরে, তা ঠিক করুন, কারণ এতে টুল বাজার দুই ভাগে ভাগ হয়। এই সমঝোতাগুলো রিয়েল-টাইম বনাম পোস্ট-মিটিং ট্রান্সক্রিপশন-এ ব্যাখ্যা করা হয়েছে।

উদাহরণস্বরূপ, Google Cloud Speech-to-Text আরবির দেশভিত্তিক লোকেল তালিকাভুক্ত করে, যেমন Egypt, Saudi Arabia এবং Morocco। লোকেল বেছে নেওয়া মানে এই নয় যে ট্রান্সক্রিপ্ট আপনার পছন্দের উপভাষা, স্বরচিহ্ন বা বানান রীতি অনুসরণ করবে; আউটপুটকে আপনার ব্রিফের সঙ্গে মিলিয়ে পরীক্ষা করুন।

আরবি ট্রান্সক্রিপশনের জন্য MirrorCaption কোথায় মানায়

MirrorCaption টেবিলের লাইভ দিকের জন্য তৈরি। Meet মোডে এটি ডেস্কটপ Chrome বা Edge-এ মিটিং ট্যাবের অডিও ধরে, তাই ব্রাউজার-ভিত্তিক Zoom, Teams, Meet বা Webex কলে আরবি বক্তৃতা বলার সঙ্গে সঙ্গেই ট্রান্সক্রাইব হয়, কলে কোনো বট যোগ না দিয়েই। ফোনে Talk মোড মুখোমুখি কথোপকথনের জন্য একটানা সেশন চালায়। যেকোনোভাবেই আপনি আরবির পাশে 50+ নির্বাচযোগ্য ভাষার যেকোনো একটিতে অনুবাদ দেখাতে পারেন, যা ঘরের অর্ধেক মানুষ আরবি লিপি না পড়লে কাজে লাগে। রেকর্ডিংয়ের জন্য upload Transcriber একটি সম্পন্ন ফাইল নেয় এবং কাজ শেষ হলে ট্রান্সক্রিপ্ট আপনার ইতিহাসে পৌঁছে দেয়।

এটি কী করে না, তা এখানে বলা হলো, যাতে আপনি ন্যায্যভাবে বিচার করতে পারেন:

দৃষ্টান্তমূলক কর্মপ্রবাহ

রিয়াদে ইঞ্জিনিয়ার আর বার্লিনে একজন ম্যানেজার থাকা একটি প্রোডাক্ট টিম (ধরুন তার নাম Jonas) সাপ্তাহিক কল করে, যেখানে সৌদি দল প্রায়ই বিস্তারিত ঠিক করতে আরবিতে চলে যায়। Jonas কলের পাশে Chrome ট্যাবে MirrorCaption খোলে এবং আলোচনা চলার সময় ইংরেজির পাশে আরবি ট্রান্সক্রিপ্ট পড়ে। তার স্বরচিহ্ন বা শব্দে-শব্দে উপভাষা দরকার নেই, শুধু সময়মতো অর্থ দরকার, যাতে কল এগোনোর আগে তিনি একটি ফলো-আপ প্রশ্ন করতে পারেন।

আপনার প্রকল্প যদি লাইভ মিটিং, কল বা কথোপকথন হয় এবং আপনার প্রধান দরকার অর্থ, তাহলে সেটিই MirrorCaption-এর জন্য তৈরি ক্ষেত্র। আপনি যদি নির্দিষ্ট ভাষা-জোড়ার জন্য আরবি অনুবাদ করেন, তাহলে আমাদের রিয়েল-টাইম আরবি থেকে চীনা স্পিচ ট্রান্সলেটর নিয়ে ব্যাখ্যায় একই লাইভ সেটআপ ব্যবহার দেখানো হয়েছে।

নিজের পাঁচ মিনিটের আরবিতে এটি পরীক্ষা করুন। একটি সাধারণ অংশ রেকর্ড করুন, দুইটি টুলে চালান, এবং উপভাষা, বানান ও নাম তুলনা করুন। পরীক্ষা চালানোর জন্য MirrorCaption-এর বিনামূল্যের এক ঘণ্টাই যথেষ্ট।

আপনার বিনামূল্যের ঘণ্টা শুরু করুন

আরবি ট্রান্সক্রিপশন FAQ

আরবি ট্রান্সক্রিপশনের নির্ভুলতার দাবি এত ভিন্ন কেন?

কারণ তারা ভিন্ন জিনিস মাপে। কিছু আরবি বেঞ্চমার্ক স্কোর করার আগে স্বরচিহ্ন সরিয়ে দেয় এবং হামজা স্বাভাবিকীকরণ করে। ফলাফল উপভাষা, রেকর্ডিং অবস্থা এবং রেফারেন্স ট্রান্সক্রিপ্টের ওপরও নির্ভর করে। বিক্রেতার টেস্ট সেট ও স্কোরিং নিয়ম চাইুন, তারপর নিজের অডিও পরীক্ষা করুন।

আরবি ট্রান্সক্রিপ্টে কি স্বরচিহ্ন থাকা উচিত?

সাধারণত না। সাধারণ প্রাপ্তবয়স্কদের পড়ার প্রেক্ষাপট নিয়ে একটি গবেষণা জানায় যে প্রায় 1-2% শব্দে অন্তত একটি স্বরচিহ্ন থাকে, তাই স্বরচিহ্নহীন ট্রান্সক্রিপ্ট সাধারণত স্বাভাবিকভাবেই পড়া যায়। উচ্চারণই যখন মূল বিষয়—কুরআনিক বা শাস্ত্রীয় তিলাওয়াত, শিক্ষামূলক উপকরণ, বা বিরল নাম ও শব্দ যা পাঠক ভুল পড়তে পারেন—তখন স্বরচিহ্ন চাইুন।

আমি কি আরবি লিপির বদলে ইংরেজি অক্ষরে আরবি ট্রান্সক্রাইব করতে পারি?

হ্যাঁ, তবে সেটি রোমানাইজেশন, কয়েকটি প্রতিদ্বন্দ্বী পদ্ধতিসহ একটি আলাদা ধাপ। যদি কোনো টুল আপনাকে আরবি লিপি দেয় এবং আপনার লাতিন অক্ষর দরকার হয়, তাহলে একটি নির্দিষ্ট নামযুক্ত পদ্ধতি ব্যবহার করে রোমানাইজ করুন, যাতে বারবার আসা নামগুলো ধারাবাহিকভাবে লেখা হয়।

MirrorCaption কি রিয়েল টাইমে আরবি ট্রান্সক্রাইব ও অনুবাদ করতে পারে?

হ্যাঁ। MirrorCaption ব্রাউজারে লাইভ আরবি ট্রান্সক্রাইব করে এবং পাশে অন্য সমর্থিত ভাষায় অনুবাদ দেখাতে পারে। রেকর্ডিংগুলো এর upload Transcriber দিয়ে যায়। এতে উপভাষা, MSA বা স্বরচিহ্নের সুইচ নেই এবং কোনো আরবি error rate প্রকাশ করে না, তাই বিনামূল্যের ঘণ্টা ব্যবহার করে নিজের অডিওতে পরীক্ষা করুন।

টুল বাছার আগে তিনটি সিদ্ধান্ত নিন

ভালো আরবি ট্রান্সক্রিপশন সফটওয়্যার দিয়ে নয়, সিদ্ধান্ত দিয়ে শুরু হয়। সংক্ষেপে:

ব্রিফের ওপরে আপনার তিনটি সিদ্ধান্ত লিখে রাখুন, তা ফ্রিল্যান্সারকে দিন বা কোনো টুলে দিন। যদি লাইভ কথোপকথনের সময় আরবি ট্রান্সক্রাইব ও বোঝা দরকার হয়, MirrorCaption তা কাজ করতে দেখার দ্রুত উপায়।

লাইভ আরবি ট্রান্সক্রাইব করুন, বিনামূল্যে

চেষ্টা করার জন্য 1টি বিনামূল্যের ঘণ্টা। কোনো ক্রেডিট কার্ড নয়। কোনো মাসিক রিসেট নয়। ডেস্কটপ Chrome বা Edge-এ Meet মোডের জন্য কিছু ইনস্টল করতে হবে না।

বিনামূল্যে শুরু করুন