Descript က ဘာသာစုံ ဗီဒီယိုအသံထပ်တင်မှုကို ကြီးမားစွာ တည်ဆောက်ပုံ

Descript⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) သည် ရိုးရှင်းသော အယူအဆတစ်ခုကို အခြေခံ၍ တည်ဆောက်ထားသည့် AI-အခြေပြု ဗီဒီယိုတည်းဖြတ်ကိရိယာတစ်ခု ဖြစ်သည် - စာသားကို တည်းဖြတ်နိုင်လျှင် ဗီဒီယိုကိုလည်း တည်းဖြတ်နိုင်သင့်သည်။ Descript ၏ အစောပိုင်းကာလများကတည်းက AI သည် ထုတ်ကုန်၏ ကဏ္ဍတိုင်း - အသံမှ စာသားပြောင်းခြင်း၊ တည်းဖြတ်ခြင်း၊ အသံသန့်စင်ခြင်းနှင့် ပိုမိုရှုပ်ထွေးလာသည့် ဖန်တီးမှုလုပ်ငန်းစဉ်များ - ကို အားဖြည့်မောင်းနှင်ပေးခဲ့သည်။ ၎င်းတို့သည် နှစ်များစွာကြာ OpenAI ပေါ်တွင် အခြေခံ၍ တည်ဆောက်လာခဲ့ပြီး၊ အသံမှစာသားပြောင်းခြင်းအတွက် Whisper ကို အသုံးပြုကာ ၎င်းတို့၏ co-editor Underlord အတွင်းတွင် GPT စီးရီး မော်ဒယ်များကို အသုံးပြုထားသည်။ 

ဘာသာပြန်ခြင်းသည် သက်ရောက်မှုမြင့်မားသော အသုံးပြုမှုကိစ္စတစ်ခုအဖြစ် အလျင်အမြန် ပေါ်ထွက်လာခဲ့သည်။ အစဉ်အလာအားဖြင့် ဗီဒီယိုဘာသာပြန်ခြင်းသည် အချိန်ကြာမြင့်ပြီး ကုန်ကျစရိတ်များသော လုပ်ငန်းစဉ်တစ်ခုဖြစ်ခဲ့ပြီး၊ ပရောဂျက်များကို စီမံခန့်ခွဲရန်၊ စက်ယန္တရားဆန်သော ဘာသာပြန်ချက်များကို ထုတ်လုပ်ရန်၊ အရည်အသွေးထိန်းချုပ်မှုကို ဆောင်ရွက်ရန်နှင့် သက်ဆိုင်ရာ အသံဖိုင်များကို ဖန်တီးရန် ဘာသာစကားကျွမ်းကျင်သူများ လိုအပ်ခဲ့သည်။ LLM များသည် ထိုလုပ်ငန်းစဉ်ကို သိသိသာသာ ချုံ့ပေးပြီး အကြီးစားအတိုင်းအတာဖြင့် အရည်အသွေးမြင့် ဘာသာပြန်မှုကို ဖြစ်နိုင်စေသည်။

စာတန်းထိုးခြင်းနှင့် အသံသွင်းဘာသာပြန်ခြင်း နှစ်မျိုးလုံးတွင် အဓိပ္ပာယ်ပိုင်းဆိုင်ရာ တိကျမှန်ကန်မှု လိုအပ်သည်၊ ဘာသာပြန်ဆိုချက်သည် မူရင်းအဓိပ္ပာယ်ကို ထိန်းသိမ်းထားရမည်။ သို့သော် ကြာချိန်ကို လိုက်နာမှုသည် တစ်ခုချင်းစီတွင် ကွဲပြားသော အခန်းကဏ္ဍတစ်ခုမှ ပါဝင်သည်။ စာတန်းများအတွက်တော့ ရှိလျှင် ကောင်းသော်လည်း မဖြစ်မနေလိုအပ်သည့်အရာ မဟုတ်ပါ။ အသံထပ်သွင်းမှုတွင် ဤအချက်သည် အလွန်အရေးကြီးသည်၊ အကြောင်းမှာ ဘာသာပြန်ထားသော စကားပြောအသံ၏ ကြာချိန်သည် ရှည်လွန်း သို့မဟုတ် တိုလွန်းပါက အဓိပ္ပာယ်မှန်ကန်နေလျှင်ပင် သဘာဝမကျသလို ကြားရမည်ဖြစ်သောကြောင့် ဖြစ်သည်။

ဤပြဿနာကို ဖြေရှင်းရန် Descript သည် ထုတ်လုပ်ပြီးနောက်မှ မဟုတ်ဘဲ ထုတ်လုပ်နေစဉ်အတွင်းပင် အဓိပ္ပာယ်ဆိုင်ရာ သစ္စာရှိမှုနှင့် ကြာချိန်လိုက်နာမှုကို အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်နိုင်ရန် OpenAI ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော မော်ဒယ်များကို အသုံးပြု၍ ၎င်း၏ ဘာသာပြန်လုပ်ငန်းစဉ်ကို ပြန်လည်ဒီဇိုင်းရေးဆွဲခဲ့သည်။ ဖြန့်ချိပြီးနောက် ပထမ 30 ရက်အတွင်း ဒပ်ဘင်းပါဝင်သည့် ဘာသာပြန်ဗီဒီယိုများ၏ ထုတ်ယူမှုသည် 15% တိုးလာပြီး၊ ဘာသာစကားအလိုက် ကြာချိန်ကိုက်ညီမှုမှာ 13 မှ 43 ရာခိုင်နှုန်းပွိုင့်အထိ တိုးတက်လာခဲ့သည်။

“Descript ကို အသုံးပြုမှုတွေထဲမှာ အသံထပ်တင်ခြင်းက ပိုပြီးလူကြိုက်များလာတဲ့ အသုံးပြုပုံတစ်ခု ဖြစ်လာနေပါတယ်။ ဒါကြောင့် စာကြည့်တိုက်တစ်ခုလုံးကို ဘာသာပြန်ပြီး နှုတ်ခမ်းလှုပ်ရှားမှုနဲ့ အသံကိုက်ညီအောင်လုပ်ချင်တဲ့ ကုမ္ပဏီတွေအတွက် အစုလိုက်အပြုံလိုက် လုပ်ဆောင်နိုင်မယ့် နည်းလမ်းတွေကို ကျွန်မတို့ တည်ဆောက်နေပါတယ်” ဟု အမှုဆောင်အရာရှိချုပ် လော်ရာ ဘာ့ခ်ဟောင်ဇာက ပြောကြားခဲ့သည်။

ဘာသာပြန်ခြင်းသည် Descript ၏ အစောဆုံးကတည်းက တောင်းဆိုခဲ့ကြပြီး၊ အများဆုံးတောင်းဆိုခဲ့ကြသည့် လုပ်ဆောင်ချက်များထဲမှ တစ်ခုဖြစ်သည်။ သူတို့သည် စာတန်းထိုးများကိုသာ ဘာသာပြန်ခြင်းဖြင့် စတင်ခဲ့ပြီး၊ ၎င်းက ကောင်းစွာ အလုပ်ဖြစ်ခဲ့သည် - သို့သော် အသုံးပြုသူအများအပြားက ထိုထက်ပိုပြီး ရည်ရွယ်ထားသော ဘာသာစကားဖြင့် ပြောဆိုထားသော အသံ (ဒပ်ဘင်း) ပါ ရရှိလိုခဲ့ကြသည်။

သို့သော် ပြဿနာတစ်ခု ထပ်တလဲလဲ ပေါ်လာခဲ့သည်၊ အသံထပ်တင်ထားသည့် အော်ဒီယိုသည် အမြဲတမ်း သဘာဝမကျဘူး။ “ဖြစ်နိုင်တာက ကျွန်တော်တို့ ကြားခဲ့ရတဲ့ အများဆုံး မကျေနပ်ချက်က ဘာသာပြန်ထားတဲ့ ဘာသာစကားမှာ စကားပြောနှုန်းက သဘာဝမကျဘူးဆိုတာပါပဲ” ဟု Descript ၏ AI ထုတ်ကုန်ဌာနအကြီးအကဲ Aleks Mistratov က ပြောသည်။

ပြဿနာက တူညီသော အယူအဆတစ်ခုကို ဖော်ပြရန် ဘာသာစကားအမျိုးမျိုးတွင် ကြာချိန် မတူညီကြသည့် အချက်ကြောင့် ဖြစ်လာခြင်းဖြစ်သည်။ ဥပမာအားဖြင့် Descript က ပျမ်းမျှအားဖြင့် ဂျာမန်ဘာသာစကားသည် အင်္ဂလိပ်ဘာသာစကားထက် “ပိုရှည်သော” ဘာသာစကားတစ်ခုဖြစ်သည်ဟု လေ့လာတွေ့ရှိခဲ့သည်။ အချိန်သတ်မှတ်ထားသော ဗီဒီယိုအပိုင်းများနှင့် ကိုက်ညီစေရန် ဘာသာပြန်ထားသော စကားသံကို မကြာခဏ သဘာဝမဟုတ်သည့်နည်းဖြင့် အရှိန်မြှင့်ခြင်း သို့မဟုတ် အရှိန်လျှော့ခြင်း ပြုလုပ်ရလေ့ရှိသည်။ “နောက်ဆုံးမှာတော့ ချစ်ပ်မန့်ခ်ရှဉ့်လေးတွေလို အသံထွက်တာ၊ ဒါမှမဟုတ် အိပ်ငိုက်နေတဲ့ ဘီလူးကြီးလို အသံထွက်တာမျိုး ဖြစ်သွားလိမ့်မယ်” ဟု မစ်စထရာတော့ဗ်က ရှင်းပြသည်။

အသုံးပြုသူများအတွက် ရွေးချယ်စရာ နှစ်ခုသာ ကျန်ရှိခဲ့သည်- အသံအပိုင်းများကို အပိုင်းလိုက် လက်ဖြင့် အချိန်ပြန်ညှိခြင်း၊ သို့မဟုတ် ကိုက်ညီစေရန် ဘာသာပြန်စာကိုယ်တိုင်ကို ပြန်လည်ရေးသားခြင်း ဖြစ်သည်။ နည်းလမ်းနှစ်ခုစလုံးမှာ timeline ကို အသေးစိတ်ကျကျ ပြင်ဆင်တည်းဖြတ်မှုများ လိုအပ်ခဲ့ပြီး၊ မကြာခဏဆိုသလို ပစ်မှတ်ဘာသာစကားကို မိခင်ဘာသာစကားပြောသူနီးပါး ချောမွေ့ကျွမ်းကျင်စွာ အသုံးပြုနိုင်မှုလည်း လိုအပ်ခဲ့သည်။ ယင်းက ဖန်တီးသူများအတွက် ငြီးငွေ့ဖွယ်ကောင်းပြီး၊ ထိုလုပ်ဆောင်ချက်ကို ကြီးမားသော လုပ်ငန်းကြီးအဆင့် ဘာသာပြန်ခြင်း ပရောဂျက်များအထိ ချဲ့ထွင်အသုံးပြုနိုင်ရန် အဟန့်အတားတစ်ခု ဖြစ်လာခဲ့သည်။

အဖွဲ့တွင် ဒပ်ဘင်းကို အောင်မြင်စွာ လုပ်ဆောင်နိုင်စေရန် ဘာတွေလိုအပ်မည်ဆိုသည်နှင့်ပတ်သက်၍ ရှင်းလင်းသော ယူဆချက်တစ်ခု ရှိခဲ့သည်။ စနစ်သည် အဓိပ္ပါယ်ပိုင်းဆိုင်ရာ အနက်ကိုသာ အကောင်းဆုံးဖြစ်အောင် ချိန်ညှိရမည် မဟုတ်ဘဲ၊ အချိန်ဆိုင်ရာ ကန့်သတ်ချက်များကိုလည်း ထည့်သွင်းစဉ်းစားရမည် ဖြစ်သည်။ ဥပမာအားဖြင့်၊ အင်္ဂလိပ်မှ ဂျာမန်သို့ ဘာသာပြန်သည့်အခါ ဒပ်ဘ်လုပ်ထားသော အသံသည် သဘာဝကျနေစေရန် မော်ဒယ်သည် စကားလုံးအရေအတွက်ကို လျှော့သုံးပုံ သို့မဟုတ် အယူအဆကို ရိုးရှင်းအောင် ပြုလုပ်ပုံကို နားလည်ရန် လိုအပ်မည်ဖြစ်သည်။

ယခင်ချဉ်းကပ်မှုများသည် အဓိပ္ပါယ်ဆိုင်ရာ တိကျမှန်ကန်မှုကို ပထမဦးစွာ အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ပြီး၊ အချိန်ကိုက်မှုကို နောက်ပိုင်းတွင် ပြင်ဆင်ရန် ကြိုးစားခဲ့ကြသည်။ ဘာသာပြန်ချက်များသည် အဓိပ္ပါယ်ပိုင်းအရ မကြာခဏ မှန်ကန်နေသော်လည်း၊ ကြာချိန်ကန့်သတ်ချက်များကို အမြဲလိုလို မလိုက်နာနိုင်ခဲ့ကြပြီး စုစုပေါင်းအရည်အသွေးမှာလည်း မလုံလောက်သေးပါ။ 

“ကျွန်တော်တို့က အဆင့်လိုက် စမ်းသပ်မှုတွေ လုပ်ခဲ့တာပါ၊ ဘာမှ ထုတ်လုပ်ခိုင်းတာတောင် မဟုတ်ဘဲ စာသားအပိုင်းတစ်ခုထဲမှာ ဝဏ္ဏအရေအတွက်ကို မော်ဒယ် ထုတ်ပြခိုင်းရုံပါပဲ” ဟု Mistratov က ပြောသည်။ “အစောပိုင်း မော်ဒယ်များသည် ထိုအရာကို ကောင်းကောင်း မလုပ်နိုင်ခဲ့ပါ။”

ယုံကြည်စိတ်ချရသော ဝဏ္ဏရေတွက်မှုသည် အလွန်အရေးပါကြောင်း ထင်ရှားလာခဲ့သည်။ မော်ဒယ်သည် အသံလုံးများကို တစ်သမတ်တည်း တွက်ချက်နိုင်ခြင်း မရှိပါက၊ သတ်မှတ်ထားသော ကြာချိန်အပိုင်းအခြားတစ်ခုကို ယုံကြည်စိတ်ချစွာ ပစ်မှတ်ထားနိုင်မည် မဟုတ်ပါ။

GPT‑5 စီးရီး မော်ဒယ်များသည် အစောပိုင်း မော်ဒယ်များတွင် မရှိခဲ့သော ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော လုပ်ဆောင်မှု၏ တသမတ်တည်းရှိမှု အဆင့်တစ်ခုကို ပေးစွမ်းခဲ့ပြီး၊ အထူးသဖြင့် ဝဏ္ဏရေတွက်ခြင်းနှင့် ကန့်သတ်ချက်များကို ခြေရာခံခြင်းကဲ့သို့သော လုပ်ငန်းတာဝန်များတွင် ဖြစ်သည်။ ထိုတိုးတက်မှုကြောင့် Descript သည် ၎င်း၏ ဘာသာပြန်ခြင်းနှင့် အသံထပ်တင်ခြင်းဆိုင်ရာ လုပ်ငန်းစဉ်ပိုင်းကို ပြန်လည်ဒီဇိုင်းရေးဆွဲခဲ့သည်။

ပထမဦးစွာ Descript ၏ စနစ်သည် မူရင်းအသံဖမ်းယူမှုရှိ ဝါကျအဆုံးများ၊ သဘာဝရပ်နားမှုများနှင့် ပြောဆိုပုံစံများကို အခြေခံ၍ စာသားမှတ်တမ်းကို အပိုင်းများအဖြစ် ခွဲခြမ်းပေးသည်။ အပိုင်းတစ်ခုစီသည် အဓိပ္ပါယ်ပိုင်းဆိုင်ရာ ဆက်လက်ဆက်စပ်မှုကို ထိန်းသိမ်းထားသော်လည်း၊ အချိန်ယူနစ်တစ်ခုအဖြစ် ခွဲခြမ်းစဉ်းစားနိုင်လောက်အောင် သေးငယ်သည်။

ထိုအဆင့်မှစ၍ မော်ဒယ်သည် အပိုင်းထဲရှိ ဝဏ္ဏအရေအတွက်ကို တွက်ချက်သည်။ ဘာသာစကားအလိုက် စကားပြောနှုန်းဆိုင်ရာ ယူဆချက်များကို အသုံးပြု၍ စနစ်သည် သဘာဝကျသော စကားပြောစည်းချက်ကို ထိန်းသိမ်းရန် (“ကြာချိန်လိုက်နာမှု”) ဘာသာပြန်ထားသော အပိုင်းအနေဖြင့် ရည်မှန်းသင့်သည့် အသံစုအရေအတွက်ကို ခန့်မှန်းသည်။ တုံ့ပြန်ညွှန်ကြားချက်သည် မော်ဒယ်အား ကြာချိန်ကို လိုက်နာမှုနှင့် အဓိပ္ပာယ်ကို ထိန်းသိမ်းမှု နှစ်ခုစလုံးအတွက် အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရန် တောင်းဆိုသည်။ မော်ဒယ်က အပိုင်းများအကြား အဓိပ္ပာယ်ဆက်စပ်ညီညွတ်မှုကို ထိန်းသိမ်းနိုင်ရန် အနီးဝန်းကျင်ရှိ အပိုင်းများကို အကြောင်းအရာအဖြစ် ထည့်သွင်းပေးပို့ထားသည်။

အဖွဲ့သည် သတ်မှတ်ကြာချိန်နှင့် ကိုက်ညီမှု၊ အဓိပ္ပာယ်တိကျမှန်ကန်မှု၊ ကြန့်ကြာချိန်နှင့် ကုန်ကျစရိတ်တို့ကို ဟန်ချက်ညီစေရန် ဖွဲ့စည်းပုံသတ်မှတ်ချက်အမျိုးမျိုးကို အကဲဖြတ်ခဲ့သည်။ ရွေးချယ်ထားသော ဖွဲ့စည်းပုံသည် ထုတ်လုပ်မှု အရှိန်ဖြင့် ကန့်သတ်ချက်များကို ခိုင်မာစွာ လိုက်နာနိုင်မှုကို ပေးစွမ်းခဲ့ပြီး၊ လက်ဖြင့် အချိန်ပြန်ညှိရန် မလိုဘဲ အမြင့် ပမာဏရှိသော ဘာသာပြန်မှုကို ဆောင်ရွက်နိုင်စေခဲ့သည်။ ရလဒ်အနေဖြင့် စီးဆင်းမှုအရှိန်ကို ပြီးမှ ပြန်လည်ပြင်ဆင်ရသည့်အရာအဖြစ် မဟုတ်ဘဲ အဓိက ကိန်းရှင်တစ်ခုအဖြစ် သတ်မှတ်ကိုင်တွယ်သည့် ဘာသာပြန်မှု လမ်းကြောင်းတစ်ခု ဖြစ်လာသည်။

အကဲဖြတ်မှုများအတွက် လက်ခံနိုင်မှုစံနှုန်းများကို ဖော်ဆောင်ရန် - အဖွဲ့သည် နားထောင်စမ်းသပ်မှုများ ပြုလုပ်ခဲ့သည်။ ၎င်းတို့သည် ဘာသာပြန်ထားသော အသံနမူနာများကို ဖန်တီးပြီး အသံပြန်ဖွင့်နှုန်းကို အဆင့်ငယ်များဖြင့် ချိန်ညှိကာ၊ စကားသံသည် မသဘာဝဖြစ်လာသည့်အချိန်ကို သုံးစွဲသူများအား အဆင့်သတ်မှတ်ခိုင်းခဲ့သည်။ 

“အမြန်နှုန်းကို 10%လျှော့ချထားတာ ဒါမှမဟုတ် 20%မြှင့်ထားတာမျိုးက ယေဘုယျအားဖြင့် နားထောင်ရတာ သဘာဝကျနေဆဲဖြစ်တယ်” ဟု မစ်စထရာတော့ဗ်က ပြောသည်။ ဤအပိုင်းအခြားကို ကျော်လွန်ပါက စကားသံသည် အလွန်အမင်း ပုံပျက်သွားသည်။ 

ထိုတိုင်းတာမှုအရ ယခင်စနစ်များသည် စွမ်းဆောင်ရည် ညံ့ဖျင်းခဲ့သည်။ ဘာသာစကားပေါ် မူတည်၍ အပိုင်းများ၏ 40%–60% သာ လက်ခံနိုင်သော ပြောဆိုမှုနှုန်း အပိုင်းအခြားအတွင်း ကျရောက်ခဲ့သည်။ ပြန်လည်ဒီဇိုင်းရေးဆွဲထားသော ပိုက်လိုင်းကြောင့် ထိုကိန်းဂဏန်းသည် ဘာသာစကားအပေါ် မူတည်၍ 40%–60% မှ 73%–83% အကြားသို့ တိုးလာခဲ့သည်။

အဖွဲ့သည် သီးခြား မော်ဒယ်ကို အကဲဖြတ်သူအဖြစ် အသုံးပြုသည့် အဆင့်သတ်မှတ်မှုဖြင့်လည်း အဓိပ္ပာယ်ပိုင်းဆိုင်ရာ တိကျကိုက်ညီမှုကို အကဲဖြတ်ခဲ့ပြီး ၎င်းသည် ၁ (“လုံးဝ ကွဲပြားသည်”) မှ ၅ (“အဓိပ္ပာယ်ပိုင်းအရ တူညီသည်”) အထိရှိသော စကေးပေါ်တွင် အခြေခံထားသည်။  ဒပ်ဘင်းအတွက် ကြာချိန်ဆိုင်ရာ ကန့်သတ်ချက်များ မသက်ဆိုင်သည့် စာတန်းသီးသန့် ဘာသာပြန်ခြင်းထက် အဓိပ္ပာယ်အရ ကိုက်ညီမှုစံနှုန်းကို ပိုမိုနိမ့်ကျစွာ လက်ခံရန် သူတို့ ဆုံးဖြတ်ခဲ့သည်။ ထိုအလျှော့အတင်းရှိသည့်တိုင် အပိုင်းများ၏ 85.5% သည် အဓိပ္ပာယ်ပိုင်းဆိုင်ရာ ကိုက်ညီမှုအတွက် ၅ မှတ်အနက် ၄ မှတ် သို့မဟုတ် ၅ မှတ်အဖြစ် အကဲဖြတ်ခံခဲ့ရသည်။

ရလဒ်မှာ အချိန်နှင့် အဓိပ္ပာယ် ဆိုသည့် ဆန့်ကျင်ယှဉ်ပြိုင်နေသော ကန့်သတ်ချက်နှစ်ရပ်ကို တိုင်းတာနိုင်ပြီး ယုံကြည်စိတ်ချရသော အဆင့်ဖြင့် ဟန်ချက်ညီစွာ ထိန်းညှိနိုင်သော စနစ်တစ်ခု ဖြစ်ပေါ်လာခြင်း ဖြစ်သည်။ တိုင်းတာမှုစံနှုန်း နှစ်ခုလုံးကို အလိုအလျောက်လုပ်ဆောင်နိုင်အောင် ပြုလုပ်ထားသောကြောင့် Descript သည် မော်ဒယ် ထုတ်ဝေမှုအသစ်များနှင့် တုံ့ပြန်ညွှန်ကြားချက် ပုံစံကွဲများကို တူညီသော စံနှုန်းများဖြင့် ဆက်တိုက် အကဲဖြတ်နိုင်သည်။

ဘာသာပြန်ခြင်းသည် ဗီဒီယိုတစ်ခုချင်းစီမှ ကြီးမားသော အကြောင်းအရာစာကြည့်တိုက်များသို့ ကူးပြောင်းလာသည်နှင့်အမျှ၊ Descript သည် လိုအပ်သည့်အခါ ပိုမိုတင်းကျပ်သော အဓိပ္ပာယ်ပိုင်းဆိုင်ရာ တိကျသစ္စာရှိမှုကို ဦးစားပေးနိုင်ခြင်း အပါအဝင်၊ ဘာသာပြန်ချက်များကို ချိန်ညှိပုံအပေါ် ထိန်းချုပ်နိုင်မှုများကို ပိုမိုထည့်သွင်းတည်ဆောက်နေပါသည်။

Descript အတွင်းရှိ ဘာသာပြန်ခြင်းသည် ပိုမိုကျယ်ပြန့်သော မုဒ်မျိုးစုံပါဝင်သည့် စနစ်တစ်ခု၏ အလွှာတစ်ခုသာ ဖြစ်သည်။ ဘာသာပြန်ထားသော စာသားသည် အသံထုတ်လုပ်မှုသို့ ထည့်သွင်းပေးပြီး၊ ထို့နောက် ၎င်းက နှုတ်ခမ်းလှုပ်ရှားမှုကိုက်ညီမှုနှင့် နောက်ဆုံးဗီဒီယို ပြန်လည်ဖော်ပြမှုကို မောင်းနှင်ပေးသည်။ 

စာသားအလွှာရှိ တိုးတက်မှုများကြောင့် သဘာဝကျသော အရှိန်အဟုန်ဖြင့် ပြောဆိုမှုကို ဖြစ်နိုင်စေသော်လည်း၊ အတွေ့အကြုံတစ်ခုလုံးသည် အသံမော်ဒယ်က စကားပြောဆိုမှု၏ အသံနေအသံထား၊ စည်းချက်နှင့် နှုတ်ဖြင့်မဟုတ်သော လက္ခဏာရပ်များကို မည်မျှကောင်းမွန်စွာ ထိန်းသိမ်းနိုင်သည်ဆိုသည့်အပေါ်လည်း မူတည်ပါသည်။ အဖွဲ့က နောက်ထပ် စွမ်းဆောင်ရည်အမြင့်ဆုံး နယ်ပယ်အဖြစ် မြင်ထားတာက အဲဒီနေရာပါ။ 

“ဘာသာပြန်ရလဒ်ကို တိုးတက်စေမည့် အရာများစွာမှာ ဘာသာပြန်လုပ်ငန်းစဉ်ပိုက်လိုင်းကို ပိုမိုမော်ဒယ်ပုံစံမျိုးစုံ ပါဝင်စေရန် လုပ်ဆောင်ခြင်းဖြစ်သည် - မည်သို့ဘာသာပြန်မည်ကို ဆုံးဖြတ်ရာတွင် အသံ၊ ဗီဒီယို၊ နှင့် စာသားတို့ကို အတူတကွ ထည့်သွင်းအသုံးပြုခြင်းပင် ဖြစ်သည်” ဟု Mistratov က ပြောသည်။ “ထိုအရာက အသံအနိမ့်၊ အမြင့်နှင့် အလေးပေးမှုတို့ကဲ့သို့ စကားပြောဆိုမှု၏ စကားလုံးမဟုတ်သော လက္ခဏာရပ်များကို ပိုမိုကောင်းမွန်စွာ ထိန်းသိမ်းနိုင်ပြီး မူရင်းပြောဆိုတင်ပြပုံကိုလည်း ပိုမိုထိန်းသိမ်းနိုင်သင့်ပါသည်။”

Descript အတွက်၊ ပိုမိုအားကောင်းသော ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော မော်ဒယ်များသည် အသံထပ်သွင်းခြင်း၏ ရှုပ်ထွေးမှုကို ကိုင်တွယ်နိုင်စေခဲ့သည်။ မော်ဒယ်များက အရှိန်အဟုန်နှင့် အဓိပ္ပါယ်အကြားရှိ အပေးအယူများကို ယုံကြည်စိတ်ချရစွာ ချိန်ညှိထိန်းညှိနိုင်သည့် အဆင့်တစ်ခုကို ကျော်လွန်နိုင်သည့်အခါ၊ ဘာသာပြန်မှုသည် အဖွဲ့က စနစ်တကျ ပိုမိုကောင်းမွန်အောင် မြှင့်တင်နိုင်ပြီး ကျယ်ပြန့်သော အတိုင်းအတာဖြင့် ဖြန့်ချိအသုံးပြုနိုင်သည့် အရာတစ်ခု ဖြစ်လာခဲ့သည်။