Descript بڑے پیمانے پر کثیر لسانی ویڈیو ڈبنگ کیسے انجینئر کرتا ہے

Descript⁠(نئی ونڈو میں کھلتا ہے) ایک AI-نیٹو ویڈیو ایڈیٹر ہے جو ایک سادہ خیال کے گرد بنایا گیا ہے: اگر آپ متن میں ترمیم کر سکتے ہیں، تو آپ کو ویڈیو میں بھی ترمیم کر سکنا چاہیے. Descript کے ابتدائی دنوں سے، AI نے پروڈکٹ کے ہر پہلو کو تقویت دی ہے: ٹرانسکرپشن، ایڈیٹنگ، آڈیو کلین اپ اور بڑھتے ہوئے مزید پیچیدہ تخلیقی ورک فلو. وہ برسوں سے ٹرانسکرپشن کے لیے Whisper اور اپنے کو-ایڈیٹر انڈرلوڈ کے اندر GPT سیریز کے ماڈلز استعمال کرتے ہوئے، OpenAI پر تعمیر کر رہے ہیں. 

ترجمہ تیزی سے ایک اعلٰی اثر والا استعمال کا کیس بن کر ابھرا. روایتی طور پر، ویڈیو کا ترجمہ سست اور مہنگا رہا ہے، جس کے لیے زبان کے ماہرین کو پروجیکٹس کا انتظام کرنا، معمول کے ترجمے تیار کرنا، معیار کی جانچ سنبھالنا اور متعلقہ آڈیو تیار کرنا پڑتا ہے. LLMs اس ورک فلو کو ڈرامائی طور پر سکیڑ دیتے ہیں، جس سے بڑے پیمانے پر اعلٰی معیار کا ترجمہ ممکن ہو جاتا ہے.

کیپشنز اور ڈبنگ دونوں کے لیے معنوی وفاداری درکار ہے: ترجمے کو اصل معنی برقرار رکھنا چاہیے. لیکن مدت کی پابندی ہر ایک میں مختلف کردار ادا کرتی ہے. کیپشنز کے لیے، یہ ایک اضافی سہولت ہے. ڈبنگ کے لیے، یہ نہایت اہم ہے، کیونکہ اگر ترجمہ شدہ گفتگو بہت طویل یا بہت مختصر ہو جائے، تو معنی درست ہونے کے باوجود یہ غیر فطری لگے گی.

اس مسئلے کو حل کرنے کے لیے، Descript نے اپنی ترجمہ پائپ لائن کو OpenAI ریزننگ ماڈلز استعمال کرتے ہوئے دوبارہ ڈیزائن کیا تاکہ جنریشن کے دوران معنوی وفاداری اور دورانیے کی پابندی کے لیے بہتر بنایا جا سکے، بعد میں نہیں. رول آؤٹ کے بعد پہلے 30 دنوں میں، ڈبنگ کے ساتھ ترجمہ شدہ ویڈیوز کی ایکسپورٹس میں 15% اضافہ ہوا اور دورانیے کی پابندی میں زبان کے لحاظ سے 13 سے 43 فیصد پوائنٹس تک بہتری آئی.

"ڈبنگ Descript کے لیے تیزی سے مقبول ہوتا ہوا استعمال کا کیس ہے، اس لیے ہم ان کمپنیوں کے لیے اسے بیچ میں کرنے کے طریقے بنا رہے ہیں جو پوری لائبریریوں کا ترجمہ اور لپ-سنک کرنا چاہتی ہیں،" لورا برخاؤزر، CEO نے کہا.

ترجمہ Descript کی ابتدائی ترین اور سب سے زیادہ درخواست کی جانے والی خصوصیات میں سے ایک تھا. انہوں نے صرف کیپشنز کے ترجمے سے آغاز کیا، جو اچھی طرح کام کرتا تھا—لیکن بہت سے صارفین مزید آگے جانا چاہتے تھے اور ہدف زبان میں بولی گئی آڈیو (ڈبنگ) بھی چاہتے تھے.

تاہم، ایک مسئلہ بار بار سامنے آتا رہا: ڈب کی گئی آڈیو ہمیشہ درست نہیں لگتی تھی. "شاید سب سے بڑی شکایت جو ہم نے سنی وہ یہ تھی کہ ترجمہ شدہ زبان میں بات چیت کی رفتار غیر فطری تھی،" Descript میں AI Product کے سربراہ، Aleks Mistratov نے کہا.

مسئلہ اس حقیقت پر آ کر ٹھہرا کہ مختلف زبانوں میں ایک ہی خیال کا اظہار کرنے میں مختلف مقدار میں وقت لگتا ہے. Descript نے مشاہدہ کیا، مثال کے طور پر، کہ اوسطاً جرمن انگریزی کے مقابلے میں ایک "زیادہ لمبی" زبان ہے. مقررہ ویڈیو حصوں میں فٹ ہونے کے لیے، ترجمہ شدہ بات چیت کو اکثر مصنوعی طور پر رفتار تیز یا کم کرنا پڑتا تھا. "آخرکار آپ کے پاس ایسی چیز رہ جاتی جو چپمنکس کی طرح، یا کسی اونگھتے ہوئے دیو کی طرح سنائی دیتی،" Mistratov نے وضاحت کی.

صارفین کے پاس دو اختیارات رہ گئے تھے: آڈیو کو حصہ بہ حصہ دستی طور پر دوبارہ وقت بندی کرنا، یا ترجمے کو ہی دوبارہ لکھنا تاکہ وہ فٹ ہو جائے. دونوں طریقوں کے لیے ٹائم لائن میں گہری ترامیم درکار تھیں اور اکثر، ہدف زبان میں تقریباً مقامی سطح کی روانی بھی ضروری تھی. یہ تخلیق کاروں کے لیے تھکا دینے والا تھا اور بڑے انٹرپرائز لوکلائزیشن پروجیکٹس کے لیے فیچر کو وسیع پیمانے پر وسعت دینے میں ایک رکاوٹ بن گیا.

ٹیم کے پاس اس بات کا ایک واضح نظریہ تھا کہ ڈبنگ کو کامیاب بنانے کے لیے کیا درکار ہوگا. سسٹم کو نہ صرف معنوی معنی کے لیے بہتر بنانا ہوگا، بلکہ اسے وقت سے متعلق پابندیوں سے بھی آگاہ ہونا ہوگا. مثال کے طور پر، انگریزی سے جرمن میں ترجمہ کرتے وقت، ماڈل کو یہ سمجھنے کی ضرورت ہوگی کہ کم الفاظ کیسے استعمال کیے جائیں یا تصور کو کیسے سادہ بنایا جائے، تاکہ ڈب شدہ آڈیو قدرتی رہے.

پہلے کے طریقۂ کار نے پہلے معنوی وفاداری کو بہتر بنایا اور بعد میں وقت بندی کو درست کرنے کی کوشش کی. ترجمے اکثر معنوی طور پر درست تھے، لیکن وہ باقاعدگی سے دورانیے کی پابندیوں کو نظر انداز کر دیتے تھے اور مجموعی معیار پھر بھی کافی اچھا نہیں تھا. 

"ہم نے بتدریج ٹیسٹ کیے، کچھ بھی تیار کیے بغیر، بس ماڈل سے یہ پوچھ رہے تھے کہ متن کے ایک حصے میں کتنے ہجے ہیں،" مستراتوف نے کہا. "پہلے کے ماڈل اس میں بس اتنے اچھے نہیں تھے."

قابلِ اعتماد سلیبل گنتی آخرکار نہایت اہم ثابت ہوئی. اگر ماڈل مستقل طور پر سلیبلز کا حساب نہیں لگا سکتا تھا، تو وہ قابلِ اعتماد طور پر کسی مخصوص دورانیے کی ونڈو کو ہدف نہیں بنا سکتا تھا.

GPT‑5 سیریز کے ماڈلوں نے ریزننگ کی مستقل مزاجی کی ایک سطح متعارف کرائی جو پہلے کے ماڈلوں میں موجود نہیں تھی، خاص طور پر حرفوں کی گنتی اور پابندی سے باخبر رہنے جیسے کاموں میں. اس بہتری کے ساتھ، Descript نے اپنی ترجمہ اور ڈبنگ پائپ لائن کو دوبارہ ڈیزائن کیا.

سب سے پہلے، Descript کا سسٹم ٹرانسکرپٹ کو حصوں میں تقسیم کرتا ہے، جو جملوں کی حد بندی، قدرتی وقفوں اور اصل ریکارڈنگ میں بولنے کے انداز سے رہنمائی لیتا ہے. ہر ٹکڑا معنوی تسلسل برقرار رکھتا ہے، لیکن اتنا چھوٹا ہے کہ اسے ایک ٹائمنگ یونٹ کے طور پر سمجھنے کے لیے استدلال کیا جا سکے.

وہاں سے، ماڈل ٹکڑا میں حروف کی تعداد کا حساب لگاتا ہے. زبان کے لحاظ سے مخصوص بولنے کی رفتار کے مفروضات کا استعمال کرتے ہوئے، سسٹم اندازہ لگاتا ہے کہ قدرتی رفتار کو برقرار رکھنے کے لیے ترجمہ شدہ حصے کو کتنے ہجوں کو ہدف بنانا چاہیے ("مدت کی پابندی"). پرومپٹ ماڈل سے کہتا ہے کہ وہ مدت کی پابندی اور معنی کی حفاظت دونوں کے لیے احسن بنائے. ارد گرد کے حصے سیاق و سباق کے طور پر فراہم کیے جاتے ہیں تاکہ ماڈل سیگمنٹس کے درمیان معنوی ربط برقرار رکھے.

ٹیم نے مدّت کی پابندی، معنوی وفاداری، تاخیر اور لاگت کے درمیان توازن قائم کرنے کے لیے متعدد کنفیگریشنز کا جائزہ لیا. منتخب سیٹ اپ نے پروڈکشن کی رفتار پر مضبوط پابندیوں کی پیروی فراہم کی، جس سے دستی ری ٹائمنگ کے بغیر زیادہ حجم میں ترجمہ ممکن ہوا. نتیجہ ایک ایسا ترجمہ پائپ لائن ہے جہاں پیسنگ کو بعد میں درست کی جانے والی چیز کے بجائے ایک اعلٰی درجے کے متغیر کے طور پر برتا جاتا ہے.

تشخیصات کے لیے قبولیت کے معیار تیار کرنے کے لیے، ٹیم نے سننے کے ٹیسٹ کیے: انہوں نے ترجمہ شدہ آڈیو نمونے تیار کیے اور پلے بیک کی رفتار کو چھوٹے اضافوں میں ایڈجسٹ کیا اور صارفین سے یہ درجہ بندی کرنے کو کہا کہ کب بات چیت غیر فطری ہو گئی. 

"جو بھی چیز 10% تک رفتار کم ہونے سے، یا 20% تک رفتار تیز ہونے سے، عام طور پر پھر بھی قدرتی لگتی تھی،" مستراتوف نے کہا. اس حد سے آگے، بات چیت بہت زیادہ مسخ ہو گئی تھی. 

پہلے کے نظام اس پیمانے کے مطابق ناقص کارکردگی دکھاتے تھے. زبان کے لحاظ سے، صرف 40% سے 60% حصے قابل قبول رفتار کی حد کے اندر آئے. دوبارہ ڈیزائن کی گئی پائپ لائن کے ساتھ، یہ عدد 40%–60% سے بڑھ کر 73% اور 83% کے درمیان ہو گیا، زبان کے لحاظ سے.

ٹیم نے معنوی وفاداری کا بھی جائزہ لیا، جس کے لیے ایک علیحدہ ماڈل-بطور-جج ریٹنگ استعمال کی گئی، جو 1 (بالکل مختلف) سے 5 (معنوی طور پر مساوی) تک کے پیمانے پر تھی.  ڈبنگ کے لیے، انہوں نے صرف کیپشن والی ترجمہ کے مقابلے میں کم معنوی حد کو قبول کرنے کا فیصلہ کیا، جہاں دورانیے کی پابندیاں غیر متعلق ہیں. اس سمجھوتے کے باوجود، 85.5% حصوں کو معنوی مطابقت کے لحاظ سے پانچ میں سے چار یا پانچ کی درجہ بندی دی گئی.

نتیجہ ایک ایسا نظام تھا جو قابل پیمائش اعتماد کے ساتھ دو متصادم پابندیوں—وقت بندی اور معنی—میں توازن قائم کر سکتا تھا. اور چونکہ دونوں میٹرکس خودکار تھے، اس لیے Descript اسی بینچ مارکس کے مقابلے میں نئے ماڈل ریلیزز اور پرومپٹ کی مختلف صورتوں کا مسلسل جائزہ لینے کے قابل ہے.

جیسے جیسے ترجمہ ایک ہی ویڈیو سے بڑے مواد کے کتب خانوں تک بڑھتا ہے، Descript اس بات میں مزید کنٹرول شامل کر رہا ہے کہ ترجموں کو کیسے ٹیون کیا جائے، جس میں ضرورت پڑنے پر زیادہ سخت معنوی وفاداری کو ترجیح دینے کی صلاحیت بھی شامل ہے.

Descript کے اندر ترجمہ ایک وسیع تر ملٹی موڈل نظام کی صرف ایک پرت ہے. ترجمہ شدہ متن ٹیکسٹ-ٹو-اسپیچ جنریشن میں جاتا ہے، جو پھر لپ-سنک اور حتمی ویڈیو رینڈرنگ کو چلاتا ہے. 

ٹیکسٹ لیئر میں بہتریاں قدرتی رفتار کو ممکن بناتی ہیں، لیکن مجموعی تجربہ اس بات پر بھی منحصر ہے کہ آڈیو ماڈل آواز کے لہجے، ردھم اور گفتار کی غیر لفظی خصوصیات کو کتنی اچھی طرح برقرار رکھتا ہے. یہی وہ جگہ ہے جہاں ٹیم جدید ترین کو اگلی سرحد کے طور پر دیکھتی ہے. 

“ترجمے کی آؤٹ پٹ کو بہتر بنانے میں جو چیز بہت مدد کرے گی وہ یہ ہے کہ پائپ لائن کو مزید ملٹی موڈل بنایا جائے: ترجمہ کرنے کا فیصلہ کرتے وقت آڈیو، ویڈیو اور متن کو ایک ساتھ شامل کیا جائے،” مستراتوف نے کہا. "اس سے گفتگو کی غیر لفظی خصوصیات، جیسے لہجہ اور زور، کو بہتر طور پر برقرار رکھا جا سکے گا اور اصل اندازِ ادائیگی کا مزید زیادہ حصہ محفوظ رہے گا."

Descript کے لیے، زیادہ مضبوط ریزننگ ماڈلز نے ڈبنگ کی پیچیدگی کو قابل عمل بنا دیا. اس حد کو عبور کرنے کے بعد جہاں ماڈلز قابل اعتماد طور پر رفتار اور معنی کے درمیان سمجھوتوں کو متوازن کر سکتے تھے، ترجمہ ایسی چیز بن گیا جسے ٹیم منظم طریقے سے بہتر بنا سکتی تھی اور بڑے پیمانے پر تعینات کر سکتی تھی.