मैं बहुत टाइप करता हूँ। शायद आप भी करते होंगे।
मैसेज, ईमेल, Google सर्च, नोट्स, कमेंट्स, डॉक्यूमेंट्स… कंप्यूटर पर हम जो भी करते हैं, उसमें किसी न किसी तरह कीबोर्ड शामिल होता ही है। और क्योंकि हम यह काम इतने लंबे समय से कर रहे हैं, इसलिए हम इस पर सवाल ही नहीं उठाते। अगर हमें कंप्यूटर को कुछ बताना हो, तो हम उसे टाइप करते हैं। बस।
लेकिन GoEchoo पर काम करते हुए मैंने एक ऐसी बात के बारे में सोचना शुरू किया, जो लगभग बहुत ही स्पष्ट लगती है: जब हम बोलकर कहीं ज़्यादा तेज़ी से अपनी बात कह सकते हैं, तो हम इतना ज़्यादा टाइप क्यों करते हैं?
सोचिए, आप आमतौर पर किसी बात को कैसे समझाते हैं
अगर आप किसी दोस्त के साथ बैठे हैं और उसे कोई कहानी सुनाना चाहते हैं, तो आप बोलने से पहले अपने दिमाग में हर वाक्य की योजना नहीं बनाते। आप बस बोलना शुरू कर देते हैं। हो सकता है कि आप एक पल के लिए रुकें, वाक्य के बीच में उसे बदल दें, या कहें, “रुको, मेरा मतलब यह नहीं था,” और फिर उसे किसी दूसरे तरीके से समझाएँ। और यह बिल्कुल सामान्य है।
अब सोचिए कि आपको उसी बातचीत को टाइप करना पड़े। अचानक आप हर शब्द के बारे में सोचने लगते हैं। आप एक वाक्य टाइप करते हैं, उसमें वर्तनी की गलती देखते हैं, वापस जाकर उसे ठीक करते हैं, फिर आपको याद आता है कि आप कुछ भूल गए हैं, इसलिए कर्सर को पीछे ले जाकर उसे जोड़ते हैं। विचार सरल था। धीमा हिस्सा टाइप करना था।
और मुझे लगता है कि हम इस बात पर ध्यान ही नहीं देते, क्योंकि हम इसके इतने आदी हो चुके हैं।
हमारी उंगलियाँ हमेशा हमारे विचारों की गति के साथ नहीं चल पातीं
यही शायद सबसे बड़ा कारण है कि मेरी रुचि आवाज़ के माध्यम से संवाद करने में है। जब आप टाइप करते हैं, तो आपके विचारों को स्क्रीन तक पहुँचने से पहले आपकी उंगलियों से होकर गुजरना पड़ता है। जब आप बोलते हैं, तो बीच में बहुत कम रुकावट होती है। आपके मन में जो है, आप बस उसे कह देते हैं।
बेशक, बोलना भी हमेशा बिल्कुल सही नहीं होता। हम रुकते हैं, खुद को दोहराते हैं, अपना विचार बदलते हैं और कभी-कभी पूरी तरह भूल जाते हैं कि हम क्या कह रहे थे। लेकिन इंसान स्वाभाविक रूप से इसी तरह संवाद करते हैं। हम बिल्कुल सही तरीके से व्यवस्थित पैराग्राफ में नहीं बोलते। हम बस बात करते हैं।
और लंबे समय तक कंप्यूटर इस तरह की बातचीत को समझने में बहुत अच्छे नहीं थे।
आवाज़ से टाइप करने की सुविधा कई वर्षों से मौजूद है
यह कोई नया विचार नहीं है। हमारे फोन और कंप्यूटर में कई वर्षों से स्पीच-टू-टेक्स्ट की सुविधा मौजूद है और शायद हममें से ज़्यादातर लोगों ने कभी न कभी इसका इस्तेमाल भी किया होगा। कभी-कभी यह आश्चर्यजनक रूप से अच्छी तरह काम करती है। और कभी-कभी… आप स्क्रीन पर बने टेक्स्ट को देखकर सोचते हैं कि कंप्यूटर ने वह वाक्य आखिर बनाया कैसे।
आवाज़ के माध्यम से टाइप करने की सबसे बड़ी समस्याओं में से एक यही रही है। अगर मुझे एक मिनट बोलने के बाद पाँच मिनट टेक्स्ट को ठीक करने में लगाने पड़ें, तो वास्तव में मेरा ज़्यादा समय बचा ही नहीं।
इसलिए असली सवाल यह नहीं है कि “क्या कंप्यूटर मेरी आवाज़ को टेक्स्ट में बदल सकता है?” हम कुछ समय से ऐसा कर पा रहे हैं। बेहतर सवाल यह है: “क्या कंप्यूटर मुझे इतनी अच्छी तरह समझ सकता है कि मुझे तकनीक के बारे में सोचना ही न पड़े?”
यहीं पर AI चीज़ों को दिलचस्प बना रहा है।
AI अनुभव को बदल रहा है
आधुनिक स्पीच रिकग्निशन अब लोगों के वास्तविक बोलने के तरीके को बेहतर ढंग से समझने लगा है। अलग-अलग उच्चारण, बोलने की अलग-अलग गति, रुकावटें, लंबे वाक्य, संदर्भ पर निर्भर शब्द और यहाँ तक कि एक ही बातचीत में भाषाएँ बदलना भी।
और इससे बहुत बड़ा फर्क पड़ता है।
क्योंकि लक्ष्य यह नहीं होना चाहिए कि लोगों को कंप्यूटर से बात करना सिखाया जाए। लक्ष्य यह होना चाहिए कि कंप्यूटर लोगों को बेहतर ढंग से समझने लायक बने। शब्दों में यह छोटा-सा अंतर है, लेकिन सोचने के तरीके में यह बहुत बड़ा बदलाव है।
ऐसी बहुत-सी स्थितियाँ हैं जहाँ टाइप करना अनावश्यक लगता है
सोचिए, आप कहीं चल रहे हैं और अचानक आपको कुछ याद आता है जो आपको भेजना है। या आप काम कर रहे हैं और अचानक आपके दिमाग में कोई विचार आता है। या आप किसी को कोई जटिल बात समझाने की कोशिश कर रहे हैं। या फिर आपको बस एक लंबा मैसेज लिखना है।
इन सभी स्थितियों में कीबोर्ड तक पहुँचना एक अतिरिक्त कदम जैसा लग सकता है। आपको पहले से पता है कि आपको क्या कहना है। फिर सिर्फ उसे टाइप करने के लिए आपको अपनी गति धीमी क्यों करनी चाहिए?
आप बस बोल सकते हैं।
और शायद यही वह जगह है जहाँ आवाज़ के माध्यम से संवाद करना मुझे सबसे अधिक उपयोगी लगता है। हर जगह नहीं। हर समय नहीं। बस तब, जब बोलना टाइप करने से आसान हो।
GoEchoo के पीछे के विचारों में से एक यही है
GoEchoo पर काम करते हुए, यह उन बातों में से एक थी जो मेरे लिए सबसे अधिक महत्वपूर्ण बनकर सामने आई। हमारा उद्देश्य लोगों को यह समझाना नहीं है कि कीबोर्ड बेकार हैं। वे बेकार नहीं हैं। मैं आज भी हर दिन कीबोर्ड का इस्तेमाल करता हूँ।
लेकिन मुझे यह भी लगता है कि हम जो कुछ भी कहना चाहते हैं, उसके लिए हमें हर बार टाइप करने की ज़रूरत नहीं होनी चाहिए। कभी-कभी मैं बस कुछ कहना चाहता हूँ और चाहता हूँ कि वह टेक्स्ट के रूप में सामने आ जाए। कोई जटिल प्रक्रिया नहीं। हर शब्द के बारे में रुककर सोचने की ज़रूरत नहीं। बस सामान्य तरीके से बोलें और अपना काम जारी रखें।
GoEchoo के साथ हम इसी अनुभव को बनाने की कोशिश कर रहे हैं। यह टाइपिंग को पूरी तरह बदलने के बारे में कम और लोगों को अपने डिवाइस के साथ संवाद करने का एक और तरीका देने के बारे में ज़्यादा है। ऐसा तरीका, जो थोड़ा अधिक स्वाभाविक महसूस हो।
मुझे नहीं लगता कि टाइपिंग खत्म होने वाली है
और सच कहूँ तो, मुझे नहीं लगता कि ऐसा होना भी चाहिए। कुछ काम ऐसे हैं जिन्हें मैं टाइप करना ही पसंद करूँगा। कोड लिखना? कीबोर्ड। किसी वाक्य को संपादित करना? कीबोर्ड। पासवर्ड डालना? निश्चित रूप से कीबोर्ड।
लेकिन ऐसी बहुत-सी स्थितियाँ भी हैं जहाँ मैं बोलना पसंद करूँगा: लंबा मैसेज लिखना, किसी विचार को समझाना, जल्दी से कोई नोट बनाना, विचारों पर काम करना या अपने दिमाग से कोई बात बाहर निकाल लेना, इससे पहले कि मैं उसे भूल जाऊँ।
इसलिए शायद भविष्य टाइपिंग और बोलने के बीच चुनाव करने के बारे में नहीं है। शायद भविष्य ऐसा है जहाँ हमें चुनाव करना ही न पड़े।
जब कीबोर्ड उपयोगी हो, तो उसका इस्तेमाल करें। जब आवाज़ तेज़ हो, तो बोलें। और इनके बीच की जटिल प्रक्रिया AI को संभालने दें।
शायद हम आखिरकार स्वाभाविक संवाद के और करीब पहुँच रहे हैं
कंप्यूटर के इतिहास के अधिकांश समय में हमें यह सीखना पड़ा है कि उनसे संवाद कैसे किया जाए। हमने कीबोर्ड, कमांड, मेन्यू और यह सीखा कि कहाँ क्लिक करना है। लेकिन अब चीज़ें दूसरी दिशा में बढ़ने लगी हैं।
कंप्यूटर उस तरीके को बेहतर ढंग से समझने लगे हैं, जिस तरह हम संवाद करते हैं।
और मुझे लगता है कि यह भविष्य कहीं अधिक दिलचस्प है।
क्योंकि बोलना कोई भविष्य की तकनीक नहीं है। हम हजारों वर्षों से बोलते आ रहे हैं। नया हिस्सा यह है कि हमारे कंप्यूटर आखिरकार हमें समझने के लिए पर्याप्त बेहतर हो रहे हैं।
इसलिए अगली बार जब आप कोई लंबा मैसेज टाइप करने वाले हों, तो शायद एक पल रुककर खुद से पूछें:
“अगर मैं इसे बस बोल दूँ, तो क्या यह ज़्यादा तेज़ होगा?”
कभी-कभी इसका जवाब हाँ हो सकता है।
और शायद संवाद का भविष्य इसी दिशा में बढ़ रहा है।
तेज़ी से टाइप करने की ओर नहीं।
बल्कि अधिक स्वाभाविक तरीके से संवाद करने की ओर।
अब शायद टाइप करना संवाद करने का सबसे तेज़ तरीका नहीं रहा
मैं बहुत टाइप करता हूँ। शायद आप भी करते होंगे।
मैसेज, ईमेल, Google सर्च, नोट्स, कमेंट्स, डॉक्यूमेंट्स… कंप्यूटर पर हम जो भी करते हैं, उसमें किसी न किसी तरह कीबोर्ड शामिल होता ही है। और क्योंकि हम यह काम इतने लंबे समय से कर रहे हैं, इसलिए हम इस पर सवाल ही नहीं उठाते। अगर हमें कंप्यूटर को कुछ बताना हो, तो हम उसे टाइप करते हैं। बस।
लेकिन GoEchoo पर काम करते हुए मैंने एक ऐसी बात के बारे में सोचना शुरू किया, जो लगभग बहुत ही स्पष्ट लगती है: जब हम बोलकर कहीं ज़्यादा तेज़ी से अपनी बात कह सकते हैं, तो हम इतना ज़्यादा टाइप क्यों करते हैं?
सोचिए, आप आमतौर पर किसी बात को कैसे समझाते हैं
अगर आप किसी दोस्त के साथ बैठे हैं और उसे कोई कहानी सुनाना चाहते हैं, तो आप बोलने से पहले अपने दिमाग में हर वाक्य की योजना नहीं बनाते। आप बस बोलना शुरू कर देते हैं। हो सकता है कि आप एक पल के लिए रुकें, वाक्य के बीच में उसे बदल दें, या कहें, “रुको, मेरा मतलब यह नहीं था,” और फिर उसे किसी दूसरे तरीके से समझाएँ। और यह बिल्कुल सामान्य है।
अब सोचिए कि आपको उसी बातचीत को टाइप करना पड़े। अचानक आप हर शब्द के बारे में सोचने लगते हैं। आप एक वाक्य टाइप करते हैं, उसमें वर्तनी की गलती देखते हैं, वापस जाकर उसे ठीक करते हैं, फिर आपको याद आता है कि आप कुछ भूल गए हैं, इसलिए कर्सर को पीछे ले जाकर उसे जोड़ते हैं। विचार सरल था। धीमा हिस्सा टाइप करना था।
और मुझे लगता है कि हम इस बात पर ध्यान ही नहीं देते, क्योंकि हम इसके इतने आदी हो चुके हैं।
हमारी उंगलियाँ हमेशा हमारे विचारों की गति के साथ नहीं चल पातीं
यही शायद सबसे बड़ा कारण है कि मेरी रुचि आवाज़ के माध्यम से संवाद करने में है। जब आप टाइप करते हैं, तो आपके विचारों को स्क्रीन तक पहुँचने से पहले आपकी उंगलियों से होकर गुजरना पड़ता है। जब आप बोलते हैं, तो बीच में बहुत कम रुकावट होती है। आपके मन में जो है, आप बस उसे कह देते हैं।
बेशक, बोलना भी हमेशा बिल्कुल सही नहीं होता। हम रुकते हैं, खुद को दोहराते हैं, अपना विचार बदलते हैं और कभी-कभी पूरी तरह भूल जाते हैं कि हम क्या कह रहे थे। लेकिन इंसान स्वाभाविक रूप से इसी तरह संवाद करते हैं। हम बिल्कुल सही तरीके से व्यवस्थित पैराग्राफ में नहीं बोलते। हम बस बात करते हैं।
और लंबे समय तक कंप्यूटर इस तरह की बातचीत को समझने में बहुत अच्छे नहीं थे।
आवाज़ से टाइप करने की सुविधा कई वर्षों से मौजूद है
यह कोई नया विचार नहीं है। हमारे फोन और कंप्यूटर में कई वर्षों से स्पीच-टू-टेक्स्ट की सुविधा मौजूद है और शायद हममें से ज़्यादातर लोगों ने कभी न कभी इसका इस्तेमाल भी किया होगा। कभी-कभी यह आश्चर्यजनक रूप से अच्छी तरह काम करती है। और कभी-कभी… आप स्क्रीन पर बने टेक्स्ट को देखकर सोचते हैं कि कंप्यूटर ने वह वाक्य आखिर बनाया कैसे।
आवाज़ के माध्यम से टाइप करने की सबसे बड़ी समस्याओं में से एक यही रही है। अगर मुझे एक मिनट बोलने के बाद पाँच मिनट टेक्स्ट को ठीक करने में लगाने पड़ें, तो वास्तव में मेरा ज़्यादा समय बचा ही नहीं।
इसलिए असली सवाल यह नहीं है कि “क्या कंप्यूटर मेरी आवाज़ को टेक्स्ट में बदल सकता है?” हम कुछ समय से ऐसा कर पा रहे हैं। बेहतर सवाल यह है: “क्या कंप्यूटर मुझे इतनी अच्छी तरह समझ सकता है कि मुझे तकनीक के बारे में सोचना ही न पड़े?”
यहीं पर AI चीज़ों को दिलचस्प बना रहा है।
AI अनुभव को बदल रहा है
आधुनिक स्पीच रिकग्निशन अब लोगों के वास्तविक बोलने के तरीके को बेहतर ढंग से समझने लगा है। अलग-अलग उच्चारण, बोलने की अलग-अलग गति, रुकावटें, लंबे वाक्य, संदर्भ पर निर्भर शब्द और यहाँ तक कि एक ही बातचीत में भाषाएँ बदलना भी।
और इससे बहुत बड़ा फर्क पड़ता है।
क्योंकि लक्ष्य यह नहीं होना चाहिए कि लोगों को कंप्यूटर से बात करना सिखाया जाए। लक्ष्य यह होना चाहिए कि कंप्यूटर लोगों को बेहतर ढंग से समझने लायक बने। शब्दों में यह छोटा-सा अंतर है, लेकिन सोचने के तरीके में यह बहुत बड़ा बदलाव है।
ऐसी बहुत-सी स्थितियाँ हैं जहाँ टाइप करना अनावश्यक लगता है
सोचिए, आप कहीं चल रहे हैं और अचानक आपको कुछ याद आता है जो आपको भेजना है। या आप काम कर रहे हैं और अचानक आपके दिमाग में कोई विचार आता है। या आप किसी को कोई जटिल बात समझाने की कोशिश कर रहे हैं। या फिर आपको बस एक लंबा मैसेज लिखना है।
इन सभी स्थितियों में कीबोर्ड तक पहुँचना एक अतिरिक्त कदम जैसा लग सकता है। आपको पहले से पता है कि आपको क्या कहना है। फिर सिर्फ उसे टाइप करने के लिए आपको अपनी गति धीमी क्यों करनी चाहिए?
आप बस बोल सकते हैं।
और शायद यही वह जगह है जहाँ आवाज़ के माध्यम से संवाद करना मुझे सबसे अधिक उपयोगी लगता है। हर जगह नहीं। हर समय नहीं। बस तब, जब बोलना टाइप करने से आसान हो।
GoEchoo के पीछे के विचारों में से एक यही है
GoEchoo पर काम करते हुए, यह उन बातों में से एक थी जो मेरे लिए सबसे अधिक महत्वपूर्ण बनकर सामने आई। हमारा उद्देश्य लोगों को यह समझाना नहीं है कि कीबोर्ड बेकार हैं। वे बेकार नहीं हैं। मैं आज भी हर दिन कीबोर्ड का इस्तेमाल करता हूँ।
लेकिन मुझे यह भी लगता है कि हम जो कुछ भी कहना चाहते हैं, उसके लिए हमें हर बार टाइप करने की ज़रूरत नहीं होनी चाहिए। कभी-कभी मैं बस कुछ कहना चाहता हूँ और चाहता हूँ कि वह टेक्स्ट के रूप में सामने आ जाए। कोई जटिल प्रक्रिया नहीं। हर शब्द के बारे में रुककर सोचने की ज़रूरत नहीं। बस सामान्य तरीके से बोलें और अपना काम जारी रखें।
GoEchoo के साथ हम इसी अनुभव को बनाने की कोशिश कर रहे हैं। यह टाइपिंग को पूरी तरह बदलने के बारे में कम और लोगों को अपने डिवाइस के साथ संवाद करने का एक और तरीका देने के बारे में ज़्यादा है। ऐसा तरीका, जो थोड़ा अधिक स्वाभाविक महसूस हो।
मुझे नहीं लगता कि टाइपिंग खत्म होने वाली है
और सच कहूँ तो, मुझे नहीं लगता कि ऐसा होना भी चाहिए। कुछ काम ऐसे हैं जिन्हें मैं टाइप करना ही पसंद करूँगा। कोड लिखना? कीबोर्ड। किसी वाक्य को संपादित करना? कीबोर्ड। पासवर्ड डालना? निश्चित रूप से कीबोर्ड।
लेकिन ऐसी बहुत-सी स्थितियाँ भी हैं जहाँ मैं बोलना पसंद करूँगा: लंबा मैसेज लिखना, किसी विचार को समझाना, जल्दी से कोई नोट बनाना, विचारों पर काम करना या अपने दिमाग से कोई बात बाहर निकाल लेना, इससे पहले कि मैं उसे भूल जाऊँ।
इसलिए शायद भविष्य टाइपिंग और बोलने के बीच चुनाव करने के बारे में नहीं है। शायद भविष्य ऐसा है जहाँ हमें चुनाव करना ही न पड़े।
जब कीबोर्ड उपयोगी हो, तो उसका इस्तेमाल करें। जब आवाज़ तेज़ हो, तो बोलें। और इनके बीच की जटिल प्रक्रिया AI को संभालने दें।
शायद हम आखिरकार स्वाभाविक संवाद के और करीब पहुँच रहे हैं
कंप्यूटर के इतिहास के अधिकांश समय में हमें यह सीखना पड़ा है कि उनसे संवाद कैसे किया जाए। हमने कीबोर्ड, कमांड, मेन्यू और यह सीखा कि कहाँ क्लिक करना है। लेकिन अब चीज़ें दूसरी दिशा में बढ़ने लगी हैं।
कंप्यूटर उस तरीके को बेहतर ढंग से समझने लगे हैं, जिस तरह हम संवाद करते हैं।
और मुझे लगता है कि यह भविष्य कहीं अधिक दिलचस्प है।
क्योंकि बोलना कोई भविष्य की तकनीक नहीं है। हम हजारों वर्षों से बोलते आ रहे हैं। नया हिस्सा यह है कि हमारे कंप्यूटर आखिरकार हमें समझने के लिए पर्याप्त बेहतर हो रहे हैं।
इसलिए अगली बार जब आप कोई लंबा मैसेज टाइप करने वाले हों, तो शायद एक पल रुककर खुद से पूछें:
“अगर मैं इसे बस बोल दूँ, तो क्या यह ज़्यादा तेज़ होगा?”
कभी-कभी इसका जवाब हाँ हो सकता है।
और शायद संवाद का भविष्य इसी दिशा में बढ़ रहा है।
तेज़ी से टाइप करने की ओर नहीं।
बल्कि अधिक स्वाभाविक तरीके से संवाद करने की ओर।