MUCKYWORX // PROJECT
Voice Chaser
PROJECT

Voice Chaser

मेरा सबसे ज़रूरी टूल: Voice Chaser। इसके बिना तो मेरा काम लगभग रुक ही जाएगा।

तो, बात करते हैं Voice Chaser की। यह चीज़ मैंने खुद बनाई है क्योंकि मैं स्पीच के साथ बहुत ज़्यादा काम करता हूँ और इससे मेरा ढेर सारा काम बच जाता है, खासकर टाइपिंग का। बेसिक आइडिया यह था: मैं माइक्रोफ़ोन में बोलूँ और ट्रांसक्रिप्शन सीधे मेरे कर्सर की पोजीशन पर टाइप हो जाए।

शुरुआत में मैं इसे मेन फंक्शन के तौर पर चाहता था, और फिर इसमें बीच में तीन अलग-अलग AI जोड़ने की सुविधा आ गई। मैं अलग-अलग AI स्टेजेस के लिए जिस तरह का प्रॉम्प्ट इस्तेमाल करता हूँ, उसके हिसाब से टेक्स्ट बदल जाता है। अक्सर स्टाइल बदलना मज़ेदार होता है – या तो इसे इंस्पायरिंग बनाना या फिर किसी पुराने ज़माने के अंदाज़ में बात करना। लेकिन बहुत बार यह ट्रांसलेशन के काम आता है: मैं कुछ बोलता हूँ, पॉइंट 1: टेक्स्ट का रफ ट्रांसलेशन होता है, फिर उसे लेक्ट्योर (proofread) किया जाता है और फिर वह वहीं वापस आता है जहाँ मेरा कर्सर है।

अगला फंक्शन यह था कि मेन ऑडियो फाइलें सेव की जाएँ – मेरे केस में मेरे NAS पर। इससे 63 घंटे से ज़्यादा का एक डेटासेट तैयार हुआ। इसके डिस्टिलेशन के बाद, यह मूल रूप से MuckyTTS के लिए डेटासेट बन गया। इसके अलावा, सिस्टम में मेरा RAM-Diskhandler भी शामिल है; असल में यह एक प्रोग्राम है जो मेरी कॉन्फ़िग फाइलों के आधार पर ज़रूरी AI मॉडल्स और बाकी सब कुछ पहले से ही RAM-डिस्क में लोड कर देता है।

जैसा कि मैंने कहा, Voice Chaser मेरा प्राइमरी टूल है जिसे मैं लगभग हर समय इस्तेमाल करता हूँ। वैसे, यह टेक्स्ट भी इसी के ज़रिए लिखा जा रहा है। और इसके अलावा, Voice Chaser में AI-4 स्लॉट को एक अलग AI के लिए इस्तेमाल करने का ऑप्शन भी है, जो API के ज़रिए एक्सेस किया जा सकता है। और हमारे पास और क्या है? खैर, इसके पूरे बैकएंड के तामझाम को आप सोर्स कोड में जाकर देख सकते हैं। अगर आपके कोई सवाल हैं, तो बेझिझक पूछें।

अब, क्योंकि मैं थोड़ा पागल हूँ और मेरे सेटअप में चार से ज़्यादा मॉनिटर हैं, मुझे अपनी अलमारी में एक पुराना GTX 1050 मिला जिसमें 2 GB VRAM है। और मेरे पास करने को कुछ बेहतर नहीं था, तो मैंने इस छोटे ग्राफ़िक्स कार्ड का इस्तेमाल Voice Chaser के लिए फॉलबैक (fallback) के तौर पर करने का सोचा। अगर मेरा बड़ा 3090 बिज़ी है, तो यह ऑटोमैटिकली छोटे कार्ड पर स्विच हो जाता है, जहाँ "Whisper Small" या जो भी उस समय लेटेस्ट और मुझे बढ़िया लगे, वह चलता है।

इसके अलावा, पूरे सिस्टम में एक स्ट्रीम फंक्शन भी है, ताकि मुझे हर बार बटन न दबाना पड़े। वैसे, मैंने अमेज़न से लगभग 8 यूरो में एक पुराना USB-कीपैड खरीदा था, जिसे मैंने मॉड करके एक तरह का Stream Deck Lite बना लिया है। मैंने इस USB-कीपैड को इस तरह मॉड किया है कि वहां मेरे बटन काम करते हैं, जिनसे मैं अभी इस डिक्टेशन को शुरू और खत्म कर रहा हूँ। तो: बटन दबाओ, बकबक करो, बटन दबाओ, थोड़ा इंतज़ार करो, और टेक्स्ट ठीक कर्सर की पोजीशन पर आ जाता है।

और वहीं मैंने स्ट्रीम बटन भी रखा है। जब स्ट्रीम एक्टिव होती है, तो मैं बिना रुके बोल सकता हूँ, फिर वह पूरी चेन से गुज़रता है और अंत में कर्सर की पोजीशन पर आता है। और यह बाद में जुड़े AI सिस्टम्स के साथ भी काम करता है।