सवाल जो आते हैं।
जवाब भी सीधे, बिना इधर-उधर के।
पैसा और आज़ादी
मुफ़्त, सच में।
सच में मुफ़्त है?
हाँ। Yappy MIT लाइसेंस के साथ ओपन सोर्स है। जो पढ़ रहे हैं, उसे सुन पाना सुलभता का सवाल है, और सुलभता के औज़ारों को कार्ड नहीं माँगना चाहिए। कंप्यूटर पर न पैसे वाला वर्शन है, न विज्ञापन। iPhone पर परखने वाला तोता अपने शेल्फ़ पर एक साथ तीन दस्तावेज़ रख सकता है, बिना समय-सीमा के; बिना तली वाला शेल्फ़, ऑडियोबुक का छापखाना और कंप्यूटर से पुल चाहिए तो चाबी घुमा दीजिए — Yappy Parlanchín से, सदस्यता लेकर या एक बार की आजीवन ख़रीद से। हर हाल में न अकाउंट, न विज्ञापन।
चाल क्या है? यह कैसे चलता है?
कोई चाल नहीं: कोई सर्वर भी नहीं जिसका बिल भरना पड़े। आवाज़ बनाने का काम आपके डिवाइस पर ही चलता है, इसलिए Yappy पर हर यूज़र का कोई ख़र्च होता ही नहीं। यह बनाने वाले का निजी प्रोजेक्ट है, जो इसलिए बाहर आया कि वह बन चुका था और किसी और के भी काम आएगा।
कोई फ़्री ट्रायल है?
नहीं — जान-बूझकर। तीन दस्तावेज़ों वाला शेल्फ़ ही ट्रायल है, और वह न समय पर ख़त्म होता है, न सातवें दिन बिल बन जाता है। अगर Yappy आपके काम का है, तो यह आपको ख़ुद पता चल जाएगा, बिना किसी के सामने घड़ी रखे।
क्या मैं बनाई हुई ऑडियो को पॉडकास्ट या वीडियो में प्रकाशित कर सकता हूँ?
Yappy का कोड MIT है और वह आप पर कोई शर्त नहीं रखता। आवाज़ वाले मॉडल, Supertonic 3, का अपना लाइसेंस है: OpenRAIL-M क़िस्म का खुला लाइसेंस, इस्तेमाल की कुछ शर्तों के साथ। मॉडल के पन्ने पर उसे पढ़ लीजिए किसी व्यावसायिक इस्तेमाल से पहले, क्योंकि वह हिस्सा Yappy के हाथ में नहीं है और हम उसकी ओर से कुछ वादा नहीं कर सकते।
आपके टेक्स्ट कहीं नहीं जाते
प्राइवेसी, साफ़-साफ़।
क्या मेरे टेक्स्ट किसी सर्वर पर जाते हैं?
नहीं। सिंथेसिस, ट्रांसक्रिप्शन और लेख निकालना — ये तीनों आपके डिवाइस के अंदर होते हैं। आप Yappy को जो कुछ भी सौंपते हैं, वह कहीं भेजा नहीं जाता: न अकाउंट है, न कॉपी, और Yappy का कोई सर्वर है ही नहीं जहाँ कुछ रखा जा सके। नेट सिर्फ़ चार ख़ास चीज़ों को छूती है, और उन चारों का हिसाब प्राइवेसी पॉलिसी में लिखा है।
क्या Yappy इस्तेमाल के आँकड़े इकट्ठा करता है?
हाँ, करता है, और यह बिना इधर-उधर के कह देना ही ठीक है। मोबाइल ऐप गुमनाम इस्तेमाल के आँकड़े भेजती है: ये डिफ़ॉल्ट रूप से चालू रहती हैं; बंद करने का स्विच भीतर की सेटिंग में छिपा है। सफ़र पर निकलता है सिर्फ़ एक बंद सूची के किसी इवेंट का नाम (ऐप खुली, शुरुआती ट्यूर का कौन-सा पड़ाव दिखा, किस प्लान को छुआ, कोई रीडिंग पूरी हुई), इंस्टॉल का एक यादृच्छिक आइडेंटिफ़ायर, भाषा और वर्ज़न। आपका नाम कभी नहीं, ईमेल कभी नहीं, जो टेक्स्ट आप पढ़वाते हैं वह कभी नहीं, किसी दस्तावेज़ का शीर्षक कभी नहीं, कोई लिंक कभी नहीं — और कोई विज्ञापन आइडेंटिफ़ायर भी नहीं। और ये Google के पास नहीं जाते, न Firebase के, न किसी एनालिटिक्स कंपनी के: ये लेखक के अपने Cloudflare के एक Worker और एक D1 डेटाबेस में जाते हैं। डेस्कटॉप पर किसी क़िस्म के आँकड़े होते ही नहीं।
और मोबाइल और कंप्यूटर के बीच का पुल?
यह आपके दोनों डिवाइसों के बीच सीधा कनेक्शन है, QUIC से एंड-टू-एंड एन्क्रिप्टेड, iroh के प्रोटोकॉल पर। पेयरिंग के लिए कैमरा आपके कंप्यूटर के दिखाए QR पर लगाते हैं, और बनी हुई चाबी वहीं से कभी भी रद्द की जा सकती है। बीच में कोई Yappy सर्वर नहीं, क्योंकि कोई Yappy सर्वर है ही नहीं।
क्या यह ऑफ़लाइन चलता है?
हाँ, हमेशा के लिए। मॉडल की पहली डाउनलोड के बाद — मोबाइल पर लगभग 200 MB, कंप्यूटर पर लगभग 398 MB — Yappy एयरप्लेन मोड में भी चलता है: टेक्स्ट पेस्ट करें, दस्तावेज़ खोलें, सिंथेसाइज़ करें, एक्सपोर्ट करें। सिर्फ़ नए पते शेयर करने के लिए नेट चाहिए — वजह साफ़ है। क्लाउड सिंक भी नहीं है: आपकी लाइब्रेरी आपके डिवाइस में रहती है, और पुल ही किसी चीज़ को एक मशीन से दूसरी मशीन पर पहुँचाने जैसा सबसे क़रीबी तरीक़ा है।
जो सुनाई देता है
आवाज़ और भाषाएँ।
कौन-सा वॉइस मॉडल इस्तेमाल होता है?
Supertonic 3 — Supertone का एक ओपन मॉडल, क़रीब 99 मिलियन पैरामीटर, जो कंप्यूटर पर 398 MB और मोबाइल पर 200 MB में समा जाता है, और पिछले सालों के किसी भी लैपटॉप पर रीयल टाइम से तेज़ सिंथेसाइज़ करता है। यह अक्षर स्तर पर काम करता है: इसीलिए 'स्क्रिप्टर' है, जो नंबरों, संक्षिप्ताक्षरों और चिह्नों को आवाज़ को दिखने से पहले शब्दों में बदल देता है।
यह कौन-सी भाषाएँ बोलता है?
जर्मन, अरबी, बल्गेरियाई, चेक, कोरियाई, क्रोएशियाई, डैनिश, स्लोवाक, स्लोवेनियाई, स्पेनिश, एस्टोनियाई, फ़िनिश, फ़्रेंच, ग्रीक, हिन्दी, हंगेरियाई, इंडोनेशियाई, अंग्रेज़ी, इतालवी, जापानी, लातवियाई, लिथुआनियाई, डच, पोलिश, पुर्तगाली, रोमानियाई, रूसी, स्वीडिश, तुर्की, यूक्रेनियाई और वियतनामी। इकतीस। और दसों आवाज़ें बहुभाषी हैं: एक ही आवाज़ इन सबको बिना अपना रंग बदले पढ़ती है।
क्या होता है अगर किसी दस्तावेज़ में भाषाएँ मिली हों?
Yappy दस्तावेज़ की भाषा पहचानता है, और पैराग्राफ़-दर-पैराग्राफ़ हर हिस्से की भी: हिन्दी निबंध के बीच का अंग्रेज़ी उद्धरण अंग्रेज़ी में पढ़ा जाता है — वही आवाज़, बिना आपके कुछ किए। और अगर पहचान ग़लत हो जाए, तो भाषा हाथ से तय की जा सकती है।
यह VoiceOver या "स्क्रीन पढ़ना" जैसी सुविधाओं से किस तरह अलग है?
सिस्टम के रीडर स्क्रीन को जैसी है वैसी ही पढ़ते हैं — सिस्टम की प्रोसोडी में, बिना किसी याद के। Yappy टेक्स्ट को बोलने से पहले तैयार करता है (लेख साफ़ करता है, नंबर और संक्षिप्ताक्षर बोलने लायक़ बनाता है, ठहराव चिह्नित करता है), उसे स्वाभाविक आवाज़ में पढ़ता है, याद रखता है कि आप कहाँ छोड़ चुके थे, ऑडियोबुक एक्सपोर्ट करता है, और स्क्रीन लॉक होने पर भी बोलता रहता है। दोनों एक ही परिवार के औज़ार हैं, काम अलग-अलग, और एक साथ चलते हैं बिना एक-दूसरे की राह रोके: Yappy स्क्रीन रीडर की जगह नहीं लेता, और लेने का दावा भी नहीं करता।
जो अंदर आता है
दस्तावेज़।
कौन-से फ़ॉर्मैट स्वीकार किए जाते हैं?
वेब लेख (पेज अपने आप साफ़ हो जाता है), वीडियो — उनकी प्रकाशित ट्रांसक्रिप्ट के ज़रिए, PDF, EPUB, Word, ODT, RTF, Markdown, सादा टेक्स्ट, .pptx, .xlsx, .csv और वॉइस नोट्स। मोबाइल पर सब कुछ शेयर शीट से; डेस्कटॉप पर ऊपर से ड्रैग करके या शॉर्टकट से भी। और अगर कंप्यूटर पर pandoc इंस्टॉल है, तो सूची बढ़कर LaTeX, reStructuredText, Org और कुछ और फ़ॉर्मैटों तक पहुँच जाती है।
और स्कैन किए हुए PDF, जिनके अंदर टेक्स्ट है ही नहीं?
डेस्कटॉप पर पढ़ने से पहले वे लोकल OCR से गुज़रते हैं, और वहाँ से भी आपके कंप्यूटर के बाहर कुछ नहीं जाता। iPhone पर अभी नहीं: अगर PDF काग़ज़ की फ़ोटो है, तो फ़ोन को पढ़ने जैसा कोई टेक्स्ट नहीं मिलता। टेढ़ा-मेढ़ा या धुँधला स्कैन जो किसी भी OCR से निकल सकता है, वही देगा। ठीक-ठाक स्कैन पूरा पढ़ा जाता है।
क्या यह वे किताबें पढ़ सकता है जो मैंने किसी दुकान से ख़रीदी हैं?
सिर्फ़ वही जो आप खोल सकते हैं। बिना सुरक्षा वाला EPUB अध्यायों समेत पूरा पढ़ा जाता है। दुकान की DRM वाली किताबें कहीं नहीं पढ़ी जा सकतीं, न यहाँ न कहीं और: वह ताला Yappy का नहीं है, और हम यह ढोंग नहीं करेंगे कि हमारे पास चाबी है।
लाइब्रेरी से कोई चीज़ कैसे हटाएँ?
लाइब्रेरी में से ही: हर दस्तावेज़ के पास उसे भुलाने का अपना विकल्प है, और उसके साथ उसका ऑडियो भी चला जाता है। एक्सपोर्ट की गई फ़ाइलें (.m4b, .mp3, .wav) आपकी हैं और वहीं रहती हैं जहाँ आपने सेव किया था। उन्हें मिटाना या कहीं और ले जाना Finder या फ़ाइलें ऐप का काम है।
जब कुछ काम न करे
ख़राबी और मदद।
पहली बार आवाज़ बनने में कुछ सेकंड ज़्यादा क्यों लगते हैं?
पहली बार मॉडल मेमोरी में लोड होता है। उसके बाद वह तैयार बैठा रहता है और अगले वाक्य फ़ौरन निकलते हैं। अगर आपने ऐप अभी-अभी कंप्यूटर पर इंस्टॉल की है, तो पहले इंतज़ार में आवाज़ का मॉडल डाउनलोड होना भी शामिल है।
एक शब्द ग़लत उच्चारण होता है। क्या उसे सिखाया जा सकता है?
यूज़र के लिए कोई उच्चारण डिक्शनरी नहीं है, इसलिए आसान रास्ता यही है: एडिटर में शब्द को जैसा सुनाई देता है वैसा लिख दें। मॉडल अक्षर पढ़ता है और आपकी सुनेगा। अगर मसला कोई सामान्य पैटर्न है (कोई संक्षिप्त रूप, कोई संक्षेपाक्षर, कोई इकाई), तो GitHub के issues में बताएँ — टोकनाइज़र की टेबलें ऐसे ही केसों से बढ़ती हैं।
मैंने एक वीडियो शेयर किया, वह कुछ नहीं बोलता।
Yappy वीडियो की प्रकाशित ट्रांसक्रिप्ट लेता है, उसका ऑडियो ट्रांसक्राइब नहीं करता। अगर उस वीडियो की ट्रांसक्रिप्ट ही नहीं है, तो पढ़ने को कुछ नहीं। और अगर वीडियो आपका है और फ़ाइल के रूप में आपके पास है, तो फ़ाइल शेयर करें: तब लोकल कान उसे ट्रांसक्राइब कर देता है।
मुझे एक बग मिला है। कहाँ बताऊँ?
GitHub के issues में, या [email protected] पर लिखकर। गड़बड़ जिस टेक्स्ट पर आई, वह शेयर कर सकें, और अपना सिस्टम भी बता दें, तो जल्दी ठीक हो जाता है।