रिसर्च पेपर सुनें: PDF ऑडियो की 5 गड़बड़ियाँ ठीक करें

"उपन्यास को ज़ोर से पढ़ने पर वह उपन्यास जैसा ही लगता है। जर्नल का लेख ज़ोर से पढ़ने पर अक्सर ऐसा लगता है जैसे कोई ताश की दो गड्डियाँ फेंट रहा हो। यह आवाज़ की गलती नहीं है। यह पेज के लेआउट की गलती है।"

पेपरबैक की किसी चैप्टर पर प्ले दबाइए, तो सब ठीक चलता है। दो कॉलम वाले जर्नल PDF पर प्ले दबाइए, तो पहला वाक्य ही धाराप्रवाह, व्याकरण के हिसाब से सही, मगर पूरी तरह बेमतलब अधूरे उपवाक्यों की झड़ी बनकर आता है। ज़्यादातर लोग मान लेते हैं कि आवाज़ खराब है, तीन और ऐप आज़माते हैं, और नतीजा वही रहता है।

अकादमिक PDF टेक्स्ट-टू-स्पीच को हराते हैं ढाँचे से जुड़ी वजहों से, जिनका स्पीच सिंथेसिस से कोई लेना-देना नहीं। नीचे हर वजह की जड़ और उसका इलाज दिया है। इसके ऊपर बनने वाले वर्कफ़्लो (कितनी बार सुनें, किस स्पीड पर, कौन-से हिस्से) के लिए रिसर्च पेपर ज़ोर से पढ़ने की गाइड देखें।

सीधा जवाब

अकादमिक पेपर टेक्स्ट-टू-स्पीच को इसलिए तोड़ देते हैं क्योंकि PDF यह दर्ज करता है कि हर अक्षर पेज पर कहाँ बैठा है, यह नहीं कि इंसान उन्हें किस क्रम में पढ़ता है। जर्नल की टाइपसेटिंग इसके ऊपर चार और मुसीबतें जोड़ती है: इनलाइन उद्धरण, गणितीय नोटेशन, तैरते कैप्शन, और ऐसे स्कैन किए पन्ने जिनमें मशीन से पढ़ा जा सकने वाला कोई टेक्स्ट ही नहीं होता।

इन पाँचों का अपना-अपना इलाज है, और उनमें से कोई भी "बेहतर आवाज़ ढूँढ़ना" नहीं है। गड़बड़ी पहचानिए, इलाज कीजिए, और ज़्यादातर पेपर सुनने लायक हो जाते हैं। थोड़े-से पेपर (घने प्रमाण, नोटेशन-प्रधान सिद्धांत) कभी नहीं होंगे, और यह पहचानना कि कौन-सा कौन है, इस हुनर का ज़्यादातर हिस्सा है।

पेपर रीडर को क्यों उलझा देता है जबकि उपन्यास नहीं

मूल वजह यह है कि PDF छपे हुए पन्ने का वर्णन है, दस्तावेज़ का ढाँचा नहीं। जब टाइपसेटर जर्नल का लेख बनाता है, तो निकलने वाली फ़ाइल असल में यह कहती है: अक्षर "T" को इस निर्देशांक पर रखो, फिर "h" को उसके थोड़ा दाईं ओर, और पेज के हर अक्षर के लिए यही। उसमें न कोई पैराग्राफ़ होता है, न कोई कॉलम। ये चीज़ें पेज की आपकी दृश्य समझ में हैं, फ़ाइल में नहीं।

इसलिए रीडर को ज्यामिति से पढ़ने का क्रम फिर से बनाना पड़ता है: अक्षरों को पंक्तियों में और पंक्तियों को ब्लॉक में समूहित करना। उपन्यास के लिए यह मामूली है: एक कॉलम, एक जैसे हाशिये, कुछ भी तैरता हुआ नहीं। जर्नल लेख के लिए यह असली अनुमान लगाने की समस्या है, और अकादमिक लेआउट की परिपाटियाँ इसके लिए लगभग सबसे बुरी स्थिति हैं।

इसी वजह से एक ही लेख का प्रकाशक वाला संस्करण और लेखक का प्रीप्रिंट अक्सर अलग तरह से व्यवहार करते हैं: उनकी टाइपसेटिंग प्रक्रियाएँ अलग होती हैं। इसमें आपकी आवाज़ की सेटिंग का कोई हाथ नहीं।

गड़बड़ी 1: गटर, जहाँ दो कॉलम एक वाक्य बन जाते हैं

यह सबसे आम नाकामी है और पहचानना सबसे आसान: ऑडियो धाराप्रवाह होता है मगर बेमतलब, क्योंकि हर बोली गई पंक्ति में बाएँ कॉलम की पंक्ति के ठीक बाद दाएँ कॉलम की पंक्ति जुड़ी होती है। आपको व्याकरण के हिसाब से सही टुकड़े अनजान टुकड़ों से सिले हुए सुनाई देते हैं, लगभग हर छह से बारह शब्दों पर।

यह तब होता है जब एक्सट्रैक्शन पेज की एक क्षैतिज पट्टी को टेक्स्ट की एक पंक्ति मान लेता है। दोनों कॉलम उसी पट्टी में हैं, इसलिए दोनों पढ़े जाते हैं, बाएँ से दाएँ, उनके बीच की सफ़ेद जगह के आर-पार। वह खाली जगह आपके लिए दृश्य संकेत है और एक्सट्रैक्टर के लिए कुछ भी नहीं।

क्या करें, कम मेहनत से ज़्यादा के क्रम में:

• लगने से पहले परख लें। परिचय का पहला पैराग्राफ़ चलाइए। अगर दूसरा उपवाक्य पहले से जुड़ता नहीं, तो गटर की समस्या है, और यह जानने में आपके बीस सेकंड लगे।
• कॉलम पहचानने वाला रीडर इस्तेमाल करें। कॉलम-अवेयर एक्सट्रैक्शन दायाँ कॉलम शुरू करने से पहले पेज के नीचे तक बायाँ कॉलम पढ़ता है। ReadLoudly का PDF रीडर कई कॉलम वाले अकादमिक लेआउट संभालता है, और क्योंकि वह बोले जा रहे वाक्य को हाइलाइट करता है, आप तुरंत देख सकते हैं कि उसका चुना क्रम पेज से मेल खाता है या नहीं।
• जहाँ मिले वहाँ सिंगल-कॉलम संस्करण चुनें। कई लेखक प्रीप्रिंट सिंगल-कॉलम फ़ॉर्मेट में डालते हैं: वही टेक्स्ट, पर सुनाने के लिए कहीं आसान फ़ाइल।

क्रम बिगड़ा ऑडियो कान से पकड़ना मुश्किल है, क्योंकि आवाज़ आत्मविश्वास से भरी होती है और हर टुकड़ा सही बना होता है। जैसे ही आप हाइलाइट को पेज पर बगल की ओर कूदते देखते हैं, बात साफ़ हो जाती है।

गड़बड़ी 2: उद्धरणों का शोर, और घने पैराग्राफ़ स्टैटिक क्यों बन जाते हैं

इनलाइन उद्धरण इस तरह लिखे जाते हैं कि आँख उन्हें छोड़ दे, और कान उन्हें छोड़ नहीं सकता। साफ़ लिखा हुआ दावा ऑडियो में नामों, सालों और कोष्ठक वाले नंबरों की लड़ियों के साथ घुला-मिला आता है।

लेखक-वर्ष शैली में साहित्य-समीक्षा का एक आम वाक्य लें: एक उपवाक्य, फिर चार कोष्ठक वाले संदर्भ, फिर बाकी उपवाक्य। पढ़ते समय आपकी आँख एक पल के अंश में कोष्ठक फाँद जाती है। सुनते समय आपको हर उपनाम और साल पूरी लंबाई में मिलता है, और जब तक वाक्य फिर शुरू होता है, आप उसका कर्ता खो चुके होते हैं। संख्या वाली शैलियाँ छोटी हैं पर एक मायने में बदतर: ऊपर लिखा मार्कर बिना ठहराव के पिछले शब्द से जुड़ सकता है, और वाक्य के बीच चुपचाप अंक उग आते हैं।

तीन बातें मदद करती हैं:

• परिचय और चर्चा में गद्य की उम्मीद छोड़ दें। ये हिस्से बनावट से ही उद्धरणों से भरे होते हैं। वाक्यों के लिए नहीं, तर्क के आकार के लिए सुनें।
• पूरे पेपर पर नहीं, संदर्भों से भरे अंशों पर स्पीड बढ़ाएँ। आप जानबूझकर उन हिस्सों को कम प्रोसेस कर रहे हैं जो सार से ज़्यादा ग्रंथसूची हैं।
• संदर्भ-सूची को अलग दस्तावेज़ मानें। उसे कभी न सुनें। चर्चा के अंत से सीधे अगले पेपर पर जाएँ और ग्रंथसूची आँखों से देखें।

जब आप बहुत सारा साहित्य छान रहे हों, तो हर पेपर की ऑडियो गुणवत्ता से ज़्यादा क्रम मायने रखता है: पेपरों के ढेर के लिए ऑडियो वर्कफ़्लो बताता है कि कतार कैसे सजाएँ।

गड़बड़ी 3: समीकरण, जहाँ ऑडियो की सचमुच एक सीमा है

इसका कोई इलाज नहीं है, इसलिए इसके आसपास योजना बनाइए, इसे हल करने वाला टूल मत ढूँढ़िए। गणितीय नोटेशन का कोई भरोसेमंद बोला जाने वाला रूप नहीं है, इसलिए रीडर को कुछ गलत, कुछ अस्पष्ट, या कुछ भी नहीं बोलने में से चुनना पड़ता है।

तीन समस्याएँ एक के ऊपर एक जमा होती हैं। पहली, PDF में ज़्यादातर नोटेशन गणित के रूप में सहेजा ही नहीं जाता: वह समीकरण जैसा दिखने के लिए रखे गए अक्षर होते हैं, इसलिए सबस्क्रिप्ट, भिन्न की रेखाएँ और समाकलन की सीमाएँ संरचना नहीं, ज्यामिति हैं। दूसरी, अच्छी तरह समझा गया नोटेशन भी बोलने में अस्पष्ट है। "x squared over two" का मतलब x के वर्ग को दो से भाग देना हो सकता है, या x का एक बटा दो घात; इसे तय करने वाले कोष्ठक दृश्य हैं। तीसरी, गणितीय तर्क कई व्यंजकों को एक साथ नज़र में रखने पर टिका है, और ऑडियो ठीक यही छीन लेता है।

ईमानदार निष्कर्ष: गणित-भारी सामग्री के लिए ऑडियो तर्क समझने का अच्छा तरीका है और नोटेशन समझने का खराब। आप मेथड्स का हिस्सा सुनकर यह जान सकते हैं कि लेखकों ने मॉडल को रेगुलराइज़ किया, उन्होंने वह पेनल्टी क्यों चुनी, और उनके दावे के मुताबिक उससे क्या मिला। पर आप समीकरण दोहरा पाने की स्थिति में नहीं पहुँचेंगे।

इसलिए तर्क वाले गद्य के लिए ऑडियो इस्तेमाल करें और नोटेशन आँखों से पढ़ें: एब्सट्रैक्ट, परिचय, चर्चा और मेथड्स के वर्णन वाले पैराग्राफ़ कान से, व्युत्पत्तियाँ स्क्रीन पर। जिन पेपरों का योगदान ही व्युत्पत्ति है, वे ऑडियो के उम्मीदवार नहीं हैं, और उन्हें ऐसा मानना यह मानने से पहले एक घंटा बर्बाद करता है।

गड़बड़ी 4: कैप्शन, फ़ुटनोट और रनिंग हेड जो वाक्य के बीच घुस आते हैं

फ़िगर का कैप्शन बगल के वाक्य का हिस्सा नहीं होता, पर वह पेज की उसी पट्टी में बैठा है, इसलिए अक्सर उसी वाक्य के भीतर पढ़ दिया जाता है। लक्षण अलग पहचान में आता है: आप कोई पैराग्राफ़ सुन रहे होते हैं कि आवाज़ कहती है "Figure 3. Mean response latency by condition" और फिर आपका पैराग्राफ़ वहीं से चल पड़ता है जहाँ रुका था।

अकादमिक पेज पर तैरती हर चीज़ यही करती है: कैप्शन, फ़ुटनोट, जर्नल के नाम और पेज नंबर वाला रनिंग हेड, DOI ब्लॉक, हाशिये की इश्यू वाली पंक्ति। ये सब किसी निर्देशांक पर रखा टेक्स्ट हैं, और ज्यामिति से काम करने वाले रीडर के पास यह जानने का कोई ठोस तरीका नहीं कि यह सजावट है, गद्य नहीं।

असल में क्या मदद करता है:

• "Figure 3" को बाद में देखने का इशारा मानें। जगह याद रखें और आगे बढ़ें। हर बार रुककर फ़िगर ढूँढ़ना सुनने का मकसद ही खत्म कर देता है, और सारे फ़िगर आखिर में एक बार देखना लगभग हमेशा बेहतर है।
• पहले पन्ने की सजावट छोड़ दें। शीर्षक पन्ने पर हेडर, संबद्धताएँ, DOI और सबमिशन तारीखें सबसे घनी होती हैं। पहले पन्ने के ऊपर से नहीं, एब्सट्रैक्ट से शुरू करने पर काफ़ी शोर हट जाता है।
• टेबल सीधे छोड़ दें। ज्यामिति से पढ़ने पर टेबल ऐसे क्रम में संख्याएँ देती है जिसका कोई अर्थ नहीं। टेबल देखने की चीज़ हैं, सुनने की नहीं।

गड़बड़ी 5: वह पेपर जिसमें टेक्स्ट लेयर है ही नहीं

अगर रीडर खाली दस्तावेज़ बताए या सन्नाटा बजाए, तो फ़ाइल लगभग निश्चित रूप से स्कैन है: पेज की एक तस्वीर, जिसमें कोई अक्षर नहीं। छपाई से डिजिटल की गई किसी भी चीज़ के लिए यह आम है, जो 1990 के दशक के मध्य से पहले के ज़्यादातर साहित्य को कवर करती है।

आप बिना किसी टूल के दो सेकंड में इसकी पुष्टि कर सकते हैं: अपने PDF व्यूअर में टेक्स्ट की एक पंक्ति चुनकर देखें। अगर कर्सर शब्दों को हाइलाइट करने के बजाय पेज पर एक आयत खींचता है, तो पढ़ने को कुछ है ही नहीं। खींची गई फ़ोटो वाला पन्ना भी ऐसे ही बर्ताव करता है।

इलाज ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) है, जो टेक्स्ट की तस्वीर को वापस अक्षरों में बदलता है। शुरू करने से पहले इसे पूरे पेपर पर चलाएँ, खराब स्कैन पर अधूरे नतीजे की उम्मीद रखें (फीकी स्याही, तिरछे पन्ने और हाथ से लिखी टिप्पणियाँ सटीकता घटाती हैं), और ध्यान रखें कि स्कैन किए दो-कॉलम पन्ने पर गड़बड़ी 1 भी ऊपर से आ जाती है। बिल्ट-इन OCR वाला रीडर अलग कन्वर्ज़न चरण का चक्कर बचा देता है: स्कैन्ड PDF रीडर टेक्स्ट पहचानकर उसे एक ही बार में बोल देता है, और भौतिक पन्नों व लाइब्रेरी की फ़ोटो का तरीका किताब स्कैन करके उसे सुनना में दिया है।

दो मिनट की प्री-फ़्लाइट जाँच

किसी भी पेपर पर लगने से पहले यह चलाइए। यहाँ दो मिनट का फ़र्क एक काम के सत्र और एक घंटे के आत्मविश्वास भरे बकवास के बीच का फ़र्क है।

एक आदत तालिका के ज़्यादातर मामले संभाल लेती है: परिचय का पहला पैराग्राफ़ चलाइए और पूछिए कि क्या दूसरा वाक्य पहले से निकलता है। अगर हाँ, तो एक्सट्रैक्शन सही है। अगर नहीं, तो घंटा लगाने से पहले फ़ाइल ठीक करें। यही जाँच लंबे PDF सुनने के तरीके की शुरुआत भी है।

सुनना इनपुट है, रिवीज़न नहीं

साफ़ ऑडियो एक्सट्रैक्शन की समस्या हल करता है और दूसरी समस्या को छुए बिना छोड़ देता है। सुनना एक इनपुट गतिविधि है, ठीक पढ़ने की तरह। इसे एक बार करने से टिकाऊ याददाश्त में बहुत कम पहुँचता है। जो पहुँचाता है वह है रिट्रीवल: ऐसा सवाल पूछा जाना जिसका जवाब आपको स्रोत सामने रखे बिना देना पड़े।

पेपरों में यह ज़्यादातर सामग्री से ज़्यादा चुभता है, क्योंकि हफ़्तों बाद आपको गद्य शायद ही चाहिए होता है। आपको दावा, तरीका, सैंपल, सीमा और संख्या चाहिए होती है।

इसलिए सुनने के सत्र का आखिरी कदम सुनने का कदम नहीं है। एक ही अपलोड से वही पेपर बन सकता है:

• शब्दों, मापों और परिभाषाओं पर फ़्लैशकार्ड का सेट, जो पेपर का वह हिस्सा है जो पूरी तरह याद करने का है।
• तरीकों और निष्कर्षों पर क्विज़, जो यह पता लगाने का सबसे तेज़ तरीका है कि जिस अंश को आपने समझा सोचा था, वह असल में पहुँचा नहीं।
• पेपर पर दो होस्ट की पॉडकास्ट चर्चा: उन्हीं विचारों पर सचमुच अलग पास, जो दूसरे सफ़र में काम आता है जहाँ मूल को दोबारा चलाना बस दोहराव होता।
• ट्यूटर सत्र या लिखित प्रैक्टिस सेट उस पर, जो क्विज़ ने उजागर किया।

यही कारण है कि PDF को MP3 बनाकर पॉडकास्ट ऐप में डाल देने के बजाय दस्तावेज़ से स्टडी सेट बनाने वाला टूल बेहतर है। ऑडियो आपको साहित्य की मात्रा से पार कराता है; सवाल पढ़ाई को गिनती में लाते हैं, और दस्तावेज़ से स्टडी सेट का पूरा सिस्टम पूरा क्रम समझाता है। अब भी तय नहीं कर पा रहे कि ऑडियो आपके रूटीन में फिट बैठता है या नहीं? पेपर सुनने के पक्ष में तर्क इसी पर है।

अपनी कतार के अगले पेपर पर प्री-फ़्लाइट जाँच से शुरू करें: एक पैराग्राफ़ चलाइए, तय कीजिए कि पाँच में से कौन-सी गड़बड़ी आपके सामने है, और आवाज़ की जगह उसे ठीक कीजिए।

अगर आपके दस्तावेज़ में असली टेक्स्ट लेयर है और डिवाइस की आवाज़ काफ़ी है, तो ये बिल्ट-इन रीडर उनके निर्माताओं ने दस्तावेज़ित किए हैं: Microsoft Edge read aloud, Android Select to Speak और Apple Spoken Content।