लोकल AI म्यूजिक जनरेशन रचनात्मकता से मापदंडों (meter) को हटा देता है। ACE-Step 1.5 जैसे टूल्स पूरी तरह से Mac पर चल सकते हैं, जो बिना किसी क्लाउड क्रेडिट और बिना किसी अपलोड कतार के, मिनटों में टेक्स्ट प्रॉम्प्ट्स को पूरे गानों में बदल देते हैं। यह स्वतंत्रता एक नई समस्या को जन्म देती है: मात्रा (volume)। जब जनरेशन सस्ता और तुरंत हो जाता है, तो आप यह पूछना बंद कर देते हैं कि क्या आप गाना बना सकते हैं और यह सोचने लगते हैं कि आपकी ड्राइव पर मौजूद पचास वर्ज़न में से कौन सा रखना लायक है।

मैंने यह सबक बहुत मुश्किल से सीखा। एक औसत दिन में, मुझे एक सही ट्रैक खोजने के लिए ACE-Step 1.5 से लगभग चार टेक (takes) लेने पड़ते हैं। लेकिन औसत हमेशा सच नहीं बोलते। हाल ही में एक सेशन के दौरान, मैंने एक ही अरेंजमेंट के पीछे भागते हुए बत्तीस टेक जनरेट किए। बत्तीस दो-मिनट के गानों को सुनना एक घंटे से अधिक का गहन श्रवण (critical listening) है। सातवें ट्रैक तक आते-आते, मेरे कान धुंधले स्वरों (smeared vowels) को नज़रअंदाज़ करने लगे थे। पंद्रहवें तक, मैं शब्दों के छूट जाने पर ध्यान दिए बिना ही धुनों पर सिर हिला रहा था। श्रवण थकान (Listener fatigue) आलस नहीं है; यह धारणात्मक सटीकता (perceptual accuracy) में वास्तविक गिरावट है। मुझे एक ऐसे फ़िल्टर की ज़रूरत थी जो मेरे सुनने से पहले काम कर सके।

इसलिए मैंने mlx-whisper के इर्द-गिर्द एक लोकल QA पाइपलाइन बनाई, जो OpenAI के स्पीच-रिकग्निशन मॉडल का Apple Silicon-ऑप्टिमाइज़्ड पोर्ट है। विचार सरल था: यदि मैं हर टेक को स्वचालित रूप से ट्रांसक्राइब कर सकूँ और उसकी तुलना मूल लिरिक्स से कर सकूँ, तो मेरे पास एक ऑब्जेक्टिव लिरिक्स-मैच रेट होगा। वह नंबर बत्तीस टेक को कम करके एक प्रबंधनीय संख्या में ला सकता है।

पाइपलाइन कैसे काम करती है

इस वर्कफ़्लो के चार चरण हैं, और मैं प्रत्येक को अनिवार्य मानता हूँ।

Generate. मैं ACE-Step 1.5 के साथ रॉ ऑडियो बनाता हूँ। मैं इस चरण में किसी भी चीज़ का निर्णय नहीं लेता। लक्ष्य मात्रा (volume) प्राप्त करना है।

Transcribe. हर WAV फ़ाइल मेरे Mac पर mlx-whisper में जाती है। क्योंकि MLX को Apple के Metal और न्यूरल इंजन के लिए बनाया गया है, यह पूरी तरह से लोकल चलता है। इसमें कोई API लागत नहीं है, कोई नेटवर्क लेटेंसी नहीं है, और रॉ ऑडियो को किसी रिमोट सर्वर पर भेजने के बारे में कोई गोपनीयता संबंधी चिंता नहीं है। जब तक मैं कॉफी बनाता हूँ, बत्तीस फ़ाइलों का बैच ट्रांसक्राइब हो जाता है।

Score. मैं Whisper ट्रांसक्रिप्ट की तुलना मूल लिरिक्स प्रॉम्प्ट से करता हूँ। मैच रेट सटीकता (fidelity) को मापता है: क्या गायक ने हर शब्द सही बोला, या उसने लाइनें छोड़ीं, वाक्यांशों को अस्पष्ट किया, या शब्दांशों (syllables) में गलती की? मैं प्रतिशत ओवरलैप की गणना करता हूँ। यह कोई सौंदर्य संबंधी निर्णय नहीं है; यह टेक्स्ट की सटीकता का एक सख्त लेखा-जोखा है।

Filter. मैं मैच रेट के आधार पर टेक को सॉर्ट करता हूँ। टॉप क्विंटाइल (top quintile) मेरा ऑडिशन पूल बन जाता है। बाकी सब एक सेकेंडरी फ़ोल्डर में चले जाते हैं। मैंने कम स्कोर वाले टेक को अभी तक डिलीट नहीं किया है, लेकिन मैं उन पर अपना कीमती सुनने का समय बर्बाद नहीं करता।

जूरी को स्वतंत्र रखें

मैं एक सख्त नियम का पालन करता हूँ: जनरेशन मॉडल कभी भी अपने खुद के काम का मूल्यांकन नहीं करता। ACE-Step 1.5, ACE-Step 1.5 के आउटपुट का मूल्यांकन नहीं करता है। मैं ट्रांसक्रिप्शन के लिए पूरी तरह से एक अलग प्रक्रिया का उपयोग करता हूँ क्योंकि जो मॉडल खुद की जाँच करता है, वह हमेशा बहुत उदार होगा। उसकी कमियाँ (blind spots) भी वैसी ही होंगी। यदि जनरेटर बहुवचन मार्कर (plural markers) छोड़ने या कठोर व्यंजनों (hard consonants) को नरम करने की प्रवृत्ति रखता है, तो एक सेल्फ-इवैल्यूएशन लूप उन्हीं कमियों को नज़रअंदाज़ करना सीख जाएगा। एक स्वतंत्र स्पीच-रिकग्निशन मॉडल का संगीत के प्रति कोई लगाव नहीं होता। वह बस वही रिपोर्ट करता है जो वह सुनता है, चाहे वह रिपोर्ट कितनी भी कठोर क्यों न हो।

आंकड़ों ने क्या खुलासा किया

बत्तीस टेक के बैच में, पाइपलाइन ने क्षेत्र को आठ उम्मीदवारों तक सीमित कर दिया जो गंभीर ध्यान देने लायक थे। उन आठ का औसत लिरिक्स-मैच रेट 83.9% था। जब मैंने उन्हें ठीक से सुना और अपने स्वयं के क्वालिटी रूब्रिक के आधार पर स्कोर किया, तो उनका औसत 100 में से 94.1 था। यह अंतर पूरी कहानी बताता है। मशीन गेट ने स्पष्ट संरचनात्मक विफलताओं—जैसे लिरिक्स का छूटना, टाइमिंग का बिगड़ना, वोकल आर्टिफैक्ट्स—को पकड़ लिया, ताकि मेरा मानवीय स्कोरिंग एक पहले से साफ किए गए सेट पर काम कर सके। ऑटोमेशन ने मेरे निर्णय की जगह नहीं ली। इसने उसे सुरक्षित रखा।

जब मशीन गलत काम करती है

कम स्कोर का मतलब हमेशा बुरा गाना नहीं होता। मुझे यह जल्दी ही पता चल गया था जब एक ट्रैक जिसे मैं पसंद करता था, कटऑफ से बहुत नीचे स्कोर किया। लिरिक्स एक साधारण वर्णमाला मंत्र (alphabet chant) थे: अलग-अलग ध्वनियों के रूप में गाए गए एकल अक्षर। Whisper को प्राकृतिक वाक्य संरचना पर प्रशिक्षित किया गया है। यदि आप इसे "A B C D" देते हैं, तो यह अक्सर शब्दों की कल्पना (hallucinate) करता है, आर्टिकल्स जोड़ देता है, या अक्षरों को अस्पष्ट ध्वनियों (garbled phonemes) में बदल देता है। ट्रांसक्रिप्शन विफल रहा, लेकिन वोकल परफॉरमेंस वास्तव में स्पष्ट थी।

उस मामले ने मुझे व्यावहारिक सीमा सिखाई। मैच रेट एक प्री-फ़िल्टर है, अंतिम फैसला नहीं। कोई भी टेक जिसका स्कोर कम है, उसे डिलीट करने से पहले मैं दस सेकंड का मानवीय ऑडिशन देता हूँ। नंबर आपको संभावना की ओर इशारा करते हैं, निश्चितता की ओर नहीं। यदि आप स्कोर को दिशा-सूचक (compass) के बजाय हथौड़े (gavel) की तरह मानेंगे, तो आप अच्छा संगीत फेंक देंगे।

एक तकनीकी बाधा

यदि आप Apple Silicon पर MLX चला रहे हैं, तो बड़े बैच प्रोसेस करने से पहले अपने Python आर्किटेक्चर की जाँच कर लें। सेटअप में एक सामान्य गलती Rosetta emulation के माध्यम से Python binary चलाना है। स्क्रिप्ट फिर भी चलेगी, लेकिन आप उस hardware acceleration को खो देंगे जो local transcription को सुगम बनाता है।

इसे अपने टर्मिनल में चलाएं:

python3 -c "import platform; print(platform.machine())"

आपको arm64 देखना चाहिए। यदि यह x86_64 प्रिंट करता है, तो आपका environment emulated है। एक native Python build या native conda environment पर स्विच करें, फिर mlx-whisper को फिर से इंस्टॉल करें। लंबे बैचों के मामले में, emulated और native execution के बीच का अंतर दोपहर के भोजन से पहले काम खत्म करने और रात के खाने से पहले काम खत्म करने जैसा है।

असली महत्व

Generative audio निरंतरता का फल देता है, लेकिन मानवीय ध्यान सीमित है। केवल यह साबित करने के लिए कि आप गहनता से काम करते हैं, बत्तीस औसत दर्जे के takes सुनने में कोई गौरव नहीं है। जनरेटर और अपने कानों के बीच mlx-whisper का उपयोग करके, मैंने घंटों का केंद्रित रचनात्मक समय वापस पा लिया है। मैं अभी भी यह तय करता हूँ कि कौन सा गाना रहेगा और कौन सा नहीं। मशीन बस यह सुनिश्चित करती है कि मैं उस निर्णय को सर्वोत्तम संभावित उम्मीदवारों पर लागू कर रहा हूँ।

इस पाइपलाइन के पीछे का पूरा विवरण यहाँ उपलब्ध है। यदि आप इसी तरह के local QA टूल्स बना रहे हैं, तो GyaanSetu community नोट्स साझा करने के लिए एक अच्छी जगह है।