एक आवाज़, दस lanes: डिक्टेशन वाला एक दिन

दो बच्चे, तीन startups, एक आवाज़ ने शुरुआत की कहानी बताई थी: ऊँचे दाँव वाली पैरलल startup lanes, छह महीने से छोटा दूसरा बच्चा, और एक keyboard जो चुपचाप हर चीज़ का इकलौता failure point बन चुका था। उस पोस्ट ने बताया कि Keebye क्यों है। लोग एक ज़्यादा व्यावहारिक सवाल पूछते रहे: दिन असल में दिखता कैसा है?

तो यह रहा वह दिन। कोई सामान्य दिन नहीं, क्योंकि ऐसा कुछ होता ही नहीं, पर एक असली आकार जो दोहराता है। मैं जान-बूझकर आँकड़ों से बचूँगा। मैंने कभी प्रतिशत में सुधार नापा नहीं, और नाप भी लेता तो उस पर भरोसा न करता। जो मैं बता सकता हूँ वह यह है कि आवाज़ वाला चैनल कहाँ इस्तेमाल होता है, कहाँ नहीं, और काम की बनावट में क्या बदला।

"दस lanes" पर एक बात। यह डींग नहीं है। lane वह हर चीज़ है जो मेरे एक वाक्य से आगे बढ़ती है: बीच काम में पड़ा कोई coding agent, कोई code review जिसका किसी को इंतज़ार है, कोई Slack thread, किसी निवेशक के वकील को भेजा जाने वाला ईमेल, कोई दस्तावेज़ का मसौदा। व्यस्त दिन में सचमुच लगभग इतनी ही खुली रहती हैं। किसी भी पल ज़्यादातर शांत पड़ी होती हैं। दिक़्क़त यह है कि जो जागती हैं वे अपने हिसाब से जागती हैं, मेरे हिसाब से नहीं।

तड़के: एक बाँह, तीन agents

दिन घर के जागने से पहले शुरू होता है, यानी एक बाँह पर बच्चे के साथ शुरू होता है। यही वह घंटा है जहाँ आवाज़ सुविधा से ज़रूरत बन गई।

तीन agent lanes पिछली रात से ही चल रही हैं, हर एक अपने terminal में, हर एक अलग repository में। सबसे पहले मैं पढ़ता हूँ कि उन्होंने किया क्या। पढ़ने के लिए आँखें चाहिए, हाथ नहीं, तो बच्चे को कोई फ़र्क़ नहीं पड़ता। दूसरा काम है उन्हें redirect करना जो भटक गईं, और यहीं keyboard हारता था।

अब: terminal में click, दायाँ Command दबाए रखा, redirect बोला, छोड़ा। "Migration ठीक है, पर तुमने table का नाम model में बदला और seed script में नहीं। seed ठीक करो और tests दोबारा चलाओ।" text prompt में गिर जाता है। Enter। अगली lane।

मेरी एक छोटी आदत है जिसे सीखने में वक़्त लगा: पूरे वाक्यों में बोलिए। agents उनके साथ बेहतर करते हैं, और डिक्टेशन उन्हें क़ुदरती तौर पर बनाती है क्योंकि लोग ऐसे ही बोलते हैं। जो तार-भाषा वाली शैली मैं टाइप करता था ("seed ठीक करो, tests चलाओ") वह keyboard की देन थी, पसंद नहीं।

यह घंटा पहली dictation की उस एक ख़ासियत को भी उघाड़ देता है जो जानने लायक़ है। माइक session की पहली dictation के बाद गर्म होता है और उसके बाद 500 ms का pre-roll रखता है। सुबह का सबसे पहला hold stream शुरू होने की क़ीमत चुका सकता है और अगर मैं बहुत जल्दी बोलने लगूँ तो एक शब्द कट सकता है। मैंने एक पल ठहरना सीख लिया है। डिक्टेशन ऐप्स आपका पहला शब्द क्यों खा जाते हैं इसकी मशीनरी समझाती है; छोटा जवाब यह है कि यह पूरी श्रेणी की समस्या है जिसका इलाज आंशिक है, पूरा नहीं।

दिन चढ़े: review वाली lane

जिन startups के साथ मैं काम करता हूँ, उनमें से दो में ज़्यादातर सुबहों को code reviews मेरा इंतज़ार करती हैं। review डिक्टेशन का सबसे बढ़िया संभव इस्तेमाल है: यह पढ़ना है जिसमें बीच-बीच में थोड़ा गद्य निकलता है, और वह गद्य किसी इंसान के लिए होता है।

मैं diff browser tab में पढ़ता हूँ। जब किसी चीज़ पर कमेंट चाहिए, तो box में click करता हूँ, दबाता हूँ, बोलता हूँ, छोड़ता हूँ। custom dictionary project के identifiers साथ लिए चलती है, तो reconnectBackoff वैसे ही निकलता है, तीन अंग्रेज़ी शब्दों की तरह नहीं। सफ़ाई डिफ़ॉल्ट में नियम-आधारित है: भरती के और दोहराए गए शब्द जाते हैं, मेरी शब्दावली रहती है। review कमेंट्स के लिए मैं वैकल्पिक local-LLM polish बंद रखता हूँ, क्योंकि उसके पीछे का fidelity guard गंभीर token loss, फैलाव या दोहराव के ख़िलाफ़ एक heuristic है, इस बात की गारंटी नहीं कि कोई निषेध बचा रहा — और review में पलटा हुआ "नहीं" पूरा फ़ैसला बदल देता है।

इनमें से एक टीम Romanian में review करती है। Keebye का 25 भाषाओं वाला इंजन इसे on-device सँभालता है; मैं tray में भाषा pin करता हूँ और अगला utterance Romanian की तरह decode होता है, अंग्रेज़ी identifiers समेत। code reviews अपनी भाषा में डिक्टेट कीजिए में ब्योरा है, साथ में यह ईमानदार सूची भी कि कौन-सी भाषाएँ कवर हैं और कौन-सी नहीं।

दोपहर से पहले: इंसानी lanes

हर lane agent नहीं होती। क़रीब इसी वक़्त रात भर में पुराने पड़ चुके Slack threads और ईमेल जवाब माँगते हैं, और पहले यहीं दिन चुपचाप घंटे गँवाता था। इसलिए नहीं कि जवाब मुश्किल थे, बल्कि इसलिए कि हर जवाब का मतलब था एक lane छोड़ना, और lane में लौटने की क़ीमत होती है।

आवाज़ ने जवाब देने का हिसाब बदल दिया। दो वाक्यों का Slack जवाब एक hotkey hold है, message box में बोला हुआ, जबकि मेरी आँखें अब भी आधी बग़ल वाले terminal पर हैं। निवेशकों से जुड़े ईमेल लंबे होते हैं और उन्हें मैं अब भी सावधानी से लिखता हूँ, पर पहला मसौदा अब बोला जाता है, फिर एडिट होता है। मसौदा बोलने से आकार जल्दी उतर आता है; सटीकता टाइप करके एडिट करने में आती है।

यही वह घंटा भी है जहाँ प्राइवेसी की शर्त सबसे ज़्यादा मायने रखती है। मैं यहाँ जो डिक्टेट करता हूँ वह दूसरों की कंपनियों का भीतर है: बिना रिलीज़ हुए प्रोडक्ट, security की बातचीत, पैसा। Keebye on-device transcribe करता है, model डाउनलोड होने के बाद Wi-Fi बंद करके चलता है, सिर्फ़ text वाली history स्थानीय रखता है जो 30 दिन बाद ख़ुद मिट जाती है, और कोई telemetry नहीं भेजता। आपकी आवाज़ जाती कहाँ है उसी बात का लंबा संस्करण है कि यह मेरे लिए क्यों बिना समझौते वाली शर्त थी।

दोपहर बाद: गहरा काम, और जागती lanes

दोपहर बाद का वक़्त उस lane के लिए है जिसे सचमुच सोचना पड़ता है: कोई design, कोई मुश्किल bug, कोई दस्तावेज़ जो सही होना ही चाहिए। वह टाइप होता है। आवाज़ नियंत्रण का चैनल है, सोचने का नहीं, और मुश्किल समस्या बोल देने से आसान नहीं हो जाती।

पर बाक़ी lanes को नहीं पता कि यह गहरे काम का वक़्त है। कोई agent ख़त्म करके सवाल पूछता है। कोई reviewer मेरे कमेंट का जवाब उल्टे तर्क से देता है। पहले इनमें से हर एक एक फ़ैसला होता था: ध्यान तोड़कर window बदलूँ, या इसे पड़ा रहने दूँ। अब इनमें से ज़्यादातर एक नज़र और एक वाक्य हैं। agent के सवाल पर नज़र, अंदर click, "हाँ, पर पुराना endpoint तब तक ज़िंदा रखो जब तक client रिलीज़ न हो", वापस click। गहरे काम की खिड़की काफ़ी हद तक सलामत रहती है क्योंकि रुकावट किसी और की समस्या में पूरा context switch नहीं, बस कुछ सेकंड की बोली है।

मैं यहाँ अपना दावा सटीक रखना चाहता हूँ। आवाज़ रुकावटों को मुफ़्त नहीं बनाती। वह जवाब देने की मशीनी क़ीमत इतनी छोटी कर देती है कि बचा हुआ ख़र्च सिर्फ़ सोचना रह जाए — जो हमेशा से असली ख़र्च था ही।

शाम: terminal वाली भारी lane

एक startup अपना बहुत सारा operational काम SSH पर, tmux में, ऐसे servers पर करता है जहाँ clipboard paste एक विचार तक के रूप में मौजूद नहीं है। यहीं डिक्टेशन टूल आमतौर पर ढह जाते हैं, क्योंकि उनमें से ज़्यादातर text paste करके डालते हैं।

Keebye भी डिफ़ॉल्ट में paste ही करता है, shells के लिए terminal-समझदार chunking के साथ। SSH और tmux के लिए मैं opt-in typing mode पलट देता हूँ, जो clipboard पर निर्भर होने के बजाय text को Unicode keystrokes की तरह डालता है। यह ग़ैर-QWERTY layouts के साथ भी चलता है, जो एक मशीन पर लगे Romanian keyboard के लिए मायने रखता है। टर्मिनल में टिकने वाली डिक्टेशन setup बताती है और terminal गाइड समझौते।

Keebye secure input fields में डालने से भी मना कर देता है, तो जब कोई server passphrase माँगता है, hotkey कुछ नहीं करता। कभी-कभार यह खिझाता है और पूरी तरह सही है।

जो नहीं बदला

ऐसा दिन पढ़ने में ऐसा लग सकता है जैसे आवाज़ ने बहुत सारी lanes होने की समस्या हल कर दी। नहीं की। उसने एक ख़ास अड़चन हल की: उस lane तक एक वाक्य पहुँचाने की शारीरिक क़ीमत जिसे उसकी ज़रूरत थी। बाक़ी सब वैसा ही है।

मुश्किल काम में अड़चन अब भी सोचना ही है। पढ़ने में अब भी उतना ही वक़्त लगता है। agents अब भी भटकते हैं और अब भी redirect माँगते हैं, और बुदबुदाया हुआ redirect बुदबुदाया नतीजा ही देता है, चाहे बोला जाए या टाइप। आवाज़ हाथों की जगह नहीं, उनका पूरक है; मैं ख़ूब टाइप करता हूँ, बस अब वह इकलौता सँकरा रास्ता नहीं जिसके पीछे हर lane इंतज़ार करे।

और ऐप में शुरुआती सॉफ़्टवेयर वाली खुरदुरी किनारें हैं। identifiers ग़लत सुने जाते हैं। दिन का पहला शब्द कभी-कभी कट जाता है। वॉइस कमांड की कोई शब्दावली नहीं है, तो windows के बीच जाना अब भी एक click है। यह सिर्फ़ macOS पर चलता है।

पूरी चीज़ का आकार

10x developer की पुरानी तस्वीर एक आदमी की थी जो तेज़ टाइप करता है। जो तस्वीर असल में आई वह एक आदमी की है जो संचालन कर रहा है: कई lanes, कुछ स्वचालित और कुछ इंसानी, हर एक किसी वाक्य का इंतज़ार करती हुई। उस दुनिया में leverage टाइपिंग की रफ़्तार नहीं है। वह यह है कि आप जिस lane को ज़रूरत है उस तक अपना इरादा कितना सस्ते में पहुँचा सकते हैं, आप चाहे जिस भी शारीरिक हालत में हों, एक बाँह भरी होने समेत।

अगर आपका दिन इसी आकार का है, तो डेवलपर्स गाइड व्यावहारिक शुरुआत है, और अगर आप इसके लिए डिक्टेशन ऐप्स तौल रहे हैं, तो Keebye के विकल्प एक ईमानदार तुलना है जो बताती है कि कौन कहाँ बेहतर बैठता है। ट्रायल 14 दिन का है और आपके पहले desktop sign-in पर शुरू होता है, तो lanes वाला एक असली हफ़्ता ही उसका मक़सद है।