Falaí के साथ रियल-टाइम वॉयस ट्रांसलेशन

bosq में हम जटिल विचारों को सरल, केंद्रित और असल दुनिया के लिए तैयार उत्पादों में बदलना पसंद करते हैं। Falaí इसी सोच से जन्मा है, एक सिमल्टेनियस वॉयस ट्रांसलेटर, जो दो अलग-अलग भाषाएँ बोलने वाले लोगों के बीच आमने-सामने की बातचीत के लिए बना है। इसका इंटरफ़ेस सिर्फ एक इशारे तक सीमित है, घुमाइए, दबाए रखिए और बोलिए।

Falaí क्या है?

Falaí एक ओपन-सोर्स रियल-टाइम वॉयस ट्रांसलेशन ऐप है, जो दो लोगों के बीच आमने-सामने की बातचीत के लिए बनाया गया है। पूरा अनुभव स्क्रीन पर एक डायल के इर्द-गिर्द घूमता है: उपयोगकर्ता डायल घुमाकर भाषा चुनता है, दबाकर बोलता है, और दूसरी भाषा में अनुवाद आवाज़ के रूप में सामने आता है, कोई अतिरिक्त बटन नहीं, कोई तकनीकी पैनल नहीं, और रास्ते में "source" या "target" जैसे शब्द भी नहीं।

यह प्रोजेक्ट Vite, React, TypeScript, Tailwind CSS, Framer Motion और ब्राउज़र के नेटिव WebRTC से बना है। फाइनल बिल्ड पूरी तरह स्टैटिक है, सिर्फ HTML, CSS और JavaScript, बिना किसी बैकएंड, API रूट्स, सर्वरलेस फंक्शन, डेटाबेस, ऑथेंटिकेशन या एनालिटिक्स के।

bosq में हमने यह क्यों बनाया?

bosq में हमारा तरीका है, स्कोप की स्पष्टता, इंक्रीमेंटल एग्जीक्यूशन और सत्यापन योग्य डिलिवरेबल्स। Falaí इस दर्शन का एक ठोस उदाहरण है: एक असली समस्या का हल, बिना की-कस्टडी, बिना खुद के सर्वर और बिना अंतिम उपयोगकर्ता के लिए किसी झंझट के, न्यूनतम तकनीकी सतह के साथ सिमल्टेनियस वॉयस ट्रांसलेशन कैसे दिया जाए।

AI को किसी भारी-भरकम स्टैक में दबी एक "जादुई" परत मानने की बजाय, हम ऐसे उत्पाद डिज़ाइन करना पसंद करते हैं जहाँ हर आर्किटेक्चरल निर्णय का एक स्पष्ट उद्देश्य हो। Falaí में यह एक browser-only आर्किटेक्चर के रूप में सामने आता है, जहाँ ब्राउज़र सीधे OpenAI की रियल-टाइम API से बात करता है, बिना किसी बिचौलिए के।

Browser-Only आर्किटेक्चर और BYOK

Falaí BYOK (Bring Your Own Key) मॉडल अपनाता है: उपयोगकर्ता ब्राउज़र में अपनी OpenAI की दर्ज करता है, और उपयोग की पूरी लागत उसी की के खाते में जाती है। यह एक सोची-समझी पसंद है, जिसके महत्वपूर्ण निहितार्थ हैं:

की केवल मेमोरी में रहती है।
इसे localStorage, sessionStorage या कुकीज़ में सेव नहीं किया जाता।
यह Falaí के किसी सर्वर से नहीं गुज़रती, क्योंकि Falaí के पास कोई सर्वर है ही नहीं।
पेज रीलोड या बंद करने पर यह मिट जाती है।

ब्राउज़र navigator.mediaDevices.getUserMedia, RTCPeerConnection और सबटाइटल डेल्टा के लिए oai-events डेटा चैनल का उपयोग करके सीधे OpenAI से जुड़ता है। अनुवादित ऑडियो एक <audio autoplay /> एलिमेंट में चलता है, और MVP में उपयोग किया गया मॉडल gpt-realtime-translate है, जो रियल-टाइम speech-to-speech ट्रांसलेशन के लिए बना है।

Conversation Dial: इंटरफ़ेस ही उत्पाद है

Falaí का एक केंद्रीय तत्व है Conversation Dial। यह कंट्रोल सक्रिय भाषा दिखाता है, और इंटरैक्शन दो इशारों में होती है: डायल घुमाने के लिए क्षैतिज रूप से खींचें और भाषा बदलें, और बोलने के लिए दबाए रखें। मौजूदा दिशा सीधे दिखती है, जैसे हिंदी → English।

"व्यक्ति A" और "व्यक्ति B" के लिए अलग-अलग बटन नहीं हैं। मुख्य इंटरफ़ेस में source, target, input या output जैसे शब्द नहीं हैं। यह सरलीकरण जानबूझकर है: यह उत्पाद एक वॉयस इंटरप्रेटर है, कोई तकनीकी प्लेग्राउंड नहीं। स्क्रीन की सादगी ही इसे असली बातचीत के बीच इस्तेमाल करना संभव बनाती है, बिना संवाद की लय तोड़े।

PWA और स्टैटिक डिस्ट्रीब्यूशन

Falaí में manifest.webmanifest, आइकन और public/sw.js में एक स्टैटिक सर्विस वर्कर शामिल है। बिल्ड के बाद dist/ फोल्डर को किसी भी स्टैटिक होस्टिंग पर पब्लिश किया जा सकता है, Netlify, Vercel static, Cloudflare Pages, GitHub Pages या किसी भी CDN पर, और ऐप को PWA के रूप में इंस्टॉल किया जा सकता है, HTTPS के ज़रिए माइक्रोफोन एक्सेस के साथ।

यह निर्णय BYOK की उसी सोच का अनुसरण करता है: शून्य इन्फ्रास्ट्रक्चर, शून्य आवर्ती लागत, उपयोगकर्ता डेटा की शून्य कस्टडी। ऐप शाब्दिक रूप से CDN द्वारा सर्व की जाने वाली स्टैटिक फाइलों का एक सेट है, और हर उपयोगकर्ता सीधे अपने ब्राउज़र से अपना सेशन चलाता है।

यह प्रोजेक्ट क्या दर्शाता है?

एक ट्रांसलेटर से कहीं बढ़कर, Falaí एक ऐसे निर्माण पैटर्न को प्रदर्शित करता है जिसे हम मूल्यवान मानते हैं:

जब उपयोग का मामला अनुमति दे, तो browser-only आर्किटेक्चर;
तृतीय-पक्ष की-कस्टडी के असली विकल्प के रूप में BYOK;
इंटरफ़ेस को उसके सबसे ज़रूरी इशारे तक आक्रामक रूप से सरल बनाना;
मध्यवर्ती परतें फिर से बनाए बिना रियल-टाइम API का सीधा उपयोग;
विकास, फोर्क और प्रयोग के लिए ओपन-सोर्स आधार।

यह पैटर्न कई अन्य परिदृश्यों में लागू किया जा सकता है: विशेष वॉयस असिस्टेंट, फील्ड कोपायलट, एक्सेसिबिलिटी टूल्स, ट्रैवल ऐप्स और हर वह मामला जहाँ बातचीत की लेटेंसी बैकएंड की जटिलता से ज़्यादा मायने रखती है।

सीमाएँ और प्रोडक्शन संबंधी सावधानियाँ

Falaí जानबूझकर एक MVP है। बिना बैकएंड के, ऐप में कोई डिफ़ॉल्ट की छुपाना संभव नहीं है, इसलिए BYOK स्वाभाविक विकल्प है, और उपयोगकर्ता को Falaí के लिए एक विशिष्ट की बनानी चाहिए, उचित सीमाओं और अनुमतियों के साथ। वास्तविक संगतता ब्राउज़र सपोर्ट, माइक्रोफोन, HTTPS और सीधी कॉल के लिए OpenAI की मौजूदा नीतियों पर निर्भर करती है। iOS Safari और Android Chrome को असली डिवाइस पर टेस्ट किया जाना चाहिए।

बड़े पैमाने के प्रोडक्शन परिदृश्य के लिए, सबसे सुरक्षित आर्किटेक्चर में एक न्यूनतम बैकएंड शामिल होगा जो एफेमेरल क्लाइंट सीक्रेट जेनरेट करे और ब्राउज़र में की को एक्सपोज़ होने से बचाए। यह वर्शन जानबूझकर ऐसा नहीं करता, ताकि ऐप को बिना किसी इन्फ्रास्ट्रक्चर लागत के स्टैटिक साइट/PWA के रूप में पब्लिश किया जा सके। विकास का रास्ता README में स्पष्ट रूप से बताया गया है।

प्रोजेक्ट एक्सप्लोर करें

अगर आप Falaí को आज़माना चाहते हैं, browser-only आर्किटेक्चर को समझना चाहते हैं, या इसे किसी रियल-टाइम वॉयस प्रोडक्ट के लिए शुरुआती बिंदु के रूप में उपयोग करना चाहते हैं, तो रिपॉज़िटरी ज़रूर देखें:

रिपॉज़िटरी: github.com/bosq-dev/falai

अगर आपकी कंपनी जटिल इंटरैक्शन को सरल उत्पादों में बदलना चाहती है, स्पष्टता, फोकस और उपयोग के मामले के अनुकूल आर्किटेक्चर के साथ, तो bosq से बात करें। हम ऐसे मॉड्यूल, कोपायलट, ऑटोमेशन और पाइपलाइन बनाते हैं जो कॉन्सेप्ट से निकलकर असली ऑपरेशन तक पहुँचते हैं।

Tags: #वॉयसट्रांसलेशन #कृत्रिमबुद्धिमत्ता #OpenAI #OpenSource #BYOK #BrowserOnly #PWA #ReactJS #TypeScript #WebRTC #सिमल्टेनियसट्रांसलेटर #ViteJS #TailwindCSS #FramerMotion #FrontendArchitecture #वॉयसऐप #RealtimeAPI #WebDevelopment #Bosq #Falaí