للتفريغ السيئ عادةً سبب أو سببان، والأخطاء الظاهرة في الصفحة تدلّك عليهما. سبعة أسباب شائعة لأخطاء التفريغ النصي للصوت، وكيف يبدو كل منها، ولماذا يحدث، وإصلاحه في التسجيل وفي النص.
نادرًا ما تكون أخطاء التفريغ النصي للصوت عشوائية. فالنص الذي يحوّل «Kubernetes» إلى «Cooper Netties»، أو يضع كلام شخصين تحت اسم واحد، أو يكتب «fifty» حيث قال المتحدث «fifteen»، يُريك ما الذي حدث. فلكل سبب نوعه الخاص من الأخطاء، ولكل منها إصلاحه. بعض الإصلاحات مكانها التسجيل القادم، وبعضها النص الذي بين يديك الآن.
يبدأ هذا الدليل من الخطأ نفسه. ابحث في القائمة أدناه عن الخطأ الذي يشبه نصّك، ثم انتقل إلى قسمه: كيف يبدو الخطأ، ولماذا يحدث بكلمات بسيطة، وماذا تفعل حياله.
تندرج معظم مشكلات التفريغ تحت سبعة أنماط. طابِق العَرَض مع السبب:
كثيرًا ما يجتمع سببان معًا. فضيف بعيد يضع سماعة رأس في مقهى صاخب ويتكلم بلهجة سيُنتج ثلاثة أنواع من الأخطاء دفعة واحدة. أصلح أولًا السبب الذي يؤثر في أكبر عدد من الأسطر: عادةً الصوت، ثم اللغة، ثم الكلمات.
كيف يبدو. في تسجيل أُجري في مقهى، تعود جملة «Let's move the launch to March» على هيئة «Let's move the lunch to March». وتختفي كلمة تحت صوت إغلاق باب. وفوق صمت طويل يعلوه أزيز مكيّف يظهر سطر لم يقله أحد، مثل «Thank you for watching.»
لماذا يحدث. يخمّن التعرّف على الكلام أرجح الكلمات للصوت الذي يستقبله. والضوضاء تغطي الأجزاء الخافتة من الكلام أولًا: أواخر الكلمات والكلمات القصيرة بينها. وكلما قلّ ما يصل من الإشارة الحقيقية، زاد اعتماد التخمين على ما يأتي عادةً بعد ذلك، و«lunch» كلمة أشيع من «launch». وفوق ضوضاء ثابتة لا كلام فيها أصلًا، تكتب بعض الأنظمة عبارة جاهزة مع ذلك، لأنها تدرّبت على كتابة شيء ما كلما سمعت صوتًا.
أصلحه في التسجيل. قرِّب الميكروفون من المتحدث بدلًا من رفع مستوى الصوت. فمضاعفة المسافة تخفض الصوت المباشر للمتحدث بنحو 6 dB بينما تبقى ضوضاء الغرفة كما هي، لذلك القرب أهم من أي إعداد. أطفئ المراوح والمكيّفات أثناء التسجيل إن أمكن، وسجّل في غرفة ذات أسطح ناعمة لا في غرفة من الزجاج والبلاط.
أصلحه في النص. في VocalStack، حدّد اللغة المنطوقة في التسجيلات الصاخبة بدلًا من تركها على الاكتشاف التلقائي. وملاحظة لوحة التحكم نفسها تقول ذلك: تحديد اللغة يحسّن الدقة في التسجيلات الصاخبة واللهجات الثقيلة. وفي التفريغ النصي المباشر، يقبل وضع زمن الاستجابة Accuracy تأخيرًا أكبر قليلًا مقابل أخطاء أقل في الصوت الصعب. والأسطر التي يكون المحرّك أقل ثقة بها (دون عتبة الثقة الخاصة بالتفريغ، وهي 0.60 افتراضيًا) تُعرض للمستمعين على أنها «Audio unclear» بدل التخمين، ولا تُقرأ بصوت مسموع أبدًا. أما السطر الذي هو اختلاق محض فيمكن إخفاؤه يدويًا: الأسطر المخفية تُستبعد من النص ومن الملفات المصدَّرة والترجمات المصاحبة والمشغّل.
كيف يبدو. تصبح «The data shows a thirty percent rise» هي «The data shows a dirty percent rise». وتلاحق الأخطاءُ متحدثًا واحدًا على امتداد التسجيل، بينما تبقى أسطر الجميع نظيفة.
لماذا يحدث. يتعلم نظام التعرّف كيف تبدو الكلمات من الكلام الذي تدرّب عليه. وحين ينطق متحدث صوتًا بطريقة تخالف معظم ذلك الكلام، كنطق «th» على أنها «d»، يسمع النظام بدقة ما قيل، ويختار الكلمة الحقيقية الأقرب إلى ذلك الصوت. وقد يزيد الاكتشاف التلقائي للغة الأمر سوءًا: فاللهجة القوية قد تدفع القرائن نحو لغة أخرى تمامًا (انظر كيف يعمل الاكتشاف التلقائي للغة).
أصلحه في التسجيل. في حديث مباشر، أضِف Reference Script قبل البدء (انظر قسم المصطلحات أدناه)، لتكون الكلمات التي يُرجَّح أن ينطقها المتحدث معروفة سلفًا. والميكروفون الجيد يفيد مع كل لهجة، لأن قدرًا أكبر من كل صوت يصل إلى المحرّك.
أصلحه في النص. حدّد اللغة المنطوقة لذلك التسجيل. ثم استخدم تبويب Fix: يلوّن Mark uncertain words الكلمات التي لم يكن المحرّك متأكدًا منها ويضع تحتها خطًا، ويمكنك المرور على المقاطع غير المؤكدة واحدًا واحدًا بدل إعادة قراءة كل شيء. وحيث نظر المحرّك في كلمات أخرى، يعرضها على أنها تصحيحات مقترحة، فتصحيح «dirty» إلى «thirty» غالبًا نقرة واحدة. ويتيح لك Play just this word التحقق بالأذن قبل أن تغيّر شيئًا.
كيف يبدو. يسأل متحدث «So we agree on Tuesday?» بينما يقاطعه آخر بـ«No, Thursday works». فيعرض النص سطرًا واحدًا تحت Speaker 1: «So we agree on Tuesday no Thursday works.» أو العكس: شخص واحد احتدّ حماسه في منتصف الاجتماع يظهر على أنه Speaker 1 وSpeaker 3.
لماذا يحدث. تعمل مهمتان منفصلتان تحت السطح. يكتب التعرّف على الكلام الكلمات؛ ويقرّر تمييز المتحدثين (diarization) من تكلّم ومتى، بحسب طريقة سماع كل صوت. ومعظم الأنظمة تعطي كل مقطع صوتي متحدثًا واحدًا، فإذا تكلم اثنان معًا خسر أحدهما. وتغيّر صوت أحدهم (متحمس، متعب، أبعد عن الميكروفون) قد يجعله يبدو شخصًا جديدًا. ويشرح تمييز المتحدثين مقابل التعرّف على الكلام المهمتين بالتفصيل.
أصلحه في التسجيل. أعطِ كل شخص ميكروفونه الخاص. فهذا التغيير وحده يفعل لتعدد المتحدثين أكثر من أي إعداد. وفي ندوة أو اجتماع فيه أسئلة من الحضور، اطلب من المدير أن يكرر كل سؤال في ميكروفونه قبل الإجابة عنه.
أصلحه في النص. اختر إعداد تسميات المتحدثين: يضع When Needed (الافتراضي) التسميات على الأسطر متى سُمع صوت ثانٍ، ويضعها On على كل سطر، ولا يضع Off أيًّا منها. سمِّ كل متحدث أثناء التسجيل أو بعده. الاسم طبقة فوق الكلمات، فلا يغيّر النص أبدًا، ويسري على ذلك الشخص في كل تسجيل ضمن التفريغ. احفظ متحدثًا تسجّله كثيرًا، فتتعرف عليه التفريغات اللاحقة بالاسم. والسطر الذي يضمّ جملتين معًا يمكن فصله إلى سطرين: اضغط على الفاصل حيث يبدأ السطر الجديد.
كيف يبدو. تصبح «We deployed it on Kubernetes» هي «We deployed it on Cooper Netties». ويصبح «Ms Nguyen» هو «Miss Win». ويتحول اسم دواء إلى ثلاث كلمات إنجليزية قصيرة. وبقية الجملة سليمة.
لماذا يحدث. لا يستطيع النظام أن يكتب إلا الكلمات التي يعرفها، والاسم كثيرًا ما يرد مرة واحدة دون ما حوله يُتنبأ به. فإذا لم يرَ الكلمة قط، اختار الكلمات العادية الأقرب في السماع. وهذه أصعب حالة في التفريغ الدقيق للمصطلحات التقنية: فالجملة لا تعطي أي دليل، فلا ينفع أي قدر من السياق.
أصلحه في التسجيل. أعطِ النظام الكلمات قبل أن ينطقها المتحدث. وفي VocalStack يكون ذلك عبر Reference Script: أضِف نص الحديث المباشر أو شرائحه، أو قائمة بالأسماء والمصطلحات، قبل البدء، فتتغلب الأسماء والمصطلحات منها على ما سُمع خطأً. وأثناء الحديث يتتبّع النص مسار التفريغ كجهاز التلقين. وكل كلمة صحّحها النص موسومة بـSCRIPT بين التصحيحات، ويمكن التراجع عنها إن كان المتحدث قد قال فعلًا شيئًا آخر.
أصلحه في النص. صحّح الاسم مرة واحدة وافحص بقية المواضع بالبحث. تصل التصحيحات إلى كل مستمع ما دام التفريغ مباشرًا، وبكل لغة يقرأ بها، وكل تصحيح مدرج ويمكن التراجع عنه. وتتضمن الملفات المصدَّرة (SRT وPDF وExcel وJSON) التصحيحات، فتحمل الترجمات المصاحبة والمستندات الإملاء المصحَّح.
كيف يبدو. يبدأ حديث بتحية بالإسبانية ويستمر بالإنجليزية، فتخرج الإنجليزية هراءً يشبه الإسبانية. أو تظهر أسطر قليلة في منتصف نص إنجليزي بلغة قريبة منها. وبعض الأنظمة، إذا ضُبطت على لغة خاطئة، تكتب ترجمة تقريبية بدل ما قيل.
لماذا يحدث. حين لا تُذكر لغة، يجب على النظام اكتشافها من الصوت، وغالبًا من الثواني الأولى. وقد توجّهه تحية أو اقتباس أو لهجة قوية وجهة خاطئة. وبمجرد اختياره لغة خاطئة، تصير كل كلمة في ذلك المقطع خاطئة معًا.
أصلحه في التسجيل. إذا كان التسجيل بلغة واحدة، فحدّدها. واترك الاكتشاف مفعّلًا حين تُنطق لغتان أو أكثر فعلًا، ليُفرَّغ كل جزء بلغته؛ فتحديد إحداهما كان سيُجبر الأخرى على الدخول فيها. وفي التفريغ المباشر يمكن تغيير اللغة أثناء سيره، ويسري التغيير فورًا.
أصلحه في النص. السطر الذي سُمع بلغة خاطئة لا يمكن إصلاحه كلمة كلمة، لأنه لا شيء فيه صحيح. يستطيع VocalStack إعادة تفريغ السطر: اختر اللغة التي نُطق بها فعلًا، فيُقرأ صوت السطر مرة أخرى بتلك اللغة. وتحلّ النتيجة محل السطر كتصحيح عادي، وله التراجع نفسه كأي تصحيح آخر.
كيف يبدو. تصبح «The fees went up» هي «The thieves went up». وتتبادل «Free» و«three» مكانيهما. وتنتشر الأخطاء في التسجيل كله، وهي أسوأ مع المتحدث البعيد على المكالمة.
لماذا يحدث. كثير من الأصوات التي تميّز «f» و«s» و«th» تقع في أعلى نطاق التردد. وخط الهاتف لا ينقل شيئًا فوق نحو 3.4 kHz، وكثيرًا ما تحوّل سماعة البلوتوث ميكروفونها إلى وضع مكالمة بنطاق أضيق بكثير. وضغط معدل البت المنخفض في مكالمات الفيديو يزيل أكثر. فيتلقى النظام صوتًا ضاعت منه تلك الأصوات أصلًا، ويخمّن بين كلمات صارت تُسمع متطابقة.
أصلحه في التسجيل. استخدم ميكروفونًا سلكيًا، أو سماعة رأس يبقى ميكروفونها في وضع الجودة الكاملة. سجّل كل متحدث بعيد من جانبه إن أمكن، بدل تسجيل المكالمة. وفي فعالية، خذ الإشارة من مازج الصوت بدل ميكروفون حاسوب محمول أو هاتف في القاعة: يأخذ إعداد VocalStack المباشر كابلًا واحدًا من المازج، بينما يلتقط ميكروفون الهاتف المدمج من القاعة أكثر.
أصلحه في النص. الصوت الذي لم يُلتقط لا يمكن استرجاعه، لا بآلة ولا ببشر. استعن بعلامات الكلمات غير المؤكدة لتجد المقاطع التالفة، وشغّل السطر لتتحقق، وصحّح ما تسمعه. وحيث لا يستطيع أحد معرفة ما قيل، فإخفاء السطر أصدق من ترك تخمين.
كيف يبدو. تصبح «Fifteen» هي «fifty». وتصبح «One twenty» هي «120» والمتحدث يقصد دولارًا وعشرين سنتًا. وتخرج «The third of the fourth» تاريخًا بترتيب خاطئ. وكل خطأ كلمة واحدة، وكل كلمة أخرى في الجملة صحيحة.
لماذا يحدث. يختلف «Fifteen» عن «fifty» أساسًا في المقطع الذي يقع عليه النبر، وهذا الفرق أول ما يضيع مع الضوضاء أو سرعة المتحدث. والأرقام المنطوقة تحذف أيضًا ما تحتاجه المكتوبة: الوحدات والفواصل العشرية وترتيب اليوم والشهر. فعلى النظام أن يخمّن الصيغة، وتخمينه هو الأشيع، لا صيغتك.
أصلحه في التسجيل. اطلب من المتحدثين نطق الأرقام كاملة مع الوحدة: «one dollar twenty»، «the fifteenth of March». وفي حديث معدّ مسبقًا، ضع الأرقام في النص.
أصلحه في النص. افحص كل رقم مهم بالأذن قبل أن يُقتبس النص أو يُرسل أو يُنشر. فالرقم الخاطئ يُقرأ كالصحيح، فلا شيء في الصفحة ينبّهك. ويشرح ما الذي يقيسه معدل خطأ الكلمات، وما الذي يفوته لماذا يكلّف رقم خاطئ واحد أكثر من نصيبه من معدل الخطأ.
حين يكون في النص مشكلات كثيرة، أصلحها بهذا الترتيب كي لا يُبطل إصلاحٌ إصلاحًا سبقه:
ثم اجعل التسجيل القادم أسهل: ميكروفون لكل متحدث، واللغة محددة، ونص فيه الأسماء. فمعظم أخطاء التفريغ النصي للصوت تُحسم قبل أن يضغط أحد على زر التسجيل.
وفي جلسة استماع قضائية أو استشارة طبية أو أي موضع يترتب فيه على كلمة خاطئة واحدة عواقب، دع شخصًا يراجع النص قبل استخدامه، أيًّا كان النظام الذي أنتجه. ولترى أي هذه الأخطاء ينتجها صوتك أنت، جرّب تسجيلًا في لوحة التحكم.