Pis transkriptin adətən bir-iki səbəbi olur və səhifədəki yanlışlar hansı olduğunu göstərir. Audio transkripsiya səhvlərinin yeddi geniş yayılmış səbəbi: hər birinin necə göründüyü, niyə baş verdiyi, yazıda və transkriptdə necə düzəldildiyi.
Audio transkripsiya səhvləri nadir hallarda təsadüfi olur. “Kubernetes” sözünü “Cooper Netties” yazan, iki nəfərin sözünü bir adın altına qoyan və danışan “on beş” dediyi yerdə “əlli” yazan transkript sizə nəyin pis getdiyini göstərir. Hər səbəb özünəməxsus səhv növü buraxır və hər birinin öz düzəlişi var. Bəzi düzəlişlər növbəti yazıya aiddir, bəziləri artıq əlinizdə olan transkriptə.
Bu bələdçi səhvdən başlayır. Aşağıdakı siyahıda transkriptinizə uyğun gələni tapın, sonra onun bölməsinə keçin: səhv necə görünür, niyə baş verir (sadə sözlərlə) və nə etməli.
Transkripsiya problemlərinin çoxu yeddi nümunəyə düşür. Əlaməti səbəblə uyğunlaşdırın:
İki səbəb tez-tez üst-üstə düşür. Səs-küylü kafedə qulaqlıqla qoşulan, ləhcəli uzaq qonaq eyni anda üç növ səhv yaradacaq. Əvvəl ən çox sətrə təsir edən səbəbi düzəldin: adətən əvvəl audionu, sonra dili, sonra sözləri.
Necə görünür. Kafedə çəkilmiş yazıda “Let's move the launch to March” cümləsi “Let's move the lunch to March” kimi gəlir. Qapı çırpılanda altda qalan söz yox olur. Kondisionerin uğultusu altında uzun sükut zamanı heç kimin demədiyi sətir, məsələn “Thank you for watching.” peyda olur.
Niyə baş verir. Nitq tanıma aldığı səs üçün ən ehtimal olunan sözləri təxmin edir. Küy nitqin sakit hissələrini birinci örtür: sözlərin sonlarını və aradakı qısa sözləri. Real siqnaldan az şey qaldıqca təxmin əsasən növbəti nəyin gəlməsinin adi olduğuna söykənir və “lunch” sözü “launch” sözündən daha geniş yayılıb. Heç bir nitq olmayan sabit küy üzərində bəzi sistemlər yenə də hazır ifadə yazır, çünki səs eşidəndə nəsə yazmaq üçün öyrədilib.
Yazıda düzəldin. Mikrofonu səsini artırmaq əvəzinə danışana yaxınlaşdırın. Məsafəni ikiqat artırmaq danışanın birbaşa səsini təxminən 6 dB azaldır, otaq küyü isə olduğu kimi qalır, ona görə yaxınlıq istənilən ayardan vacibdir. Mümkündürsə, yazı müddətində ventilyatorları və kondisioneri söndürün, şüşə və kafel əvəzinə yumşaq səthləri olan otaqda yazın.
Transkriptdə düzəldin. VocalStack-də küylü yazılarda dili avtomatik aşkarlamaya buraxmayın, danışılan dili özünüz göstərin. Dashboard-un öz qeydi də bunu deyir: dili göstərmək küylü yazılarda və güclü ləhcələrdə dəqiqliyi artırır. Canlı transkripsiya üçün Accuracy gecikmə rejimi çətin audioda daha az səhv müqabilində bir qədər çox gecikməni qəbul edir. Mühərrikin ən az əmin olduğu sətirlər (transkripsiyanın etibarlılıq həddindən aşağı, standart olaraq 0.60) dinləyicilərə təxmin əvəzinə “Audio unclear” kimi göstərilir və heç vaxt səslə oxunmur. Tam uydurma sətri əllə gizlətmək olar: gizlədilmiş sətirlər transkriptə, ixraclara, subtitrlərə və pleyerə düşmür.
Necə görünür. “The data shows a thirty percent rise” cümləsi “The data shows a dirty percent rise” olur. Səhvlər yazı boyu bir danışanı izləyir, qalan hamının sətirləri təmiz qalır.
Niyə baş verir. Tanıma sistemi sözlərin necə səsləndiyini öyrəndiyi nitqdən öyrənir. Danışan bir səsi həmin nitqin çoxundan fərqli tələffüz etdikdə, məsələn “th” səsini “d” kimi desə, sistem dediyini düz eşidir və həmin səsə ən yaxın gələn real sözü seçir. Avtomatik dil aşkarlama bunu daha da pisləşdirə bilər: güclü ləhcə işarələri tamam başqa dilə sürüşdürə bilər (bax: avtomatik dil aşkarlama necə işləyir).
Yazıda düzəldin. Canlı çıxış üçün başlamazdan əvvəl Reference Script əlavə edin (aşağıdakı jarqon bölməsinə baxın), beləliklə danışanın deyəcəyi sözlər əvvəlcədən məlum olsun. Yaxşı mikrofon hər ləhcəyə kömək edir, çünki hər səsin daha çox hissəsi mühərrikə çatır.
Transkriptdə düzəldin. Həmin yazı üçün danışılan dili göstərin. Sonra Fix tabından istifadə edin: Mark uncertain words mühərrikin əmin olmadığı sözləri rənglə və altından xətlə işarələyir, siz hər şeyi yenidən oxumaq əvəzinə qeyri-müəyyən seqmentləri bir-bir gəzə bilərsiniz. Mühərrik başqa sözləri də nəzərdən keçiribsə, onları təklif olunan düzəliş kimi verir, ona görə “dirty” sözünü “thirty”-yə çevirmək adətən bir kliklikdir. Play just this word dəyişməzdən əvvəl qulaqla yoxlamağa imkan verir.
Necə görünür. Bir danışan “So we agree on Tuesday?” soruşur, digəri “No, Thursday works” deyə kəsir. Transkript Speaker 1 altında tək sətir göstərir: “So we agree on Tuesday no Thursday works.” Yaxud əksi: görüşün ortasında həyəcanlanan bir adam Speaker 1 və Speaker 3 kimi görünür.
Niyə baş verir. Altda iki ayrı iş gedir. Nitq tanıma sözləri yazır; danışan diarizasiyası hər səsin necə səsləndiyinə görə kimin nə vaxt danışdığını müəyyən edir. Əksər sistemlər audionun hər hissəsinə bir danışan verir, ona görə iki nəfər eyni anda danışanda biri itirir. Birinin səsindəki dəyişiklik (həyəcan, yorğunluq, mikrofondan uzaqlıq) onu yeni adam kimi göstərə bilər. Danışan diarizasiyası ilə nitq tanıma məqaləsi hər iki işi ətraflı izah edir.
Yazıda düzəldin. Hər kəsə öz mikrofonunu verin. Bu bir dəyişiklik çoxlu danışan olan hallarda istənilən ayardan çox kömək edir. Panelde və ya auditoriya suallı görüşdə moderatordan xahiş edin ki, hər sualı cavabdan əvvəl öz mikrofonuna təkrarlasın.
Transkriptdə düzəldin. Danışan etiketləri ayarını seçin: When Needed (standart) ikinci səs eşidildikdən sonra sətirləri etiketləyir, On hər sətri etiketləyir, Off heç birini. Hər danışanı yazı zamanı və ya sonra adlandırın. Ad sözlərin üstündəki təbəqədir, ona görə mətni heç vaxt dəyişmir və transkripsiyanın hər yazısında həmin şəxsə tətbiq olunur. Tez-tez yazdığınız danışanı yadda saxlayın, sonrakı transkripsiyalar onu adı ilə tanıyacaq. İki cümləni birləşdirən sətri ikiyə bölmək olar: yeni sətrin başlandığı boşluğa toxunun.
Necə görünür. “We deployed it on Kubernetes” cümləsi “We deployed it on Cooper Netties” olur. “Ms Nguyen” “Miss Win” kimi yazılır. Dərman adı üç qısa ingilis sözünə çevrilir. Cümlənin qalanı normaldır.
Niyə baş verir. Sistem yalnız tanıdığı sözləri yaza bilir, ad isə çox vaxt bir dəfə keçir və ətrafında onu proqnozlaşdıracaq heç nə olmur. Sözü heç görməyibsə, ən yaxın səslənən adi sözləri seçir. Texniki terminlərin dəqiq transkripsiyası üçün ən çətin hal budur: cümlə heç bir ipucu vermir, ona görə heç bir kontekst kömək etmir.
Yazıda düzəldin. Sistemə sözləri danışan deməzdən əvvəl verin. VocalStack-də bu Reference Script-dir: başlamazdan əvvəl canlı çıxışın ssenarisini və ya slaydlarını, yaxud ad və terminlər siyahısını əlavə edin, onlardakı ad və terminlər səhv eşidilənin üzərində qalib gəlir. Çıxış zamanı ssenari teleprompter kimi transkriptin arxasınca gedir. Ssenarinin düzəltdiyi hər söz düzəlişlər arasında SCRIPT kimi işarələnir və danışan əslində başqa söz demişdisə, geri qaytarıla bilər.
Transkriptdə düzəldin. Adı bir dəfə düzəldin, qalan yerləri axtarışla yoxlayın. Transkripsiya canlı olarkən düzəlişlər bütün dinləyicilərə, onların oxuduğu hər dildə çatır, hər düzəliş siyahıda görünür və geri qaytarıla bilər. İxraclar (SRT, PDF, Excel, JSON) düzəlişləri daxil edir, ona görə subtitrlər və sənədlər düzəldilmiş yazılışı daşıyır.
Necə görünür. Çıxış ispan dilində salamlaşma ilə açılıb ingiliscə davam edir və ingiliscə hissə ispanca görünüşlü cəfəngiyyat kimi çıxır. Yaxud ingiliscə transkriptin ortasında bir neçə sətir qohum dildə görünür. Bəzi sistemlər yanlış dilə qurulduqda deyilənin əvəzinə təxmini tərcümə yazır.
Niyə baş verir. Dil göstərilmədikdə sistem onu səsdən, çox vaxt ilk bir neçə saniyədən aşkarlamalıdır. Salamlaşma, sitat və ya güclü ləhcə onu yanlış istiqamətə yönəldə bilər. Yanlış dili seçdikdən sonra həmin hissədəki bütün sözlər birlikdə səhv olur.
Yazıda düzəldin. Yazı bir dildədirsə, onu göstərin. İki və ya daha çox dil həqiqətən danışılırsa, aşkarlamanı açıq saxlayın ki, hər hissə öz dilində transkripsiya olunsun; birini göstərmək digərini ona məcbur edər. Canlı transkripsiyada dil işləyərkən dəyişdirilə bilər və dəyişiklik dərhal qüvvəyə minir.
Transkriptdə düzəldin. Yanlış dildə eşidilmiş sətri söz-söz düzəltmək olmaz, çünki içində düzgün heç nə yoxdur. VocalStack sətri yenidən transkripsiya edə bilər: onun əslində danışıldığı dili seçin, sətrin audiosu həmin dildə yenidən oxunacaq. Nəticə sətri adi düzəliş kimi əvəz edir və hər düzəliş kimi geri qaytarıla bilər.
Necə görünür. “The fees went up” cümləsi “The thieves went up” olur. “Free” və “three” yer dəyişir. Səhvlər bütün yazıya yayılır və zəngdəki uzaq danışanda ən pis olur.
Niyə baş verir. “F”, “s” və “th” səslərini ayıran əlamətlərin çoxu tezlik diapazonunun yuxarısında yerləşir. Telefon xətti təxminən 3.4 kHz-dən yuxarı heç nə ötürmür, Bluetooth qulaqlıq isə mikrofonunu tez-tez çox dar diapazonlu zəng rejiminə keçirir. Video zənglərdə aşağı bitreytli sıxma daha çoxunu silir. Sistem həmin səslərin artıq itdiyi audio alır və indi eyni səslənən sözlər arasında təxmin edir.
Yazıda düzəldin. Naqilli mikrofon və ya mikrofonu tam keyfiyyət rejimində qalan qulaqlıq istifadə edin. Mümkündürsə, zəngi yazmaq əvəzinə hər uzaq danışanı öz tərəfində yazın. Tədbir üçün otaqdakı noutbuk və ya telefon mikrofonu əvəzinə siqnalı audio mikşerdən götürün: VocalStack-in canlı qurulumu mikşerdən bir kabel götürür, telefonun daxili mikrofonu isə otaqdan daha çox səs tutur.
Transkriptdə düzəldin. Heç vaxt tutulmamış audionu nə maşın, nə insan bərpa edə bilər. Zədələnmiş hissələri tapmaq üçün qeyri-müəyyən söz işarələrindən istifadə edin, sətri dinləyib yoxlayın və eşitdiyinizi düzəldin. Nəyin deyildiyini heç kim seçə bilmirsə, sətri təxminlə saxlamaqdan gizlətmək daha dürüstdür.
Necə görünür. “Fifteen” sözü “fifty” olur. “One twenty” danışanın bir dollar iyirmi sent nəzərdə tutduğu yerdə “120” kimi yazılır. “The third of the fourth” səhv sıralı tarix kimi çıxır. Hər səhv bir sözdür, cümlənin qalan bütün sözləri düzgündür.
Niyə baş verir. “Fifteen” və “fifty” əsasən hansı hecanın vurğulanması ilə fərqlənir və bu fərq küy və ya sürətli danışan üzündən ilk itən şeydir. Danışıqdakı ədədlər yazılı ədədlərin ehtiyac duyduğu şeyləri də buraxır: vahidləri, onluq nöqtələrini, gün və ayın sırasını. Sistem formatı təxmin etməlidir və təxmini sizinki yox, ən geniş yayılmış olandır.
Yazıda düzəldin. Danışanlardan rəqəmləri vahidlə, tam desinlər: “one dollar twenty”, “the fifteenth of March”. Hazırlanmış çıxış üçün rəqəmləri ssenariyə qoyun.
Transkriptdə düzəldin. Transkript sitat gətirilməzdən, göndərilməzdən və ya dərc olunmazdan əvvəl önəmli hər rəqəmi qulaqla yoxlayın. Yanlış ədəd düzgün ədəd kimi oxunur, ona görə səhifədə heç nə xəbərdarlıq etmir. Söz səhv dərəcəsinin nəyi ölçdüyü və nəyi qaçırdığı məqaləsi tək yanlış rəqəmin səhv dərəcəsindəki payından niyə baha başa gəldiyini izah edir.
Transkriptdə çoxlu problem olduqda, bir düzəliş digəri ilə ləğv olunmasın deyə onları bu ardıcıllıqla düzəldin:
Sonra növbəti yazını asanlaşdırın: hər danışana mikrofon, göstərilmiş dil və adların olduğu ssenari. Audio transkripsiya səhvlərinin çoxu kimsə yazmağa başlamazdan əvvəl həll olunur.
Dinləmə, tibbi konsultasiya və ya tək yanlış sözün nəticəsi olan hər hal üçün transkript istifadə edilməzdən əvvəl, onu hansı sistem yaradıbsa, bir insan yoxlasın. Öz audionuzda bu səhvlərdən hansının baş verdiyini görmək üçün Dashboard-da bir yazı sınayın.