Лошата транскрипция обикновено има една или две причини, а грешките на страницата подсказват кои. Седем чести причини за грешки при аудио транскрипция: как изглежда всяка, защо се случва и как се поправя в записа и в самата транскрипция.
Грешките при аудио транскрипция рядко са случайни. Транскрипция, която превръща „Kubernetes“ в „Cooper Netties“, слага думите на двама души под едно име или пише „fifty“, където говорителят е казал „fifteen“, ви показва какво се е объркало. Всяка причина оставя свой вид грешка и има собствена поправка. Някои поправки са за следващия запис, други са за транскрипцията, която вече имате.
Това ръководство тръгва от грешката. Намерете в списъка по-долу тази, която съответства на вашата транскрипция, и отидете в нейния раздел: как изглежда грешката, защо се получава с прости думи и какво да направите.
Повечето проблеми с транскрипцията попадат в седем модела. Свържете симптома с причината:
Две причини често се натрупват. Отдалечен гост със слушалки в шумно кафене и с акцент ще произведе три вида грешки наведнъж. Поправете първо причината, която засяга най-много редове: обикновено звука, после езика, после думите.
Как изглежда. В запис, направен в кафене, „Let's move the launch to March“ излиза като „Let's move the lunch to March“. Дума под трясъка на врата изчезва. Над дълга тишина с бръмчащ климатик се появява ред, който никой не е казвал, например „Thank you for watching.“
Защо се случва. Разпознаването на реч налучква най-вероятните думи за получения звук. Шумът заглушава първо тихите части на речта: краищата на думите и късите думи между тях. С по-малко от истинския сигнал налучкването се опира повече на онова, което обикновено следва, а „lunch“ е по-честа дума от „launch“. При равномерен шум без никаква реч някои системи пак изкарват готова фраза, защото са обучени да пишат нещо, когато чуят звук.
Поправка в записа. Приближете микрофона до говорителя, вместо да усилвате. Удвояването на разстоянието намалява директния звук на говорителя с около 6 dB, докато шумът в стаята остава същият, така че близостта има по-голямо значение от всяка настройка. Изключете вентилаторите и климатика за времето на записа, ако можете, и записвайте в стая с меки повърхности, а не със стъкло и плочки.
Поправка в транскрипцията. При шумни записи във VocalStack задайте говоримия език, вместо да оставяте автоматичното откриване. Самата бележка в Dashboard го казва: посочването на езика подобрява точността при шумни записи и силни акценти. При транскрипция на живо режимът на латентност Accuracy приема малко повече закъснение в замяна на по-малко грешки при труден звук. Редовете, в които двигателят е най-несигурен (под прага на увереност на транскрипцията, по подразбиране 0.60), се показват на слушателите като „Audio unclear“ вместо предположение и никога не се прочитат на глас. Ред, който е чиста измислица, може да се скрие ръчно: скритите редове се пропускат от транскрипцията, експортите, субтитрите и плейъра.
Как изглежда. „The data shows a thirty percent rise“ става „The data shows a dirty percent rise“. Грешките следват един говорител през целия запис, докато редовете на всички останали са чисти.
Защо се случва. Системата за разпознаване научава как звучат думите от речта, върху която е обучена. Когато говорителят произнася звук различно от повечето в тази реч, например „th“ като „d“, системата чува точно казаното и избира реалната дума, която най-добре съвпада с този звук. Автоматичното откриване на език може да влоши нещата: силен акцент може да измести признаците към съвсем друг език (вижте как работи автоматичното откриване на език).
Поправка в записа. За реч на живо добавете Reference Script преди началото (вижте раздела за жаргона по-долу), така че думите, които говорителят вероятно ще каже, да са известни предварително. Добрият микрофон помага при всеки акцент, защото до двигателя стига повече от всеки звук.
Поправка в транскрипцията. Посочете говоримия език за този запис. След това използвайте раздела Fix: Mark uncertain words оцветява и подчертава думите, в които двигателят не е бил сигурен, и можете да минавате през несигурните сегменти един по един, вместо да четете всичко отново. Където двигателят е обмислял други думи, ги предлага като предложени поправки, така че замяната на „dirty“ с „thirty“ обикновено е едно щракване. Play just this word ви позволява да проверите на слух, преди да промените.
Как изглежда. Един говорител пита „So we agree on Tuesday?“, а друг се намесва с „No, Thursday works“. Транскрипцията показва един ред под Speaker 1: „So we agree on Tuesday no Thursday works.“ Или обратното: човек, който се е оживил по средата на срещата, се появява като Speaker 1 и Speaker 3.
Защо се случва. Отдолу работят две отделни задачи. Разпознаването на реч пише думите; диаризацията на говорителите решава кой кога е говорил според това как звучи всеки глас. Повечето системи дават на всеки участък от звука един говорител, така че когато двама души говорят едновременно, единият губи. Промяна в гласа на някого (развълнуван, уморен, по-далеч от микрофона) може да го накара да изглежда като нов човек. Диаризация на говорители срещу разпознаване на реч обяснява подробно двете задачи.
Поправка в записа. Дайте на всеки човек собствен микрофон. Тази единствена промяна помага при множество говорители повече от всяка настройка. При панел или среща с въпроси от публиката помолете модератора да повтори всеки въпрос в собствения си микрофон, преди да бъде даден отговор.
Поправка в транскрипцията. Изберете настройката за етикети на говорителите: When Needed (по подразбиране) слага етикети, щом се чуе втори глас, On етикетира всеки ред, Off не етикетира нищо. Назовете всеки говорител по време на записа или след него. Името е слой върху думите, така че никога не променя текста и важи за този човек във всеки запис на транскрипцията. Запазете говорител, когото записвате често, и по-късните транскрипции ще го разпознават по име. Ред, който слива две изречения, може да се раздели на две: докоснете мястото, където започва новият ред.
Как изглежда. „We deployed it on Kubernetes“ става „We deployed it on Cooper Netties“. „Ms Nguyen“ става „Miss Win“. Името на лекарство се превръща в три къси английски думи. Останалата част от изречението е наред.
Защо се случва. Системата може да пише само думи, които познава, а името често се появява веднъж, без нищо около него, от което да се предскаже. Когато не е виждала думата, избира обикновените думи, които звучат най-близо. Това е най-трудният случай за точна транскрипция на техническа терминология: изречението не дава никакъв ориентир, така че никакъв контекст не го поправя.
Поправка в записа. Дайте на системата думите, преди говорителят да ги изрече. Във VocalStack това е Reference Script: добавете сценария или слайдовете на речта на живо, или списък с имена и термини, преди да започнете, и имената и термините от него надделяват над чутото погрешно. По време на речта сценарият следва транскрипцията като телесуфльор. Всяка дума, поправена от сценария, е отбелязана със SCRIPT сред поправките и може да се отмени, ако говорителят наистина е казал нещо друго.
Поправка в транскрипцията. Поправете името веднъж и проверете останалото с търсене. Поправките стигат до всеки слушател, докато транскрипцията е на живо, на всеки език, на който четат, и всяка поправка е изброена и може да се отмени. Експортите (SRT, PDF, Excel, JSON) включват поправките, така че субтитрите и документите носят поправеното изписване.
Как изглежда. Реч започва с поздрав на испански и продължава на английски, а английският излиза като приличаща на испански безсмислица. Или няколко реда в средата на английска транскрипция се появяват на сроден език. Някои системи, настроени на грешен език, пишат приблизителен превод вместо казаното.
Защо се случва. Когато не е посочен език, системата трябва да го открие по звука, често от първите няколко секунди. Поздрав, цитат или силен акцент могат да я насочат погрешно. След като избере грешен език, всяка дума в този участък е грешна едновременно.
Поправка в записа. Ако записът е на един език, посочете го. Оставете откриването включено, когато наистина се говорят два или повече езика, така че всяка част да се транскрибира на своя език; посочването на единия би принудило другия в него. При транскрипция на живо езикът може да се променя, докато върви, и промяната влиза в сила веднага.
Поправка в транскрипцията. Ред, чут на грешен език, не може да се поправи дума по дума, защото нищо в него не е вярно. VocalStack може да транскрибира реда отново: изберете езика, на който наистина е казан, и звукът на реда се чете отново на този език. Резултатът замества реда като обикновена поправка със същата отмяна като всяка друга.
Как изглежда. „The fees went up“ става „The thieves went up“. „Free“ и „three“ си разменят местата. Грешките се разпространяват по целия запис и са най-лоши при отдалечения говорител по телефон.
Защо се случва. Много от звуците, които разграничават „f“, „s“ и „th“, са във високата част на честотния обхват. Телефонната линия не пренася нищо над около 3,4 kHz, а Bluetooth слушалките често превключват микрофона си в режим за разговор с много по-тесен обхват. Компресията с ниско битрейт във видеообажданията премахва още повече. Системата получава звук, в който тези звуци вече ги няма, и налучква между думи, които вече звучат еднакво.
Поправка в записа. Използвайте кабелен микрофон или слушалки, чийто микрофон остава в режим с пълно качество. Ако можете, записвайте всеки отдалечен говорител от неговата страна, вместо да записвате обаждането. За събитие вземете сигнала от аудио миксера, а не от микрофона на лаптоп или телефон в залата: настройката на живо на VocalStack взема един кабел от миксера, а вграденият микрофон на телефона улавя повече от стаята.
Поправка в транскрипцията. Звук, който никога не е бил уловен, не може да се възстанови нито от машина, нито от човек. Използвайте отметките за несигурни думи, за да намерите повредените участъци, пуснете реда, за да проверите, и поправете каквото чувате. Където никой не може да каже какво е казано, скриването на реда е по-честно от предположението.
Как изглежда. „Fifteen“ става „fifty“. „One twenty“ става „120“, когато говорителят е имал предвид един долар и двадесет цента. „The third of the fourth“ излиза като дата в грешен ред. Всяка грешка е една дума, а всички други думи в изречението са верни.
Защо се случва. „Fifteen“ и „fifty“ се различават главно по ударената сричка, а тази разлика е първата, която се губи от шум или бърз говорител. Изговорените числа пропускат и това, от което писаните се нуждаят: мерни единици, десетични знаци, реда на деня и месеца. Системата трябва да налучка формата и налучкването ѝ е най-честият, а не вашият.
Поправка в записа. Помолете говорителите да казват числата изцяло, с мерна единица: „one dollar twenty“, „the fifteenth of March“. За подготвена реч сложете числата в сценария.
Поправка в транскрипцията. Проверете на слух всяко важно число, преди транскрипцията да бъде цитирана, изпратена или публикувана. Грешното число се чете като вярно, така че нищо на страницата не ви предупреждава. Какво измерва процентът грешни думи и какво пропуска обяснява защо едно грешно число струва повече от дела си в процента грешки.
Когато транскрипцията има много проблеми, поправяйте ги в този ред, за да не бъде никоя поправка отменена от следващата:
После улеснете следващия запис: микрофон за всеки говорител, посочен език и сценарий с имената в него. Повечето грешки при аудио транскрипция се решават, преди някой да натисне запис.
За съдебно заседание, медицинска консултация или всичко, където една грешна дума има последици, нека човек провери транскрипцията, преди да се използва, коя и да е система да я е произвела. За да видите какви грешки дава собственият ви звук, опитайте запис в Dashboard.