Loš transkript obično ima jedan ili dva uzroka, a greške na stranici govore koji su. Sedam čestih uzroka grešaka u transkripciji zvuka, kako izgleda svaki od njih, zašto nastaje i kako ga popraviti u snimku i u transkriptu.
Greške u transkripciji zvuka rijetko su slučajne. Transkript u kojem „Kubernetes” postane „Cooper Netties”, u kojem su riječi dvije osobe upisane pod jedno ime ili u kojem piše „fifty” kad je govornik rekao „fifteen” pokazuje vam šta je pošlo po zlu. Svaki uzrok ostavlja svoju vrstu greške i svaki ima svoj lijek. Neki se lijekovi tiču sljedećeg snimanja, a neki transkripta koji već imate.
Ovaj vodič polazi od greške. U spisku ispod pronađite onu koja odgovara vašem transkriptu, a zatim idite na njen odjeljak: kako greška izgleda, zašto nastaje jednostavnim riječima i šta učiniti.
Većina problema s transkripcijom spada u sedam obrazaca. Povežite simptom s uzrokom:
Dva uzroka se često nakupe. Udaljeni gost na slušalicama u bučnom kafiću, koji govori s akcentom, proizvest će tri vrste grešaka odjednom. Prvo popravite uzrok koji pogađa najviše linija: obično je to zvuk, zatim jezik, pa riječi.
Kako izgleda. U snimku napravljenom u kafiću „Let's move the launch to March” vrati se kao „Let's move the lunch to March”. Riječ ispod zalupljenih vrata nestane. Preko duge tišine uz brujanje klima-uređaja pojavi se linija koju niko nije izgovorio, na primjer „Thank you for watching.”
Zašto nastaje. Prepoznavanje govora pogađa najvjerovatnije riječi za zvuk koji primi. Šum prvo prekriva tihe dijelove govora: krajeve riječi i kratke riječi među njima. Kad je pravog signala manje, nagađanje se više oslanja na ono što obično slijedi, a „lunch” je češća riječ od „launch”. Preko ravnomjernog šuma bez ikakvog govora neki sistemi ipak proizvedu ustaljenu frazu, jer su naučeni da napišu nešto kad god čuju zvuk.
Popravite u snimku. Primaknite mikrofon govorniku umjesto da ga pojačavate. Udvostručenje udaljenosti smanjuje direktni zvuk govornika za oko 6 dB, dok šum prostorije ostaje isti, pa je blizina važnija od bilo koje postavke. Ako možete, isključite ventilatore i klimu za vrijeme snimanja i snimajte u prostoriji s mekim površinama, a ne sa staklom i pločicama.
Popravite u transkriptu. U VocalStacku na bučnim snimcima navedite govorni jezik umjesto da ostavite automatsko otkrivanje. To kaže i sama napomena u kontrolnoj ploči: navođenje jezika poboljšava tačnost na bučnim snimcima i jakim akcentima. Kod transkripcije uživo način kašnjenja Accuracy prihvata malo veće kašnjenje u zamjenu za manje grešaka na teškom zvuku. Linije u koje je motor najmanje siguran (ispod praga pouzdanosti transkripcije, koji je prema zadanim postavkama 0.60) slušaocima se prikazuju kao „Audio unclear” umjesto pogađanja i nikad se ne čitaju naglas. Linija koja je čista izmišljotina može se sakriti ručno: skrivene linije izostavljaju se iz transkripta, izvoza, titlova i plejera.
Kako izgleda. „The data shows a thirty percent rise” postane „The data shows a dirty percent rise”. Greške prate jednog govornika kroz snimak, dok su linije svih ostalih čiste.
Zašto nastaje. Sistem za prepoznavanje uči kako riječi zvuče iz govora na kojem je treniran. Kad govornik neki glas izgovara drukčije nego većina tog govora, na primjer „th” kao „d”, sistem čuje tačno ono što je rečeno i bira stvarnu riječ koja tom zvuku najbolje odgovara. Automatsko otkrivanje jezika može pogoršati stvar: jak akcenat može pomjeriti znakove prema sasvim drugom jeziku (pogledajte kako radi automatsko otkrivanje jezika).
Popravite u snimku. Za govor uživo dodajte Reference Script prije početka (pogledajte odjeljak o stručnim izrazima ispod), pa riječi koje će govornik vjerovatno reći već budu poznate. Dobar mikrofon pomaže svakom akcentu, jer do motora stiže više svakog glasa.
Popravite u transkriptu. Navedite govorni jezik za taj snimak. Zatim koristite karticu Fix: Mark uncertain words boji i podvlači riječi u kojima motor nije bio siguran, a kroz nesigurne segmente možete prolaziti jedan po jedan umjesto da ponovo čitate sve. Gdje je motor razmatrao druge riječi, nudi ih kao predložene ispravke, pa je ispravljanje „dirty” u „thirty” obično jedan klik. Play just this word omogućava da provjerite sluhom prije nego što nešto promijenite.
Kako izgleda. Jedan govornik pita „So we agree on Tuesday?”, a drugi upada s „No, Thursday works”. Transkript prikazuje jednu liniju pod Speaker 1: „So we agree on Tuesday no Thursday works.” Ili obrnuto: jedna osoba koja se usred sastanka uzbudila pojavljuje se kao Speaker 1 i Speaker 3.
Zašto nastaje. Ispod se izvršavaju dva odvojena posla. Prepoznavanje govora piše riječi, a diarizacija govornika odlučuje ko je kada govorio, prema tome kako zvuči svaki glas. Većina sistema svakom dijelu zvuka dodjeljuje jednog govornika, pa kad dvije osobe govore istovremeno, jedna gubi. Promjena nečijeg glasa (uzbuđenje, umor, veća udaljenost od mikrofona) može ga učiniti nalik novoj osobi. Diarizacija govornika i prepoznavanje govora detaljno objašnjava oba posla.
Popravite u snimku. Svakoj osobi dajte njen mikrofon. Ta jedna promjena za više govornika čini više od bilo koje postavke. Na panelu ili sastanku s pitanjima publike zamolite moderatora da svako pitanje ponovi u svoj mikrofon prije nego što dobije odgovor.
Popravite u transkriptu. Odaberite postavku oznaka govornika: When Needed (zadano) označava linije čim se čuje drugi glas, On označava svaku liniju, Off ne označava nijednu. Imenujte svakog govornika tokom snimanja ili poslije njega. Ime je sloj preko riječi, pa nikad ne mijenja tekst i važi za tu osobu u svakom snimku transkripcije. Spremite govornika kojeg često snimate, pa će ga kasnije transkripcije prepoznati po imenu. Linija u kojoj su spojene dvije rečenice može se podijeliti na dvije: dodirnite razmak gdje počinje nova linija.
Kako izgleda. „We deployed it on Kubernetes” postane „We deployed it on Cooper Netties”. „Ms Nguyen” postane „Miss Win”. Naziv lijeka pretvori se u tri kratke engleske riječi. Ostatak rečenice je u redu.
Zašto nastaje. Sistem može napisati samo riječi koje poznaje, a ime se često pojavi jednom, bez ičega oko sebe iz čega bi se moglo predvidjeti. Kad riječ nikad nije vidio, bira obične riječi koje zvuče najbliže. Ovo je najteži slučaj za tačnu transkripciju stručne terminologije: rečenica ne daje nikakav trag, pa nikakav kontekst ne pomaže.
Popravite u snimku. Dajte sistemu riječi prije nego što ih govornik izgovori. U VocalStacku je to Reference Script: prije početka dodajte tekst ili slajdove govora uživo, ili spisak imena i izraza, pa imena i izrazi iz njega imaju prednost nad pogrešno shvaćenim riječima. Tokom govora skripta prati transkript kao teleprompter. Svaka riječ koju je skripta ispravila označena je s SCRIPT među ispravkama i može se poništiti ako je govornik zaista rekao nešto drugo.
Popravite u transkriptu. Jednom ispravite ime, a ostalo provjerite pretragom. Ispravke stižu do svih slušalaca dok je transkripcija uživo, na svakom jeziku na kojem čitaju, a svaka ispravka je navedena i može se poništiti. Izvozi (SRT, PDF, Excel, JSON) uključuju ispravke, pa titlovi i dokumenti nose ispravljeno pisanje.
Kako izgleda. Govor počinje pozdravom na španskom, a nastavlja se na engleskom, i engleski izađe kao besmislica nalik španskom. Ili se nekoliko linija usred engleskog transkripta pojavi na srodnom jeziku. Neki sistemi, postavljeni na pogrešan jezik, umjesto onoga što je rečeno napišu približan prijevod.
Zašto nastaje. Kad jezik nije naveden, sistem ga mora otkriti iz zvuka, često iz prvih nekoliko sekundi. Pozdrav, citat ili jak akcenat mogu ga usmjeriti pogrešno. Kad jednom odabere pogrešan jezik, sve riječi na toj dionici pogrešne su zajedno.
Popravite u snimku. Ako je snimak na jednom jeziku, navedite ga. Otkrivanje ostavite uključenim kad se zaista govori dva ili više jezika, da se svaki dio transkribira na svom jeziku; navođenje jednog natjeralo bi drugi u njega. Kod transkripcije uživo jezik se može promijeniti dok traje, a promjena važi odmah.
Popravite u transkriptu. Linija prepoznata na pogrešnom jeziku ne može se popraviti riječ po riječ, jer u njoj ništa nije tačno. VocalStack može ponovo transkribirati liniju: odaberite jezik na kojem je zaista izgovorena i zvuk te linije čita se ponovo na tom jeziku. Rezultat zamjenjuje liniju kao obična ispravka, s istim poništavanjem kao i svaka druga.
Kako izgleda. „The fees went up” postane „The thieves went up”. „Free” i „three” zamijene mjesta. Greške su raspoređene po cijelom snimku, a najgore su kod udaljenog govornika na pozivu.
Zašto nastaje. Mnogi glasovi koji razlikuju „f”, „s” i „th” nalaze se visoko u frekvencijskom opsegu. Telefonska linija ne nosi ništa iznad oko 3.4 kHz, a Bluetooth slušalice često prebace svoj mikrofon u način za pozive s mnogo užim opsegom. Kompresija niske brzine prijenosa u video pozivima uklanja još više. Sistem prima zvuk u kojem tih glasova već nema i nagađa između riječi koje sada zvuče identično.
Popravite u snimku. Koristite žičani mikrofon ili slušalice čiji mikrofon ostaje u načinu pune kvalitete. Ako možete, snimajte svakog udaljenog govornika na njegovoj strani, umjesto da snimate poziv. Za događaj uzmite signal s audio miksete umjesto s mikrofona laptopa ili telefona u prostoriji: VocalStackovo podešavanje uživo uzima jedan kabl s miksete, dok ugrađeni mikrofon telefona hvata više prostorije.
Popravite u transkriptu. Zvuk koji nikad nije snimljen ne može se povratiti, ni mašinski ni ljudski. Označene nesigurne riječi poslužit će vam da pronađete oštećene dionice, poslušajte liniju da provjerite i ispravite ono što možete čuti. Tamo gdje niko ne može razabrati šta je rečeno, poštenije je sakriti liniju nego ostaviti nagađanje.
Kako izgleda. „Fifteen” postane „fifty”. „One twenty” postane „120” kad je govornik mislio na jedan dolar i dvadeset centi. „The third of the fourth” izađe kao datum obrnutog redoslijeda. Svaka greška je jedna riječ, a sve ostale riječi u rečenici su tačne.
Zašto nastaje. „Fifteen” i „fifty” razlikuju se uglavnom po tome koji je slog naglašen, a ta razlika je prva koju odnese šum ili brz govornik. Izgovoreni brojevi također izostavljaju ono što pisani trebaju: jedinice, decimalne zareze, redoslijed dana i mjeseca. Sistem mora pogoditi format, a njegovo nagađanje je najčešći format, ne vaš.
Popravite u snimku. Zamolite govornike da brojeve kažu u cijelosti, s jedinicom: „one dollar twenty”, „the fifteenth of March”. Za pripremljen govor stavite brojeve u skriptu.
Popravite u transkriptu. Sluhom provjerite svaki bitan broj prije nego što se transkript citira, pošalje ili objavi. Pogrešan broj izgleda kao tačan, pa vas ništa na stranici ne upozorava. Šta mjeri stopa greške riječi i šta joj promiče objašnjava zašto jedan pogrešan broj košta više od svog udjela u stopi greške.
Kad transkript ima mnogo problema, popravljajte ih ovim redom, da sljedeća popravka ne poništi prethodnu:
Zatim olakšajte sljedeće snimanje: mikrofon po govorniku, naveden jezik i skripta s imenima u njoj. Većina grešaka u transkripciji zvuka odlučuje se prije nego što iko pritisne snimanje.
Za ročište, medicinski pregled ili bilo šta gdje jedna pogrešna riječ ima posljedice, neka čovjek provjeri transkript prije upotrebe, bez obzira na to koji ga je sistem napravio. Da vidite koje od ovih grešaka pravi vaš vlastiti zvuk, isprobajte snimak u kontrolnoj ploči.