Una transcripció dolenta sol tenir una o dues causes, i els errors de la pàgina t'indiquen quines. Set causes habituals dels errors de transcripció d'àudio, com es veu cadascuna, per què passa i la solució, tant a l'enregistrament com a la transcripció.
Els errors de transcripció d'àudio rarament són aleatoris. Una transcripció que converteix «Kubernetes» en «Cooper Netties», que posa les paraules de dues persones sota un sol nom o que escriu «fifty» quan el parlant va dir «fifteen» t'està mostrant què ha anat malament. Cada causa deixa el seu tipus d'error, i cadascuna té la seva solució. Algunes solucions pertanyen a l'enregistrament següent, d'altres a la transcripció que ja tens.
Aquesta guia parteix de l'error. Troba a la llista de sota el que coincideix amb la teva transcripció i ves a la seva secció: com es veu l'error, per què passa en paraules planes i què fer-hi.
La majoria dels problemes de transcripció cauen en set patrons. Relaciona el símptoma amb la causa:
Dues causes sovint se sumen. Un convidat remot amb auriculars en una cafeteria sorollosa, parlant amb accent, produirà tres tipus d'error alhora. Arregla primer la causa que afecta més línies: normalment l'àudio, després l'idioma i després les paraules.
Com es veu. En un enregistrament fet en una cafeteria, «Let's move the launch to March» torna com a «Let's move the lunch to March». Una paraula sota el cop d'una porta desapareix. Durant un llarg silenci amb un aire condicionat que brunzeix, apareix una línia que ningú no ha dit, com ara «Thank you for watching.»
Per què passa. El reconeixement de la parla endevina les paraules més probables per al so que rep. El soroll tapa primer les parts fluixes de la parla: els finals de les paraules i les paraules curtes que hi ha entre elles. Amb menys senyal real, l'endevinalla es recolza més en el que sol venir després, i «lunch» és una paraula més comuna que «launch». Davant d'un soroll constant sense cap parla, alguns sistemes encara produeixen una frase feta, perquè els van entrenar per escriure alguna cosa cada cop que senten so.
Soluciona-ho a l'enregistrament. Apropa el micròfon al parlant en comptes de pujar-ne el volum. Si dobles la distància, el so directe del parlant baixa uns 6 dB mentre el soroll de la sala es queda igual, de manera que la proximitat compta més que qualsevol ajust. Apaga ventiladors i aire condicionat durant l'enregistrament si pots, i grava en una sala amb superfícies toves en lloc de vidre i rajola.
Soluciona-ho a la transcripció. A VocalStack, indica l'idioma parlat en els enregistraments sorollosos en comptes de deixar-lo en detecció automàtica. La nota del mateix tauler ho diu: indicar l'idioma millora la precisió en enregistraments sorollosos i amb accents forts. En una transcripció en directe, el mode de latència Accuracy accepta una mica més de retard a canvi de menys errors amb àudio difícil. Les línies de les quals el motor està menys segur (per sota del llindar de confiança de la transcripció, 0.60 per defecte) es mostren als oients com a «Audio unclear» en lloc d'una endevinalla, i no es llegeixen mai en veu alta. Una línia que és pura invenció es pot amagar a mà: les línies amagades queden fora de la transcripció, de les exportacions, dels subtítols i del reproductor.
Com es veu. «The data shows a thirty percent rise» es converteix en «The data shows a dirty percent rise». Els errors segueixen un sol parlant durant tot l'enregistrament, mentre les línies de tots els altres són netes.
Per què passa. Un sistema de reconeixement aprèn com sonen les paraules a partir de la parla amb què s'ha entrenat. Quan un parlant pronuncia un so de manera diferent de la majoria d'aquesta parla, com ara un «th» dit com a «d», el sistema sent exactament el que es va dir i tria la paraula real que millor s'hi ajusta. La detecció automàtica de l'idioma ho pot empitjorar: un accent fort pot desplaçar els indicis cap a un altre idioma del tot (consulta com funciona la detecció automàtica de l'idioma).
Soluciona-ho a l'enregistrament. En una xerrada en directe, afegeix un guió de referència (Reference Script) abans de començar (vegeu la secció d'argot més avall), de manera que les paraules que el parlant probablement dirà ja siguin conegudes. Un bon micròfon ajuda amb tots els accents, perquè arriba més de cada so al motor.
Soluciona-ho a la transcripció. Indica l'idioma parlat d'aquell enregistrament. Després fes servir la pestanya Fix: Mark uncertain words acoloreix i subratlla les paraules de les quals el motor dubtava, i pots recórrer els segments incerts d'un en un en lloc de rellegir-ho tot. Quan el motor ha considerat altres paraules, les ofereix com a correccions suggerides, de manera que corregir «dirty» per «thirty» sol ser un sol clic. Play just this word et deixa comprovar-ho d'oïda abans de canviar res.
Com es veu. Un parlant pregunta «So we agree on Tuesday?» mentre un altre l'interromp amb «No, Thursday works». La transcripció mostra una sola línia sota Speaker 1: «So we agree on Tuesday no Thursday works.» O el contrari: una persona que s'ha animat a mitja reunió apareix com a Speaker 1 i Speaker 3.
Per què passa. Per sota funcionen dues feines separades. El reconeixement de la parla escriu les paraules; la diarització de parlants decideix qui ha parlat i quan, a partir de com sona cada veu. La majoria de sistemes assignen un sol parlant a cada tram d'àudio, així que quan dues persones parlen alhora, una de les dues perd. Un canvi en la veu d'algú (emocionat, cansat, més lluny del micròfon) pot fer que sembli una persona nova. Diarització de parlants vs reconeixement de la parla explica les dues feines en detall.
Soluciona-ho a l'enregistrament. Dona a cada persona el seu propi micròfon. Aquest sol canvi fa més pels parlants múltiples que qualsevol ajust. En un debat o en una reunió amb preguntes del públic, demana al moderador que repeteixi cada pregunta al seu propi micròfon abans que es contesti.
Soluciona-ho a la transcripció. Tria l'ajust d'etiquetes de parlants: When Needed (el per defecte) etiqueta les línies quan se sent una segona veu, On etiqueta totes les línies, Off no n'etiqueta cap. Posa nom a cada parlant durant l'enregistrament o després. El nom és una capa sobre les paraules, de manera que mai no canvia el text, i s'aplica a aquesta persona en tots els enregistraments de la transcripció. Desa un parlant que enregistres sovint, i les transcripcions posteriors el reconeixeran pel nom. Una línia que ajunta dues frases es pot dividir en dues: toca l'espai on comença la línia nova.
Com es veu. «We deployed it on Kubernetes» es converteix en «We deployed it on Cooper Netties». «Ms Nguyen» es converteix en «Miss Win». El nom d'un medicament es converteix en tres paraules angleses curtes. La resta de la frase és correcta.
Per què passa. Un sistema només pot escriure paraules que coneix, i un nom sovint apareix una sola vegada, sense res al voltant que permeti predir-lo. Quan no ha vist mai la paraula, tria les paraules corrents que hi sonen més a prop. Aquest és el cas més difícil per a una transcripció exacta de terminologia tècnica: la frase no dona cap pista, així que cap quantitat de context ho arregla.
Soluciona-ho a l'enregistrament. Dona les paraules al sistema abans que el parlant les digui. A VocalStack això és un guió de referència (Reference Script): afegeix el guió o les diapositives d'una xerrada en directe, o una llista de noms i termes, abans de començar, i els noms i termes que hi surten guanyen sobre el que s'ha sentit malament. Durant la xerrada, el guió segueix la transcripció com un teleprompter. Cada paraula que el guió ha corregit queda marcada com a SCRIPT entre les correccions i es pot desfer si el parlant realment va dir una altra cosa.
Soluciona-ho a la transcripció. Corregeix el nom una vegada i comprova la resta amb la cerca. Les correccions arriben a tots els oients mentre la transcripció és en directe, en tots els idiomes que estan llegint, i cada correcció queda llistada i es pot desfer. Les exportacions (SRT, PDF, Excel, JSON) inclouen les correccions, de manera que els subtítols i els documents porten l'ortografia corregida.
Com es veu. Una xerrada s'obre amb una salutació en castellà i continua en anglès, i l'anglès surt com a un disbarat que sembla castellà. O unes quantes línies al mig d'una transcripció en anglès apareixen en un idioma proper. Alguns sistemes, configurats amb l'idioma equivocat, escriuen una traducció aproximada en lloc del que es va dir.
Per què passa. Quan no s'indica cap idioma, el sistema l'ha de detectar pel so, sovint a partir dels primers segons. Una salutació, una citació o un accent fort poden orientar-lo malament. Quan ha triat l'idioma equivocat, totes les paraules d'aquell tram són equivocades alhora.
Soluciona-ho a l'enregistrament. Si l'enregistrament és en un sol idioma, indica'l. Deixa la detecció activada quan realment es parlen dos o més idiomes, de manera que cada part es transcrigui en el seu propi idioma; indicar-ne un forçaria l'altre a entrar-hi. En una transcripció en directe es pot canviar l'idioma mentre funciona, i el canvi s'aplica a l'instant.
Soluciona-ho a la transcripció. Una línia sentida en l'idioma equivocat no es pot arreglar paraula per paraula, perquè no hi ha res de correcte. VocalStack pot tornar a transcriure la línia: tria l'idioma en què es va parlar realment, i l'àudio de la línia es torna a llegir en aquest idioma. El resultat substitueix la línia com una correcció normal, amb el mateix desfer que qualsevol altra.
Com es veu. «The fees went up» es converteix en «The thieves went up». «Free» i «three» s'intercanvien. Els errors s'escampen per tot l'enregistrament, i són pitjors per al parlant remot en una trucada.
Per què passa. Molts dels sons que distingeixen «f», «s» i «th» són a la part alta de la gamma de freqüències. Una línia telefònica no porta res per sobre d'uns 3.4 kHz, i uns auriculars Bluetooth sovint canvien el micròfon a un mode de trucada amb una gamma molt més estreta. La compressió de baixa taxa de bits de les videotrucades n'elimina més. El sistema rep un àudio en què aquests sons ja han desaparegut, i endevina entre paraules que ara sonen idèntiques.
Soluciona-ho a l'enregistrament. Fes servir un micròfon amb cable, o uns auriculars el micròfon dels quals es mantingui en el mode de qualitat completa. Si pots, enregistra cada parlant remot al seu costat, en lloc d'enregistrar la trucada. Per a un esdeveniment, pren el senyal de la taula de mescles en lloc d'un micròfon d'ordinador o de telèfon a la sala: la instal·lació en directe de VocalStack pren un sol cable de la taula, i el micròfon integrat d'un telèfon capta més de la sala.
Soluciona-ho a la transcripció. L'àudio que mai no s'ha capturat no es pot recuperar, ni per una màquina ni per una persona. Fes servir les marques de paraules incertes per trobar els trams danyats, reprodueix la línia per comprovar-ho i corregeix el que puguis sentir. Quan ningú no pot saber què es va dir, amagar la línia és més honest que deixar-hi una endevinalla.
Com es veu. «Fifteen» es converteix en «fifty». «One twenty» es converteix en «120» quan el parlant volia dir un dòlar vint. «The third of the fourth» surt com una data en l'ordre equivocat. Cada error és una sola paraula, i totes les altres paraules de la frase són correctes.
Per què passa. «Fifteen» i «fifty» es diferencien sobretot per quina síl·laba s'accentua, i aquesta diferència és el primer que es perd amb el soroll o amb un parlant ràpid. Els números parlats també deixen fora el que els escrits necessiten: unitats, comes decimals, l'ordre de dia i mes. El sistema ha d'endevinar el format, i la seva endevinalla és la més comuna, no la teva.
Soluciona-ho a l'enregistrament. Demana als parlants que diguin les xifres completes, amb la unitat: «one dollar twenty», «the fifteenth of March». En una xerrada preparada, posa les xifres al guió.
Soluciona-ho a la transcripció. Comprova d'oïda cada xifra que importi abans que la transcripció es citi, s'enviï o es publiqui. Un número equivocat es llegeix com un de correcte, així que res a la pàgina t'avisa. Què mesura la taxa d'error de paraula i què se li escapa explica per què una sola xifra equivocada costa més que la seva part de la taxa d'error.
Quan una transcripció té molts problemes, arregla'ls en aquest ordre, perquè cap arranjament es desfaci amb el següent:
Després fes que l'enregistrament següent sigui més fàcil: un micròfon per parlant, l'idioma indicat i un guió amb els noms. La majoria dels errors de transcripció d'àudio es decideixen abans que algú premi enregistrar.
Per a una vista judicial, una consulta mèdica o qualsevol cas en què una sola paraula equivocada tingui conseqüències, fes que una persona revisi la transcripció abans d'usar-la, sigui quin sigui el sistema que l'hagi feta. Per veure quins d'aquests errors produeix el teu propi àudio, prova un enregistrament al tauler.