En dårlig transskription har som regel en eller to årsager, og fejlene på siden afslører hvilke. Syv almindelige årsager til fejl i lydtransskription, hvordan hver enkelt ser ud, hvorfor den opstår, og løsningen i optagelsen og i transskriptionen.
Fejl i lydtransskription er sjældent tilfældige. En transskription, der gør »Kubernetes« til »Cooper Netties«, sætter to personers ord under ét navn eller skriver »halvtreds«, hvor taleren sagde »femten«, viser dig, hvad der gik galt. Hver årsag efterlader sin egen slags fejl, og hver har sin egen løsning. Nogle løsninger hører til den næste optagelse, andre til den transskription, du allerede har.
Denne guide tager udgangspunkt i fejlen. Find den, der ligner din transskription, i listen nedenfor, og gå så til dens afsnit: hvordan fejlen ser ud, hvorfor den opstår med almindelige ord, og hvad du kan gøre ved den.
De fleste problemer med transskription falder i syv mønstre. Match symptomet med årsagen:
To årsager lægger sig ofte oven på hinanden. En gæst på afstand med et headset på en larmende café og med accent giver tre slags fejl på én gang. Ret først den årsag, der rammer flest linjer: som regel lyden, så sproget, så ordene.
Hvordan det ser ud. I en optagelse lavet på en café kommer »Lad os flytte lanceringen til marts« tilbage som »Lad os flytte lunchen til marts«. Et ord under et dørsmæld forsvinder. Over en lang stilhed med en brummende ventilation dukker der en linje op, som ingen har sagt, for eksempel »Tak fordi I så med«.
Hvorfor det sker. Talegenkendelse gætter de mest sandsynlige ord ud fra den lyd, den modtager. Støj dækker først de svage dele af tale: ordenes ender og de korte ord imellem. Med mindre rigtigt signal læner gættet sig mere op ad det, der plejer at komme næste gang, og »lunchen« er et mere almindeligt ord end »lanceringen«. Over jævn støj uden nogen tale overhovedet skriver nogle systemer alligevel en stående frase, fordi de er trænet til at skrive noget, når de hører lyd.
Ret det i optagelsen. Flyt mikrofonen tættere på taleren i stedet for at skrue op for den. En fordobling af afstanden skærer omkring 6 dB af talerens direkte lyd, mens rummets støj bliver, hvor den er, så nærhed betyder mere end nogen indstilling. Slå ventilatorer og aircondition fra under optagelsen, hvis du kan, og optag i et rum med bløde overflader frem for glas og fliser.
Ret det i transskriptionen. Angiv det talte sprog i VocalStack på støjende optagelser i stedet for at lade automatisk sprogregistrering stå. Dashboardets egen note siger det: at angive sproget forbedrer nøjagtigheden på støjende optagelser og kraftige accenter. Ved en live-transskription accepterer latenstilstanden Accuracy lidt mere forsinkelse til gengæld for færre fejl på svær lyd. Linjer, motoren er mindst sikker på (under transskriptionens tillidstærskel, som standard 0,60), vises for lyttere som »Audio unclear« i stedet for et gæt og bliver aldrig læst højt. En linje, der er ren opfindelse, kan skjules i hånden: skjulte linjer udelades fra transskriptionen, eksporterne, undertekster og afspilleren.
Hvordan det ser ud. »Data viser en stigning på tredive procent« bliver til »Data viser en stigning på dirty procent«. Fejlene følger én taler gennem optagelsen, mens alle andres linjer er rene.
Hvorfor det sker. Et genkendelsessystem lærer, hvordan ord lyder, ud fra den tale, det blev trænet på. Når en taler udtaler en lyd anderledes end de fleste i den tale, for eksempel »th« som »d«, hører systemet præcis, hvad der blev sagt, og vælger det rigtige ord, der passer bedst til lyden. Automatisk sprogregistrering kan gøre det værre: en kraftig accent kan flytte signalerne hen mod et helt andet sprog (se hvordan automatisk sprogregistrering virker).
Ret det i optagelsen. Til et live-foredrag skal du tilføje et Reference Script, før du starter (se afsnittet om fagudtryk nedenfor), så de ord, taleren sandsynligvis siger, allerede er kendt. En god mikrofon hjælper enhver accent, fordi mere af hver lyd når motoren.
Ret det i transskriptionen. Angiv det talte sprog for optagelsen. Brug derefter fanen Fix: Mark uncertain words farver og understreger de ord, motoren var i tvivl om, og du kan gå gennem de usikre passager én ad gangen i stedet for at genlæse det hele. Hvor motoren overvejede andre ord, tilbyder den dem som foreslåede rettelser, så at rette »dirty« til »tredive« som regel er ét klik. Med Play just this word kan du kontrollere på gehør, før du ændrer.
Hvordan det ser ud. Den ene taler spørger »Så vi er enige om tirsdag?«, mens en anden afbryder med »Nej, torsdag passer bedre«. Transskriptionen viser én linje under Taler 1: »Så vi er enige om tirsdag nej torsdag passer bedre.« Eller omvendt: én person, der blev ivrig midtvejs i mødet, optræder som Taler 1 og Taler 3.
Hvorfor det sker. To adskilte opgaver kører nedenunder. Talegenkendelse skriver ordene; taleropdeling (diarisering) afgør, hvem der talte hvornår, ud fra hvordan hver stemme lyder. De fleste systemer giver hvert stykke lyd én taler, så når to personer taler samtidig, taber den ene. En ændring i en stemme (ophidset, træt, længere fra mikrofonen) kan få personen til at ligne en ny. Taleropdeling versus talegenkendelse forklarer begge opgaver i detaljer.
Ret det i optagelsen. Giv hver person sin egen mikrofon. Den ene ændring gør mere for flere talere end nogen indstilling. Bed ordstyreren om at gentage hvert spørgsmål i sin egen mikrofon, før det besvares, ved en paneldebat eller et møde med spørgsmål fra salen.
Ret det i transskriptionen. Vælg indstillingen for talermærkning: When Needed (standard) mærker linjer, når en anden stemme er hørt, On mærker hver linje, Off mærker ingen. Navngiv hver taler under eller efter optagelsen. Navnet er et lag over ordene, så det ændrer aldrig teksten, og det gælder den person i hver optagelse af transskriptionen. Gem en taler, du optager ofte, så genkender senere transskriptioner vedkommende ved navn. En linje, der har slået to sætninger sammen, kan deles i to: tryk på mellemrummet, hvor den nye linje begynder.
Hvordan det ser ud. »Vi lagde det ud på Kubernetes« bliver til »Vi lagde det ud på Cooper Netties«. »Fru Nguyen« bliver til »Fru Vin«. Et lægemiddelnavn bliver til tre korte almindelige ord. Resten af sætningen er fin.
Hvorfor det sker. Et system kan kun skrive ord, det kender, og et navn optræder ofte kun én gang, uden noget omkring sig, som kan forudsige det. Når systemet aldrig har set ordet, vælger det de almindelige ord, der lyder tættest på. Det er det sværeste tilfælde for nøjagtig transskription af fagudtryk: sætningen giver ingen fingerpeg, så ingen mængde kontekst løser det.
Ret det i optagelsen. Giv systemet ordene, før taleren siger dem. I VocalStack er det et Reference Script: tilføj manuskriptet eller slidene til et live-foredrag, eller en liste over navne og termer, før du starter, så vinder navne og termer derfra over det, der blev misforstået. Under foredraget følger manuskriptet transskriptionen som en teleprompter. Hvert ord, som manuskriptet rettede, er markeret SCRIPT blandt rettelserne og kan fortrydes, hvis taleren virkelig sagde noget andet.
Ret det i transskriptionen. Ret navnet én gang og kontroller resten med søgning. Rettelser når hver lytter, mens transskriptionen er live, på hvert sprog, de læser, og hver rettelse står på en liste og kan fortrydes. Eksporter (SRT, PDF, Excel, JSON) indeholder rettelserne, så undertekster og dokumenter bærer den rettede stavemåde.
Hvordan det ser ud. Et foredrag åbner med en hilsen på spansk og fortsætter på engelsk, og engelsken kommer ud som spansk-udseende volapyk. Eller nogle få linjer midt i en engelsk transskription står på et beslægtet sprog. Nogle systemer, indstillet til det forkerte sprog, skriver en grov oversættelse i stedet for det, der blev sagt.
Hvorfor det sker. Når intet sprog er angivet, må systemet registrere det ud fra lyden, ofte ud fra de første få sekunder. En hilsen, et citat eller en kraftig accent kan pege det den forkerte vej. Når det først har valgt det forkerte sprog, er hvert ord i den passage forkert på én gang.
Ret det i optagelsen. Hvis optagelsen er på ét sprog, så angiv det. Lad registreringen stå til, når der virkelig tales to eller flere sprog, så hver del transskriberes på sit eget sprog; at angive ét ville tvinge det andet ind i det. Ved en live-transskription kan sproget ændres, mens den kører, og ændringen gælder med det samme.
Ret det i transskriptionen. En linje, der er hørt på det forkerte sprog, kan ikke rettes ord for ord, fordi intet i den er rigtigt. VocalStack kan transskribere linjen igen: vælg det sprog, den virkelig blev talt på, så læses linjens lyd igen på det sprog. Resultatet erstatter linjen som en almindelig rettelse, med samme fortryd som alle andre.
Hvordan det ser ud. I en engelsk optagelse bliver »The fees went up« til »The thieves went up«, og »free« og »three« bytter plads. Fejlene spreder sig over hele optagelsen og er værst for den fjerne taler i et opkald.
Hvorfor det sker. Mange af de lyde, der skiller »f«, »s« og »th« ad, ligger højt i frekvensområdet. En telefonlinje bærer intet over omkring 3,4 kHz, og et bluetooth-headset skifter ofte sin mikrofon til en opkaldstilstand med et meget smallere område. Komprimering med lav bitrate i videoopkald fjerner mere. Systemet modtager lyd, hvor de lyde allerede er væk, og gætter mellem ord, der nu lyder ens.
Ret det i optagelsen. Brug en kablet mikrofon eller et headset, hvis mikrofon bliver i sin tilstand med fuld kvalitet. Optag hver fjern taler hos dem selv, hvis du kan, i stedet for at optage opkaldet. Til en begivenhed skal du tage signalet fra lydmixeren i stedet for en laptop- eller telefonmikrofon i salen: VocalStacks live-opsætning tager ét kabel fra mixeren, og en telefons indbyggede mikrofon opfanger mere af rummet.
Ret det i transskriptionen. Lyd, der aldrig blev optaget, kan ikke genskabes, hverken af en maskine eller et menneske. Brug markeringerne af usikre ord til at finde de beskadigede passager, afspil linjen for at kontrollere, og ret det, du kan høre. Hvor ingen kan afgøre, hvad der blev sagt, er det mere ærligt at skjule linjen end at efterlade et gæt.
Hvordan det ser ud. »Femten« bliver til »halvtreds«. »Et tyve« bliver til »120«, når taleren mente en dollar og tyve cent. »Den tredje i fjerde« kommer ud som en dato i den forkerte rækkefølge. Hver fejl er ét ord, og hvert andet ord i sætningen er rigtigt.
Hvorfor det sker. »Femten« og »halvtreds« adskiller sig mest i, hvilken stavelse der får tryk, og den forskel er det første, der går tabt i støj eller hos en hurtig taler. Talte tal udelader også det, skrevne tal har brug for: enheder, decimaltegn, rækkefølgen af dag og måned. Systemet må gætte formatet, og dets gæt er det mest almindelige, ikke dit.
Ret det i optagelsen. Bed talere sige tal fuldt ud, med enheden: »en dollar og tyve cent«, »den femtende marts«. Til et forberedt foredrag skal tallene stå i manuskriptet.
Ret det i transskriptionen. Kontroller hvert tal, der betyder noget, på gehør, før transskriptionen citeres, sendes eller udgives. Et forkert tal læses som et rigtigt, så intet på siden advarer dig. Hvad word error rate måler, og hvad den overser forklarer, hvorfor ét forkert tal koster mere end sin andel af fejlprocenten.
Når en transskription har mange problemer, så ret dem i denne rækkefølge, så ingen rettelse fortrydes af den næste:
Gør derefter den næste optagelse nemmere: en mikrofon pr. taler, sproget angivet og et manuskript med navnene i. De fleste fejl i lydtransskription afgøres, før nogen trykker på optag.
Til en retssag, en lægesamtale eller alt, hvor ét forkert ord får konsekvenser, bør et menneske kontrollere transskriptionen, før den bruges, uanset hvilket system der lavede den. For at se, hvilke af disse fejl din egen lyd giver, kan du prøve en optagelse i Dashboardet.