Μια κακή απομαγνητοφώνηση έχει συνήθως μία ή δύο αιτίες, και τα λάθη στη σελίδα δείχνουν ποιες. Επτά συχνές αιτίες λαθών στην απομαγνητοφώνηση ήχου: πώς φαίνεται η καθεμία, γιατί συμβαίνει και πώς διορθώνεται στην ηχογράφηση και στο κείμενο.
Τα λάθη στην απομαγνητοφώνηση ήχου σπάνια είναι τυχαία. Μια απομαγνητοφώνηση που κάνει το «Kubernetes» «Cooper Netties», βάζει τα λόγια δύο ανθρώπων κάτω από ένα όνομα ή γράφει «πενήντα» εκεί που ο ομιλητής είπε «δεκαπέντε» σας δείχνει τι πήγε στραβά. Κάθε αιτία αφήνει το δικό της είδος λάθους και έχει τη δική της διόρθωση. Μερικές διορθώσεις ανήκουν στην επόμενη ηχογράφηση, άλλες στο κείμενο που έχετε ήδη.
Αυτός ο οδηγός ξεκινά από το λάθος. Βρείτε στη λίστα παρακάτω αυτό που ταιριάζει με την απομαγνητοφώνησή σας και πηγαίνετε στην ενότητά του: πώς φαίνεται το λάθος, γιατί συμβαίνει με απλά λόγια και τι να κάνετε.
Τα περισσότερα προβλήματα απομαγνητοφώνησης χωρούν σε επτά μοτίβα. Αντιστοιχίστε το σύμπτωμα με την αιτία:
Δύο αιτίες συχνά συνδυάζονται. Ένας απομακρυσμένος καλεσμένος με ακουστικά σε θορυβώδες καφέ, που μιλά με προφορά, θα παράγει τρία είδη λαθών ταυτόχρονα. Διορθώστε πρώτα την αιτία που επηρεάζει τις περισσότερες γραμμές: συνήθως ο ήχος, μετά η γλώσσα, μετά οι λέξεις.
Πώς φαίνεται. Σε μια ηχογράφηση σε καφέ, το «Let's move the launch to March» βγαίνει «Let's move the lunch to March». Μια λέξη κάτω από το χτύπημα μιας πόρτας εξαφανίζεται. Πάνω από μια μεγάλη σιωπή με έναν βουίζοντα κλιματισμό εμφανίζεται μια γραμμή που δεν είπε κανείς, όπως «Thank you for watching.»
Γιατί συμβαίνει. Η αναγνώριση ομιλίας μαντεύει τις πιθανότερες λέξεις για τον ήχο που δέχεται. Ο θόρυβος καλύπτει πρώτα τα ήσυχα μέρη της ομιλίας: τα τελευταία γράμματα των λέξεων και τις μικρές λέξεις ανάμεσά τους. Με λιγότερο πραγματικό σήμα, η εικασία στηρίζεται περισσότερο σε ό,τι συνήθως ακολουθεί, και το «lunch» είναι πιο συνηθισμένη λέξη από το «launch». Πάνω από σταθερό θόρυβο χωρίς καθόλου ομιλία, μερικά συστήματα παράγουν ακόμη μια έτοιμη φράση, επειδή εκπαιδεύτηκαν να γράφουν κάτι όταν ακούν ήχο.
Διορθώστε το στην ηχογράφηση. Φέρτε το μικρόφωνο πιο κοντά στον ομιλητή αντί να δυναμώσετε την ένταση. Αν διπλασιάσετε την απόσταση, ο άμεσος ήχος του ομιλητή πέφτει περίπου 6 dB ενώ ο θόρυβος του χώρου μένει ίδιος, άρα η εγγύτητα μετράει περισσότερο από οποιαδήποτε ρύθμιση. Κλείστε ανεμιστήρες και κλιματισμό κατά την ηχογράφηση αν μπορείτε, και ηχογραφήστε σε χώρο με μαλακές επιφάνειες αντί για γυαλί και πλακάκια.
Διορθώστε το στην απομαγνητοφώνηση. Στο VocalStack, στις θορυβώδεις ηχογραφήσεις ορίστε τη γλώσσα που μιλιέται αντί να αφήσετε την αυτόματη ανίχνευση. Η ίδια η σημείωση του Dashboard το λέει: ο ορισμός της γλώσσας βελτιώνει την ακρίβεια σε θορυβώδεις ηχογραφήσεις και έντονες προφορές. Σε μια ζωντανή απομαγνητοφώνηση, η λειτουργία καθυστέρησης Accuracy δέχεται λίγη παραπάνω καθυστέρηση με αντάλλαγμα λιγότερα λάθη σε δύσκολο ήχο. Οι γραμμές για τις οποίες η μηχανή είναι λιγότερο βέβαιη (κάτω από το όριο εμπιστοσύνης της απομαγνητοφώνησης, 0.60 εξ ορισμού) εμφανίζονται στους ακροατές ως «Audio unclear» αντί για εικασία και δεν διαβάζονται ποτέ φωναχτά. Μια γραμμή που είναι καθαρή επινόηση μπορεί να κρυφτεί με το χέρι: οι κρυμμένες γραμμές μένουν εκτός της απομαγνητοφώνησης, των εξαγωγών, των υποτίτλων και του player.
Πώς φαίνεται. Το «The data shows a thirty percent rise» γίνεται «The data shows a dirty percent rise». Τα λάθη ακολουθούν έναν ομιλητή σε όλη την ηχογράφηση, ενώ οι γραμμές όλων των άλλων είναι καθαρές.
Γιατί συμβαίνει. Ένα σύστημα αναγνώρισης μαθαίνει πώς ακούγονται οι λέξεις από την ομιλία με την οποία εκπαιδεύτηκε. Όταν ένας ομιλητής προφέρει έναν ήχο διαφορετικά από το μεγαλύτερο μέρος αυτής της ομιλίας, όπως το «th» ως «d», το σύστημα ακούει ακριβώς ό,τι ειπώθηκε και διαλέγει την πραγματική λέξη που ταιριάζει καλύτερα σε εκείνον τον ήχο. Η αυτόματη ανίχνευση γλώσσας μπορεί να το χειροτερέψει: μια έντονη προφορά μπορεί να μετατοπίσει τις ενδείξεις προς μια εντελώς άλλη γλώσσα (δείτε πώς λειτουργεί η αυτόματη ανίχνευση γλώσσας).
Διορθώστε το στην ηχογράφηση. Για μια ζωντανή ομιλία, προσθέστε ένα Reference Script πριν ξεκινήσετε (δείτε την ενότητα για την ορολογία παρακάτω), ώστε οι λέξεις που πιθανότατα θα πει ο ομιλητής να είναι ήδη γνωστές. Ένα καλό μικρόφωνο βοηθά κάθε προφορά, επειδή φτάνει στη μηχανή μεγαλύτερο μέρος κάθε ήχου.
Διορθώστε το στην απομαγνητοφώνηση. Ορίστε τη γλώσσα που μιλιέται για αυτή την ηχογράφηση. Έπειτα χρησιμοποιήστε την καρτέλα Fix: το Mark uncertain words χρωματίζει και υπογραμμίζει τις λέξεις για τις οποίες η μηχανή ήταν αβέβαιη, και μπορείτε να περνάτε έναν έναν τους αβέβαιους τομείς αντί να ξαναδιαβάσετε τα πάντα. Όταν η μηχανή εξέτασε άλλες λέξεις, τις προσφέρει ως προτεινόμενες διορθώσεις, οπότε το «dirty» σε «thirty» συνήθως διορθώνεται με ένα κλικ. Το Play just this word σας επιτρέπει να ελέγξετε με το αυτί πριν αλλάξετε κάτι.
Πώς φαίνεται. Ένας ομιλητής ρωτά «So we agree on Tuesday?» και ένας άλλος παρεμβαίνει με «No, Thursday works». Η απομαγνητοφώνηση δείχνει μία γραμμή κάτω από τον Speaker 1: «So we agree on Tuesday no Thursday works.» Ή το αντίθετο: ένας άνθρωπος που ενθουσιάστηκε στη μέση της συνάντησης εμφανίζεται ως Speaker 1 και Speaker 3.
Γιατί συμβαίνει. Από κάτω τρέχουν δύο ξεχωριστές δουλειές. Η αναγνώριση ομιλίας γράφει τις λέξεις· ο διαχωρισμός ομιλητών (diarization) αποφασίζει ποιος μίλησε πότε, από το πώς ακούγεται κάθε φωνή. Τα περισσότερα συστήματα δίνουν σε κάθε κομμάτι ήχου έναν ομιλητή, οπότε όταν δύο άνθρωποι μιλούν ταυτόχρονα, ο ένας χάνεται. Μια αλλαγή στη φωνή κάποιου (ενθουσιασμός, κούραση, μεγαλύτερη απόσταση από το μικρόφωνο) μπορεί να τον κάνει να μοιάζει με νέο άνθρωπο. Το άρθρο Διαχωρισμός ομιλητών έναντι αναγνώρισης ομιλίας εξηγεί αναλυτικά και τις δύο δουλειές.
Διορθώστε το στην ηχογράφηση. Δώστε σε κάθε άτομο το δικό του μικρόφωνο. Αυτή η μία αλλαγή βοηθά περισσότερο τους πολλούς ομιλητές από οποιαδήποτε ρύθμιση. Σε μια συζήτηση πάνελ ή σε μια συνάντηση με ερωτήσεις από το κοινό, ζητήστε από τον συντονιστή να επαναλαμβάνει κάθε ερώτηση στο δικό του μικρόφωνο πριν απαντηθεί.
Διορθώστε το στην απομαγνητοφώνηση. Επιλέξτε τη ρύθμιση των ετικετών ομιλητών: το When Needed (η προεπιλογή) βάζει ετικέτες στις γραμμές μόλις ακουστεί δεύτερη φωνή, το On βάζει ετικέτα σε κάθε γραμμή, το Off σε καμία. Ονομάστε κάθε ομιλητή κατά τη διάρκεια ή μετά την ηχογράφηση. Το όνομα είναι ένα επίπεδο πάνω από τις λέξεις, οπότε δεν αλλάζει ποτέ το κείμενο, και ισχύει για εκείνο το άτομο σε κάθε ηχογράφηση της απομαγνητοφώνησης. Αποθηκεύστε έναν ομιλητή που ηχογραφείτε συχνά, και οι επόμενες απομαγνητοφωνήσεις θα τον αναγνωρίζουν με το όνομά του. Μια γραμμή που ενώνει δύο προτάσεις μπορεί να χωριστεί στα δύο: πατήστε στο κενό όπου ξεκινά η νέα γραμμή.
Πώς φαίνεται. Το «We deployed it on Kubernetes» γίνεται «We deployed it on Cooper Netties». Το «Ms Nguyen» γίνεται «Miss Win». Ένα όνομα φαρμάκου γίνεται τρεις σύντομες αγγλικές λέξεις. Η υπόλοιπη πρόταση είναι εντάξει.
Γιατί συμβαίνει. Ένα σύστημα μπορεί να γράψει μόνο λέξεις που γνωρίζει, και ένα όνομα εμφανίζεται συχνά μία φορά, χωρίς τίποτα γύρω του από το οποίο να προβλεφθεί. Όταν δεν έχει δει ποτέ τη λέξη, διαλέγει τις κοινές λέξεις που ακούγονται πιο κοντά. Αυτή είναι η δυσκολότερη περίπτωση για την ακριβή απομαγνητοφώνηση τεχνικής ορολογίας: η πρόταση δεν δίνει καμία ένδειξη, άρα κανένα πλαίσιο δεν διορθώνει το λάθος.
Διορθώστε το στην ηχογράφηση. Δώστε στο σύστημα τις λέξεις πριν τις πει ο ομιλητής. Στο VocalStack αυτό είναι ένα Reference Script: προσθέστε το σενάριο ή τις διαφάνειες μιας ζωντανής ομιλίας, ή μια λίστα ονομάτων και όρων, πριν ξεκινήσετε, και τα ονόματα και οι όροι από αυτό υπερισχύουν όσων ακούστηκαν λάθος. Κατά τη διάρκεια της ομιλίας το σενάριο ακολουθεί την απομαγνητοφώνηση σαν τηλεπρόμπτερ. Κάθε λέξη που διόρθωσε το σενάριο σημειώνεται ως SCRIPT ανάμεσα στις διορθώσεις και μπορεί να αναιρεθεί αν ο ομιλητής είπε πράγματι κάτι άλλο.
Διορθώστε το στην απομαγνητοφώνηση. Διορθώστε το όνομα μία φορά και ελέγξτε τα υπόλοιπα με αναζήτηση. Οι διορθώσεις φτάνουν σε κάθε ακροατή όσο η απομαγνητοφώνηση είναι ζωντανή, σε κάθε γλώσσα που διαβάζει, και κάθε διόρθωση καταγράφεται σε λίστα και μπορεί να αναιρεθεί. Οι εξαγωγές (SRT, PDF, Excel, JSON) περιλαμβάνουν τις διορθώσεις, ώστε οι υπότιτλοι και τα έγγραφα να φέρουν τη διορθωμένη γραφή.
Πώς φαίνεται. Μια ομιλία ανοίγει με χαιρετισμό στα ισπανικά και συνεχίζει στα αγγλικά, και τα αγγλικά βγαίνουν ως ασυναρτησίες που μοιάζουν με ισπανικά. Ή μερικές γραμμές στη μέση μιας αγγλικής απομαγνητοφώνησης εμφανίζονται σε συγγενική γλώσσα. Μερικά συστήματα, όταν έχουν οριστεί σε λάθος γλώσσα, γράφουν μια πρόχειρη μετάφραση αντί γι' αυτό που ειπώθηκε.
Γιατί συμβαίνει. Όταν δεν ορίζεται γλώσσα, το σύστημα πρέπει να την ανιχνεύσει από τον ήχο, συχνά από τα πρώτα δευτερόλεπτα. Ένας χαιρετισμός, ένα απόσπασμα ή μια έντονη προφορά μπορεί να το στρέψουν λάθος. Μόλις διαλέξει λάθος γλώσσα, κάθε λέξη σε εκείνο το τμήμα είναι λάθος μαζί.
Διορθώστε το στην ηχογράφηση. Αν η ηχογράφηση είναι σε μία γλώσσα, ορίστε την. Αφήστε την ανίχνευση ενεργή όταν μιλιούνται πράγματι δύο ή περισσότερες γλώσσες, ώστε κάθε μέρος να απομαγνητοφωνηθεί στη δική του γλώσσα· ο ορισμός μίας θα ανάγκαζε την άλλη μέσα σε αυτήν. Σε μια ζωντανή απομαγνητοφώνηση η γλώσσα μπορεί να αλλάξει όσο τρέχει, και η αλλαγή ισχύει αμέσως.
Διορθώστε το στην απομαγνητοφώνηση. Μια γραμμή που ακούστηκε σε λάθος γλώσσα δεν διορθώνεται λέξη προς λέξη, επειδή τίποτα μέσα της δεν είναι σωστό. Το VocalStack μπορεί να απομαγνητοφωνήσει ξανά τη γραμμή: διαλέξτε τη γλώσσα στην οποία ειπώθηκε πραγματικά, και ο ήχος της γραμμής διαβάζεται ξανά σε αυτήν. Το αποτέλεσμα αντικαθιστά τη γραμμή ως συνηθισμένη διόρθωση, με την ίδια αναίρεση όπως κάθε άλλη.
Πώς φαίνεται. Το «The fees went up» γίνεται «The thieves went up». Τα «Free» και «three» εναλλάσσονται. Τα λάθη απλώνονται σε όλη την ηχογράφηση και είναι χειρότερα για τον απομακρυσμένο ομιλητή σε μια κλήση.
Γιατί συμβαίνει. Πολλοί από τους ήχους που ξεχωρίζουν τα «f», «s» και «th» βρίσκονται ψηλά στο εύρος συχνοτήτων. Μια τηλεφωνική γραμμή δεν μεταφέρει τίποτα πάνω από περίπου 3.4 kHz, και ένα ακουστικό Bluetooth συχνά περνά το μικρόφωνό του σε λειτουργία κλήσης με πολύ στενότερο εύρος. Η συμπίεση χαμηλού bitrate στις βιντεοκλήσεις αφαιρεί ακόμη περισσότερα. Το σύστημα δέχεται ήχο στον οποίο αυτοί οι ήχοι έχουν ήδη χαθεί και μαντεύει ανάμεσα σε λέξεις που τώρα ακούγονται ίδιες.
Διορθώστε το στην ηχογράφηση. Χρησιμοποιήστε ενσύρματο μικρόφωνο ή ακουστικά με μικρόφωνο που μένει σε λειτουργία πλήρους ποιότητας. Ηχογραφήστε κάθε απομακρυσμένο ομιλητή από τη δική του πλευρά αν μπορείτε, αντί να ηχογραφήσετε την κλήση. Για μια εκδήλωση, πάρτε το σήμα από την κονσόλα ήχου αντί για μικρόφωνο φορητού ή κινητού στον χώρο: η ζωντανή εγκατάσταση του VocalStack παίρνει ένα καλώδιο από την κονσόλα, ενώ το ενσωματωμένο μικρόφωνο ενός κινητού πιάνει περισσότερο τον χώρο.
Διορθώστε το στην απομαγνητοφώνηση. Ήχος που δεν καταγράφηκε ποτέ δεν ανακτάται, ούτε από μηχανή ούτε από άνθρωπο. Χρησιμοποιήστε τις ενδείξεις αβέβαιων λέξεων για να βρείτε τα κατεστραμμένα σημεία, ακούστε τη γραμμή για έλεγχο και διορθώστε ό,τι ακούτε. Όπου κανείς δεν μπορεί να καταλάβει τι ειπώθηκε, το να κρύψετε τη γραμμή είναι πιο τίμιο από το να αφήσετε μια εικασία.
Πώς φαίνεται. Το «Fifteen» γίνεται «fifty». Το «One twenty» γίνεται «120» ενώ ο ομιλητής εννοούσε ένα δολάριο και είκοσι σεντς. Το «The third of the fourth» βγαίνει ως ημερομηνία με λάθος σειρά. Κάθε λάθος είναι μία λέξη, και όλες οι άλλες λέξεις της πρότασης είναι σωστές.
Γιατί συμβαίνει. Τα «fifteen» και «fifty» διαφέρουν κυρίως ως προς το ποια συλλαβή τονίζεται, και αυτή η διαφορά είναι το πρώτο που χάνεται από τον θόρυβο ή έναν γρήγορο ομιλητή. Οι προφορικοί αριθμοί αφήνουν επίσης έξω ό,τι χρειάζονται οι γραπτοί: μονάδες, υποδιαστολές, τη σειρά ημέρας και μήνα. Το σύστημα πρέπει να μαντέψει τη μορφή, και η εικασία του είναι η συνηθέστερη, όχι η δική σας.
Διορθώστε το στην ηχογράφηση. Ζητήστε από τους ομιλητές να λένε τα ποσά ολόκληρα, με τη μονάδα: «one dollar twenty», «the fifteenth of March». Για μια προετοιμασμένη ομιλία, βάλτε τους αριθμούς στο σενάριο.
Διορθώστε το στην απομαγνητοφώνηση. Ελέγξτε με το αυτί κάθε αριθμό που μετράει, πριν η απομαγνητοφώνηση παρατεθεί, σταλεί ή δημοσιευτεί. Ένας λάθος αριθμός διαβάζεται σαν σωστός, οπότε τίποτα στη σελίδα δεν σας προειδοποιεί. Το άρθρο Τι μετράει το word error rate και τι αφήνει έξω εξηγεί γιατί ένας μόνο λάθος αριθμός κοστίζει περισσότερο από το μερίδιό του στο ποσοστό λαθών.
Όταν μια απομαγνητοφώνηση έχει πολλά προβλήματα, διορθώστε τα με αυτή τη σειρά, ώστε καμία διόρθωση να μην ακυρώνεται από την επόμενη:
Έπειτα κάντε την επόμενη ηχογράφηση πιο εύκολη: ένα μικρόφωνο ανά ομιλητή, ορισμένη γλώσσα και ένα σενάριο με τα ονόματα. Τα περισσότερα λάθη στην απομαγνητοφώνηση ήχου κρίνονται πριν πατήσει κανείς την εγγραφή.
Για μια ακρόαση, μια ιατρική επίσκεψη ή οτιδήποτε όπου μία λάθος λέξη έχει συνέπειες, ζητήστε από έναν άνθρωπο να ελέγξει την απομαγνητοφώνηση πριν χρησιμοποιηθεί, όποιο σύστημα κι αν την έφτιαξε. Για να δείτε ποια από αυτά τα λάθη βγάζει ο δικός σας ήχος, δοκιμάστε μια ηχογράφηση στο Dashboard.