یک رونوشت بد معمولاً یک یا دو علت دارد و اشتباهات روی صفحه نشان میدهند کداماند. هفت علت رایج خطاهای رونویسی صوت: هرکدام چه شکلی دارد، چرا رخ میدهد و چگونه هم در ضبط و هم در متن رونویسی درست میشود.
خطاهای رونویسی صوت بهندرت تصادفیاند. رونوشتی که «Kubernetes» را به «Cooper Netties» تبدیل میکند، حرفهای دو نفر را زیر یک نام میگذارد، یا جایی که گوینده «fifteen» گفته «fifty» مینویسد، دارد نشان میدهد چه چیزی خراب شده است. هر علت نوع خطای خودش را برجا میگذارد و هرکدام راهحل خودش را دارد. بعضی راهحلها به ضبط بعدی مربوطاند و بعضی به رونوشتی که همین حالا دارید.
این راهنما از خود خطا شروع میکند. در فهرست زیر مورد مطابق با رونوشت خود را پیدا کنید و به بخش آن بروید: خطا چه شکلی دارد، چرا با زبان ساده رخ میدهد و چه باید کرد.
بیشتر مشکلات رونویسی در هفت الگو جا میگیرند. نشانه را با علت تطبیق دهید:
دو علت اغلب روی هم جمع میشوند. مهمان راهدوری که در کافهای شلوغ با هدست و با لهجه صحبت میکند، سه نوع خطا را همزمان تولید میکند. ابتدا علتی را درست کنید که بیشترین سطرها را تحت تأثیر قرار میدهد: معمولاً اول صدا، بعد زبان، بعد کلمات.
چه شکلی است. در ضبطی که در کافه انجام شده، «Let's move the launch to March» بهصورت «Let's move the lunch to March» برمیگردد. کلمهای زیر صدای کوبیدهشدن در ناپدید میشود. روی یک سکوت طولانی با وزوز کولر، سطری ظاهر میشود که هیچکس نگفته، مثلاً «Thank you for watching.»
چرا رخ میدهد. تشخیص گفتار برای صدایی که دریافت میکند محتملترین کلمات را حدس میزند. نویز ابتدا بخشهای آرام گفتار را میپوشاند: پایان کلمات و کلمات کوتاه بینشان. وقتی از سیگنال واقعی کمتری در دست است، حدس بیشتر به چیزی تکیه میکند که معمولاً بعد میآید و «lunch» کلمهای رایجتر از «launch» است. روی نویز ثابتی که اصلاً گفتاری ندارد، بعضی سامانهها باز هم یک عبارت قالبی تولید میکنند، چون آموزش دیدهاند هر وقت صدایی شنیدند چیزی بنویسند.
در ضبط درست کنید. میکروفون را به جای بلندتر کردن، به گوینده نزدیکتر کنید. دو برابر کردن فاصله صدای مستقیم گوینده را حدود 6 dB کم میکند، در حالی که نویز اتاق همان میماند؛ پس نزدیکی از هر تنظیمی مهمتر است. اگر میتوانید، هنگام ضبط پنکهها و کولر را خاموش کنید و در اتاقی با سطوح نرم ضبط کنید، نه شیشه و کاشی.
در رونوشت درست کنید. در VocalStack برای ضبطهای پر نویز، به جای واگذاشتن به تشخیص خودکار، زبان گفتاری را مشخص کنید. یادداشت خود داشبورد هم همین را میگوید: مشخصکردن زبان دقت را در ضبطهای پر نویز و لهجههای سنگین بالا میبرد. در رونویسی زنده، حالت تأخیر Accuracy در ازای خطای کمتر روی صدای دشوار کمی تأخیر بیشتر را میپذیرد. سطرهایی که موتور کمتر از همه به آنها مطمئن است (زیر آستانهٔ اطمینان رونویسی، بهطور پیشفرض 0.60) بهجای حدس، برای شنوندگان بهصورت «Audio unclear» نشان داده میشوند و هرگز بلند خوانده نمیشوند. سطری که کاملاً ساختگی است را میتوان دستی پنهان کرد: سطرهای پنهان از رونوشت، خروجیها، زیرنویسها و پخشکننده کنار گذاشته میشوند.
چه شکلی است. «The data shows a thirty percent rise» به «The data shows a dirty percent rise» تبدیل میشود. اشتباهات یک گوینده را در سراسر ضبط دنبال میکنند، در حالی که سطرهای بقیه تمیزند.
چرا رخ میدهد. یک سامانهٔ تشخیص یاد میگیرد کلمات چگونه صدا میدهند، از گفتاری که با آن آموزش دیده است. وقتی گویندهای صدایی را متفاوت از بیشتر آن گفتار تلفظ میکند، مثلاً «th» را مانند «d»، سامانه دقیقاً همان چیزی را میشنود که گفته شده و واقعیترین کلمهای را برمیگزیند که بهتر از همه با آن صدا میخواند. تشخیص خودکار زبان ممکن است اوضاع را بدتر کند: یک لهجهٔ قوی میتواند نشانهها را به سمت زبانی کاملاً دیگر ببرد (نگاه کنید به تشخیص خودکار زبان چگونه کار میکند).
در ضبط درست کنید. برای سخنرانی زنده پیش از شروع یک Reference Script اضافه کنید (بخش اصطلاحات را در ادامه ببینید)، تا کلماتی که گوینده احتمالاً میگوید از پیش شناخته شده باشند. یک میکروفون خوب به هر لهجهای کمک میکند، چون از هر صدا بیشتر به موتور میرسد.
در رونوشت درست کنید. زبان گفتاری را برای آن ضبط مشخص کنید. بعد از تب Fix استفاده کنید: Mark uncertain words کلماتی را که موتور در آنها مطمئن نبوده رنگی و زیرخطدار میکند و میتوانید بهجای خواندن دوبارهٔ همهچیز، قطعههای نامطمئن را یکییکی مرور کنید. جایی که موتور کلمات دیگری را هم در نظر گرفته، آنها را بهعنوان اصلاحهای پیشنهادی ارائه میدهد؛ پس اصلاح «dirty» به «thirty» معمولاً یک کلیک است. Play just this word به شما اجازه میدهد پیش از تغییر چیزی، با گوش بررسی کنید.
چه شکلی است. یک گوینده میپرسد «So we agree on Tuesday?» و دیگری وسط حرف میپرد «No, Thursday works». رونوشت یک سطر واحد زیر Speaker 1 نشان میدهد: «So we agree on Tuesday no Thursday works.» یا برعکس: یک نفر که وسط جلسه هیجانزده شده، هم Speaker 1 و هم Speaker 3 ظاهر میشود.
چرا رخ میدهد. زیر کار دو وظیفهٔ جداگانه اجرا میشود. تشخیص گفتار کلمات را مینویسد؛ تشخیص گوینده (speaker diarization) بر اساس صدای هر نفر تصمیم میگیرد چه کسی کی حرف زده است. بیشتر سامانهها به هر قطعهٔ صوتی یک گوینده میدهند؛ پس وقتی دو نفر همزمان حرف میزنند، یکی میبازد. تغییر در صدای کسی (هیجان، خستگی، دورتر شدن از میکروفون) میتواند او را شبیه یک آدم تازه کند. تشخیص گوینده در برابر تشخیص گفتار هر دو وظیفه را با جزئیات توضیح میدهد.
در ضبط درست کنید. به هر نفر میکروفون خودش را بدهید. همین یک تغییر برای چند گوینده بیش از هر تنظیمی اثر دارد. در یک پنل یا جلسهای که مخاطبان سؤال میپرسند، از مجری بخواهید هر سؤال را پیش از پاسخدادن در میکروفون خودش تکرار کند.
در رونوشت درست کنید. تنظیم برچسب گوینده را انتخاب کنید: When Needed (پیشفرض) سطرها را وقتی صدای دوم شنیده شد برچسب میزند، On هر سطر را برچسب میزند، Off هیچکدام را. هر گوینده را در حین ضبط یا بعد از آن نامگذاری کنید. نام لایهای روی کلمات است؛ پس هرگز متن را تغییر نمیدهد و برای آن شخص در هر ضبط آن رونویسی اعمال میشود. گویندهای را که زیاد ضبط میکنید ذخیره کنید، تا رونویسیهای بعدی او را با نام بشناسند. سطری که دو جمله را به هم چسبانده میتواند دو نیم شود: روی فاصلهای که سطر جدید از آنجا شروع میشود ضربه بزنید.
چه شکلی است. «We deployed it on Kubernetes» به «We deployed it on Cooper Netties» تبدیل میشود. «Ms Nguyen» به «Miss Win». نام یک دارو سه کلمهٔ کوتاه انگلیسی میشود. بقیهٔ جمله درست است.
چرا رخ میدهد. سامانه فقط کلماتی را میتواند بنویسد که میشناسد و یک نام اغلب فقط یک بار میآید، بدون هیچ چیز دورش که از آن بتوان حدسش زد. وقتی کلمه را هرگز ندیده، کلمات معمولی را که صدایشان نزدیکتر است برمیگزیند. این سختترین حالت برای رونویسی دقیق اصطلاحات فنی است: جمله هیچ سرنخی نمیدهد، پس هیچ مقدار بافتاری هم نجات نمیدهد.
در ضبط درست کنید. پیش از آنکه گوینده کلمات را بگوید، آنها را به سامانه بدهید. در VocalStack این یک Reference Script است: پیش از شروع، متن یا اسلایدهای یک سخنرانی زنده یا فهرستی از نامها و اصطلاحات را اضافه کنید و نامها و اصطلاحات آن بر آنچه اشتباه شنیده شده غلبه میکنند. در طول سخنرانی، اسکریپت مثل یک تلهپرامپتر رونوشت را دنبال میکند. هر کلمهای که اسکریپت اصلاح کرده، در میان اصلاحها با SCRIPT علامت میخورد و اگر گوینده واقعاً چیز دیگری گفته بوده، قابل بازگردانی است.
در رونوشت درست کنید. نام را یک بار اصلاح کنید و بقیه را با جستوجو بررسی کنید. تا وقتی رونویسی زنده است، اصلاحها به همهٔ شنوندگان و به هر زبانی که میخوانند میرسند و هر اصلاح فهرست میشود و قابل بازگردانی است. خروجیها (SRT، PDF، Excel، JSON) اصلاحها را شامل میشوند، پس زیرنویسها و سندها املای اصلاحشده را دارند.
چه شکلی است. یک سخنرانی با سلام به اسپانیایی شروع میشود و به انگلیسی ادامه مییابد و انگلیسی بهصورت یاوهای شبیه اسپانیایی درمیآید. یا چند سطر وسط یک رونوشت انگلیسی به زبانی نزدیک ظاهر میشود. بعضی سامانهها، وقتی روی زبان اشتباه تنظیم شده باشند، بهجای آنچه گفته شده یک ترجمهٔ خام مینویسند.
چرا رخ میدهد. وقتی زبانی مشخص نشده باشد، سامانه باید آن را از روی صدا، اغلب از چند ثانیهٔ اول، تشخیص دهد. یک سلام، یک نقلقول یا یک لهجهٔ قوی میتواند آن را به راه اشتباه بکشاند. وقتی زبان اشتباهی را برگزید، هر کلمه در آن بخش با هم اشتباه است.
در ضبط درست کنید. اگر ضبط به یک زبان است، آن را مشخص کنید. وقتی واقعاً دو زبان یا بیشتر صحبت میشود، تشخیص را روشن بگذارید تا هر بخش به زبان خودش رونویسی شود؛ مشخصکردن یک زبان دیگری را به آن وادار میکند. در رونویسی زنده زبان را میتوان در حین اجرا تغییر داد و تغییر بلافاصله اعمال میشود.
در رونوشت درست کنید. سطری که به زبان اشتباه شنیده شده را نمیتوان کلمهبهکلمه درست کرد، چون هیچ چیز در آن درست نیست. VocalStack میتواند سطر را دوباره رونویسی کند: زبانی را که واقعاً در آن گفته شده برگزینید و صدای آن سطر دوباره به همان زبان خوانده میشود. نتیجه بهصورت یک اصلاح معمولی جای سطر را میگیرد، با همان بازگردانی که هر اصلاح دیگری دارد.
چه شکلی است. «The fees went up» به «The thieves went up» تبدیل میشود. «Free» و «three» جایشان را عوض میکنند. خطاها در کل ضبط پخشاند و برای گویندهی راهدور در تماس از همه بدترند.
چرا رخ میدهد. بسیاری از صداهایی که «f»، «s» و «th» را از هم جدا میکنند در بالای محدودهٔ بسامد قرار دارند. خط تلفن چیزی بالاتر از حدود 3.4 kHz نمیرساند و هدست بلوتوث اغلب میکروفونش را به حالت تماس با محدودهٔ بسیار باریکتر میبرد. فشردهسازی با نرخ بیت پایین در تماسهای ویدیویی باز هم بیشتر حذف میکند. سامانه صوتی دریافت میکند که آن صداها در آن از قبل از بین رفتهاند و بین کلماتی که حالا یکسان به گوش میرسند حدس میزند.
در ضبط درست کنید. از میکروفون سیمی یا هدستی استفاده کنید که میکروفونش در حالت کیفیت کامل میماند. اگر میتوانید، بهجای ضبط تماس، هر گویندهی راهدور را در سمت خودش ضبط کنید. برای یک رویداد، صدا را از میکسر صوتی بگیرید، نه از میکروفون لپتاپ یا تلفن در سالن: راهاندازی زندهٔ VocalStack یک کابل از میکسر میگیرد و میکروفون داخلی تلفن بیشتر از اتاق را ضبط میکند.
در رونوشت درست کنید. صوتی که هرگز گرفته نشده را نه ماشین میتواند بازیابی کند نه انسان. از علامتهای کلمات نامطمئن برای پیداکردن بخشهای آسیبدیده استفاده کنید، سطر را پخش کنید تا بررسی کنید و آنچه را میشنوید اصلاح کنید. جایی که هیچکس نمیتواند تشخیص دهد چه گفته شده، پنهانکردن سطر صادقانهتر از باقیگذاشتن یک حدس است.
چه شکلی است. «Fifteen» به «fifty» تبدیل میشود. «One twenty» وقتی گوینده یک دلار و بیست سنت منظور داشته به «120» تبدیل میشود. «The third of the fourth» بهصورت تاریخی با ترتیب اشتباه درمیآید. هر اشتباه یک کلمه است و هر کلمهٔ دیگر در جمله درست است.
چرا رخ میدهد. «Fifteen» و «fifty» عمدتاً در این تفاوت دارند که کدام هجا تکیه دارد و این تفاوت اولین چیزی است که به نویز یا گویندهی سریع از دست میرود. عددهای گفتاری همچنین چیزهایی را که عددهای نوشتاری لازم دارند حذف میکنند: واحدها، ممیزها، ترتیب روز و ماه. سامانه باید قالب را حدس بزند و حدسش رایجترین قالب است، نه قالب شما.
در ضبط درست کنید. از گویندهها بخواهید رقمها را کامل و با واحد بگویند: «one dollar twenty»، «the fifteenth of March». برای سخنرانی آمادهشده، رقمها را در اسکریپت بگذارید.
در رونوشت درست کنید. پیش از آنکه رونوشت نقل شود، فرستاده شود یا منتشر شود، هر رقم مهم را با گوش بررسی کنید. یک عدد اشتباه مثل عدد درست خوانده میشود، پس هیچ چیز روی صفحه به شما هشدار نمیدهد. نرخ خطای کلمه چه میسنجد و چه را نادیده میگیرد توضیح میدهد چرا یک رقم اشتباه بیش از سهمش در نرخ خطا هزینه دارد.
وقتی رونوشتی مشکلات زیادی دارد، آنها را به این ترتیب درست کنید تا هیچ اصلاحی با اصلاح بعدی لغو نشود:
بعد ضبط بعدی را آسانتر کنید: یک میکروفون برای هر گوینده، زبان مشخصشده و اسکریپتی که نامها در آن است. بیشتر خطاهای رونویسی صوت پیش از آنکه کسی دکمهٔ ضبط را بزند تعیین میشوند.
برای یک جلسهٔ دادرسی، یک مشاورهٔ پزشکی یا هر چیزی که یک کلمهٔ اشتباه در آن پیامد دارد، بگذارید پیش از استفاده یک انسان رونوشت را بررسی کند، هر سامانهای که آن را ساخته باشد. برای دیدن اینکه صدای خودتان کدام یک از این خطاها را تولید میکند، یک ضبط را در داشبورد امتحان کنید.