Unha transcrición mala adoita ter unha ou dúas causas, e os erros da páxina indican cales. Sete causas habituais dos erros na transcrición de audio, que aspecto ten cada unha, por que ocorre e a solución na gravación e na transcrición.
Os erros na transcrición de audio rara vez son aleatorios. Unha transcrición que converte «Kubernetes» en «Cooper Netties», pon as palabras de dúas persoas baixo un só nome ou escribe «fifty» onde quen falaba dixo «fifteen» está mostrándoche o que fallou. Cada causa deixa o seu tipo de erro, e cada unha ten a súa solución. Algunhas pertencen á seguinte gravación, outras á transcrición que xa tes.
Esta guía parte do erro. Busca na lista de abaixo o que coincide coa túa transcrición e vai á súa sección: que aspecto ten o erro, por que ocorre en palabras simples e que facer ao respecto.
A maioría dos problemas de transcrición encaixan en sete patróns. Relaciona o síntoma coa causa:
Dúas causas adoitan sumarse. Unha persoa convidada en remoto, con auriculares nunha cafetaría ruidosa e con acento, producirá tres tipos de erro á vez. Corrixe primeiro a causa que afecta a máis liñas: normalmente o audio, despois o idioma e despois as palabras.
Que aspecto ten. Nunha gravación feita nunha cafetaría, «Let's move the launch to March» volve como «Let's move the lunch to March». Unha palabra baixo o golpe dunha porta desaparece. Durante un silencio longo co zunido dun aire acondicionado, aparece unha liña que ninguén dixo, como «Thank you for watching.»
Por que ocorre. O recoñecemento da fala adiviña as palabras máis probables para o son que recibe. O ruído cobre primeiro as partes suaves da fala: o final das palabras e as palabras curtas entre elas. Con menos sinal real, a suposición apóiase máis no que adoita vir despois, e «lunch» é unha palabra máis común ca «launch». Ante un ruído constante sen fala ningunha, algúns sistemas aínda producen unha frase feita, porque foron adestrados para escribir algo sempre que oen son.
Corríxeo na gravación. Achega o micrófono a quen fala en vez de subir o volume. Dobrar a distancia reduce o son directo de quen fala uns 6 dB mentres o ruído da sala segue igual, así que a proximidade importa máis ca calquera axuste. Apaga ventiladores e aire acondicionado durante a gravación se podes, e grava nunha sala con superficies brandas en vez de vidro e azulexos.
Corríxeo na transcrición. En VocalStack, indica o idioma falado nas gravacións ruidosas en vez de deixar a detección automática. A propia nota do panel di o mesmo: indicar o idioma mellora a precisión en gravacións ruidosas e con acentos marcados. Nunha transcrición en directo, o modo de latencia Accuracy acepta un pouco máis de atraso a cambio de menos erros con audio difícil. As liñas das que o motor está menos seguro (por debaixo do limiar de confianza da transcrición, 0.60 por defecto) móstranse aos oíntes como «Audio unclear» en vez dunha suposición, e nunca se len en voz alta. Unha liña que é pura invención pode ocultarse a man: as liñas ocultas quedan fóra da transcrición, das exportacións, dos subtítulos e do reprodutor.
Que aspecto ten. «The data shows a thirty percent rise» convértese en «The data shows a dirty percent rise». Os erros seguen a unha soa persoa ao longo da gravación, mentres as liñas dos demais saen limpas.
Por que ocorre. Un sistema de recoñecemento aprende como soan as palabras a partir da fala con que foi adestrado. Cando alguén pronuncia un son de xeito distinto á maioría desa fala, como un «th» dito como «d», o sistema oe exactamente o que se dixo e escolle a palabra real que mellor encaixa con ese son. A detección automática de idioma pode empeorar as cousas: un acento forte pode desviar os indicios cara a outra lingua (consulta como funciona a detección automática de idioma).
Corríxeo na gravación. Para unha charla en directo, engade un Reference Script antes de comezar (consulta a sección sobre xerga máis abaixo), para que as palabras que probablemente diga quen fala xa sexan coñecidas. Un bo micrófono axuda con todos os acentos, porque chega máis de cada son ao motor.
Corríxeo na transcrición. Indica o idioma falado desa gravación. Despois usa a pestana Fix: Mark uncertain words colorea e subliña as palabras das que o motor non estaba seguro, e podes percorrer os segmentos incertos un por un en vez de reler todo. Cando o motor considerou outras palabras, ofrécetas como correccións suxeridas, así que cambiar «dirty» por «thirty» adoita ser un clic. Play just this word permíteche comprobalo de oído antes de cambiar nada.
Que aspecto ten. Unha persoa pregunta «So we agree on Tuesday?» mentres outra interrompe con «No, Thursday works». A transcrición mostra unha única liña baixo Speaker 1: «So we agree on Tuesday no Thursday works.» Ou ao revés: unha persoa que se animou a metade da reunión aparece como Speaker 1 e Speaker 3.
Por que ocorre. Por baixo traballan dúas tarefas distintas. O recoñecemento da fala escribe as palabras; a diarización de falantes decide quen falou cando, polo xeito en que soa cada voz. A maioría dos sistemas asignan un só falante a cada tramo de audio, así que cando dúas persoas falan á vez, unha das dúas perde. Un cambio na voz de alguén (animado, canso, máis lonxe do micrófono) pode facelo parecer unha persoa nova. Diarización de falantes fronte ao recoñecemento da fala explica en detalle as dúas tarefas.
Corríxeo na gravación. Dálle a cada persoa o seu propio micrófono. Ese cambio só fai máis polos falantes múltiples ca calquera axuste. Nunha mesa redonda ou nunha reunión con preguntas do público, pídelle a quen modera que repita cada pregunta no seu propio micrófono antes de que se responda.
Corríxeo na transcrición. Escolle o axuste das etiquetas de falante: When Needed (o predeterminado) etiqueta as liñas cando se oe unha segunda voz, On etiqueta todas as liñas e Off non etiqueta ningunha. Pon nome a cada falante durante a gravación ou despois. O nome é unha capa sobre as palabras, así que nunca cambia o texto, e aplícase a esa persoa en todas as gravacións da transcrición. Garda un falante que gravas a miúdo, e as transcricións posteriores recoñeceno polo nome. Unha liña que xunta dúas frases pode dividirse en dúas: toca o oco onde comeza a nova liña.
Que aspecto ten. «We deployed it on Kubernetes» convértese en «We deployed it on Cooper Netties». «Ms Nguyen» pasa a ser «Miss Win». O nome dun fármaco vira tres palabras inglesas curtas. O resto da frase está ben.
Por que ocorre. Un sistema só pode escribir palabras que coñece, e un nome adoita aparecer unha vez, sen nada ao redor que o fai predicible. Cando nunca viu a palabra, escolle as palabras comúns que soan máis parecido. Este é o caso máis difícil para a transcrición precisa de terminoloxía técnica: a frase non dá ningunha pista, así que ningún contexto o arranxa.
Corríxeo na gravación. Dálle ao sistema as palabras antes de que quen fala as diga. En VocalStack iso é un Reference Script: engade o guión ou as diapositivas dunha charla en directo, ou unha lista de nomes e termos, antes de comezar, e os nomes e termos del imponse sobre o mal entendido. Durante a charla o guión segue a transcrición como un teleprompter. Cada palabra que o guión corrixiu está marcada SCRIPT entre as correccións e pode desfacerse se quen falaba dixo realmente outra cousa.
Corríxeo na transcrición. Corrixe o nome unha vez e comproba o resto coa busca. As correccións chegan a todos os oíntes mentres a transcrición está en directo, en todos os idiomas que len, e cada corrección queda listada e pode desfacerse. As exportacións (SRT, PDF, Excel, JSON) inclúen as correccións, así que os subtítulos e os documentos levan a ortografía corrixida.
Que aspecto ten. Unha charla comeza cun saúdo en español e continúa en inglés, e o inglés sae como parvadas de aspecto español. Ou unhas poucas liñas no medio dunha transcrición en inglés aparecen nunha lingua emparentada. Algúns sistemas, axustados ao idioma equivocado, escriben unha tradución aproximada en vez do que se dixo.
Por que ocorre. Cando non se indica ningún idioma, o sistema ten que detectalo polo son, a miúdo nos primeiros segundos. Un saúdo, unha cita ou un acento forte poden orientalo mal. Unha vez que escolleu o idioma equivocado, todas as palabras dese tramo fallan xuntas.
Corríxeo na gravación. Se a gravación está nun só idioma, indícao. Deixa a detección activada cando realmente se falan dous ou máis idiomas, para que cada parte se transcriba na súa lingua; indicar un só obrigaría o outro a entrar nel. Nunha transcrición en directo o idioma pode cambiarse mentres corre, e o cambio aplícase ao instante.
Corríxeo na transcrición. Unha liña oída no idioma equivocado non se pode arranxar palabra por palabra, porque nada nela é correcto. VocalStack pode volver transcribir a liña: escolle o idioma no que se falou realmente, e o audio da liña lese de novo nese idioma. O resultado substitúe a liña como unha corrección normal, co mesmo desfacer ca calquera outra.
Que aspecto ten. «The fees went up» convértese en «The thieves went up». «Free» e «three» intercámbianse. Os erros esténdense por toda a gravación e son peores en quen fala en remoto nunha chamada.
Por que ocorre. Moitos dos sons que distinguen «f», «s» e «th» están na parte alta do intervalo de frecuencias. Unha liña telefónica non leva nada por riba duns 3.4 kHz, e uns auriculares Bluetooth adoitan pasar o seu micrófono a un modo de chamada cun intervalo moito máis estreito. A compresión de baixa taxa de bits nas videochamadas quita aínda máis. O sistema recibe un audio no que eses sons xa se perderon, e adiviña entre palabras que agora soan idénticas.
Corríxeo na gravación. Usa un micrófono con cable, ou uns auriculares cuxo micrófono siga no seu modo de calidade completa. Se podes, grava a cada persoa en remoto no seu lado, en vez de gravar a chamada. Para un evento, toma o sinal da mesa de mesturas en vez dun micrófono de portátil ou de teléfono na sala: a configuración en directo de VocalStack toma un cable da mesa de mesturas, e o micrófono integrado dun teléfono capta máis da sala.
Corríxeo na transcrición. O audio que nunca se captou non se pode recuperar, nin por unha máquina nin por unha persoa. Usa as marcas de palabras incertas para atopar os tramos danados, reproduce a liña para comprobala e corrixe o que poidas oír. Cando ninguén pode dicir que se dixo, ocultar a liña é máis honesto ca deixar unha suposición.
Que aspecto ten. «Fifteen» convértese en «fifty». «One twenty» convértese en «120» cando quen falaba quería dicir un dólar vinte. «The third of the fourth» sae como unha data na orde equivocada. Cada erro é unha soa palabra, e todas as demais palabras da frase son correctas.
Por que ocorre. «Fifteen» e «fifty» diferéncianse sobre todo en que sílaba leva o acento, e esa diferenza é o primeiro que se perde co ruído ou cunha persoa que fala rápido. Os números falados tamén omiten o que precisan os escritos: unidades, comas decimais, a orde de día e mes. O sistema ten que adiviñar o formato, e a súa suposición é a máis común, non a túa.
Corríxeo na gravación. Pídelle a quen fala que diga as cifras completas, coa unidade: «one dollar twenty», «the fifteenth of March». Nunha charla preparada, pon as cifras no guión.
Corríxeo na transcrición. Comproba de oído cada cifra que importe antes de citar, enviar ou publicar a transcrición. Un número erróneo le como un correcto, así que nada na páxina te avisa. Que mide a taxa de erro por palabra e que se lle escapa explica por que unha cifra errada custa máis que a súa parte da taxa de erro.
Cando unha transcrición ten moitos problemas, arránxaos nesta orde, para que ningunha corrección se desfaga coa seguinte:
Despois fai máis doada a seguinte gravación: un micrófono por falante, o idioma indicado e un guión cos nomes. A maioría dos erros na transcrición de audio decídense antes de que ninguén prema gravar.
Para unha audiencia xudicial, unha consulta médica ou calquera caso no que unha palabra errada teña consecuencias, pídelle a unha persoa que revise a transcrición antes de usala, sexa cal for o sistema que a fixo. Para ver cales destes erros produce o teu propio audio, proba unha gravación no panel.