לתמליל גרוע יש בדרך כלל סיבה אחת או שתיים, והטעויות שבדף מראות איזו. שבע סיבות נפוצות לשגיאות בתמלול אודיו, איך כל אחת נראית, למה היא קורית, ואיך מתקנים אותה בהקלטה ובתמליל.
שגיאות בתמלול אודיו הן לעיתים רחוקות אקראיות. תמליל שהופך את „Kubernetes” ל„Cooper Netties”, שם מילים של שני אנשים תחת שם אחד, או כותב „fifty” במקום שבו הדובר אמר „fifteen” מראה לכם מה השתבש. כל סיבה משאירה סוג טעות משלה, ולכל אחת יש תיקון משלה. חלק מהתיקונים שייכים להקלטה הבאה, וחלקם לתמליל שכבר יש לכם.
המדריך הזה מתחיל מהטעות. מצאו ברשימה שלמטה את זו שמתאימה לתמליל שלכם, ועברו לסעיף שלה: איך הטעות נראית, למה היא קורית במילים פשוטות, ומה עושים בנדון.
רוב הבעיות בתמלול נופלות לשבעה דפוסים. התאימו את התסמין לסיבה:
שתי סיבות מצטברות לעיתים קרובות. אורח מרוחק עם אוזניות בבית קפה רועש, שמדבר במבטא, ייצור שלושה סוגי טעויות בבת אחת. תקנו קודם את הסיבה שפוגעת ברוב השורות: בדרך כלל האודיו, אחר כך השפה, ואחר כך המילים.
איך זה נראה. בהקלטה שנעשתה בבית קפה, „Let's move the launch to March” חוזר כ„Let's move the lunch to March”. מילה שנאמרה מתחת לטריקת דלת נעלמת. בשקט ארוך שבו מזגן מזמזם, מופיעה שורה שאיש לא אמר, כמו „Thank you for watching.”
למה זה קורה. זיהוי דיבור מנחש את המילים הסבירות ביותר לצליל שהוא מקבל. רעש מכסה קודם את החלקים השקטים של הדיבור: סופי מילים והמילים הקצרות שביניהן. כשיש פחות מהאות האמיתי, הניחוש נשען יותר על מה שבדרך כלל בא אחר כך, ו„lunch” מילה נפוצה יותר מ„launch”. מעל רעש יציב בלי שום דיבור, חלק מהמערכות עדיין מפיקות ביטוי קבוע, כי הן אומנו לכתוב משהו בכל פעם שהן שומעות צליל.
תקנו בהקלטה. קרבו את המיקרופון לדובר במקום להגביר את העוצמה. הכפלת המרחק מורידה כ-6 dB מהצליל הישיר של הדובר בזמן שרעש החדר נשאר במקומו, ולכן קרבה חשובה יותר מכל הגדרה. כבו מאווררים ומזגנים בזמן ההקלטה אם אפשר, והקליטו בחדר עם משטחים רכים ולא עם זכוכית וקרמיקה.
תקנו בתמליל. ב-VocalStack, בהקלטות רועשות ציינו את השפה המדוברת במקום להשאיר זיהוי אוטומטי. ההערה של לוח הבקרה עצמו אומרת זאת: ציון השפה משפר את הדיוק בהקלטות רועשות ובמבטאים כבדים. בתמלול חי, מצב ההשהיה Accuracy מקבל קצת יותר עיכוב בתמורה לפחות טעויות באודיו קשה. שורות שהמנוע הכי פחות בטוח בהן (מתחת לסף הביטחון של התמלול, 0.60 כברירת מחדל) מוצגות למאזינים כ„Audio unclear” במקום ניחוש, ואינן מוקראות לעולם. שורה שהיא המצאה גמורה אפשר להסתיר ביד: שורות מוסתרות נשארות מחוץ לתמליל, לייצואים, לכתוביות ולנגן.
איך זה נראה. „The data shows a thirty percent rise” הופך ל„The data shows a dirty percent rise”. הטעויות עוקבות אחרי דובר אחד לאורך ההקלטה, בזמן שהשורות של כל השאר נקיות.
למה זה קורה. מערכת זיהוי לומדת איך מילים נשמעות מהדיבור שעליו אומנה. כשדובר מבטא צליל אחרת מרוב הדיבור הזה, למשל „th” כ„d”, המערכת שומעת בדיוק מה שנאמר ובוחרת את המילה האמיתית שמתאימה ביותר לצליל. זיהוי שפה אוטומטי עלול להחמיר את המצב: מבטא חזק יכול להטות את הרמזים לשפה אחרת לגמרי (ראו איך עובד זיהוי שפה אוטומטי).
תקנו בהקלטה. להרצאה חיה, הוסיפו סקריפט ייחוס (Reference Script) לפני שמתחילים (ראו את הסעיף על מונחי מקצוע בהמשך), כך שהמילים שהדובר צפוי לומר כבר מוכרות. מיקרופון טוב עוזר לכל מבטא, כי יותר מכל צליל מגיע למנוע.
תקנו בתמליל. ציינו את השפה המדוברת להקלטה הזאת. אחר כך השתמשו בלשונית Fix: Mark uncertain words צובעת ומסמנת בקו תחתון את המילים שהמנוע היה לא בטוח בהן, ואפשר לעבור על הקטעים הלא בטוחים אחד אחד במקום לקרוא הכול מחדש. במקום שבו המנוע שקל מילים אחרות, הוא מציע אותן כתיקונים מוצעים, כך שתיקון „dirty” ל„thirty” הוא בדרך כלל לחיצה אחת. Play just this word מאפשר לבדוק בעזרת האוזן לפני שמשנים.
איך זה נראה. דובר אחד שואל „So we agree on Tuesday?” ודובר אחר מפרץ פנימה עם „No, Thursday works”. בתמליל מופיעה שורה אחת תחת דובר 1: „So we agree on Tuesday no Thursday works.” או ההפך: אדם אחד שהתלהב באמצע הפגישה מופיע כדובר 1 וגם כדובר 3.
למה זה קורה. שתי משימות נפרדות רצות מתחת לפני השטח. זיהוי דיבור כותב את המילים; הפרדת דוברים (דיאריזציה) קובעת מי דיבר ומתי, לפי איך שכל קול נשמע. רוב המערכות נותנות לכל קטע אודיו דובר אחד, ולכן כששניים מדברים בו זמנית, אחד מהם מפסיד. שינוי בקול של מישהו (התרגשות, עייפות, מרחק גדול יותר מהמיקרופון) יכול לגרום לו להיראות כאדם חדש. הפרדת דוברים מול זיהוי דיבור מסביר את שתי המשימות בהרחבה.
תקנו בהקלטה. תנו לכל אדם מיקרופון משלו. השינוי הזה לבדו עושה יותר למען דוברים רבים מכל הגדרה. בפאנל או בפגישה עם שאלות מהקהל, בקשו מהמנחה לחזור על כל שאלה במיקרופון שלו לפני שעונים עליה.
תקנו בתמליל. בחרו את הגדרת תוויות הדוברים: When Needed (ברירת המחדל) מתייגת שורות ברגע שנשמע קול שני, On מתייגת כל שורה, Off לא מתייגת אף אחת. תנו שם לכל דובר במהלך ההקלטה או אחריה. השם הוא שכבה מעל המילים, ולכן הוא אינו משנה את הטקסט לעולם, והוא חל על אותו אדם בכל הקלטה של התמלול. שמרו דובר שאתם מקליטים הרבה, ותמלולים מאוחרים יותר יזהו אותו לפי שמו. שורה ששני משפטים התחברו בה אפשר לפצל לשתיים: הקישו על הרווח שבו מתחילה השורה החדשה.
איך זה נראה. „We deployed it on Kubernetes” הופך ל„We deployed it on Cooper Netties”. „Ms Nguyen” הופך ל„Miss Win”. שם של תרופה הופך לשלוש מילים קצרות באנגלית רגילה. שאר המשפט תקין.
למה זה קורה. מערכת יכולה לכתוב רק מילים שהיא מכירה, ושם מופיע לעיתים קרובות פעם אחת, בלי שום דבר סביבו שמאפשר לנבא אותו. כשהמערכת לא ראתה את המילה מעולם, היא בוחרת את המילים הרגילות שנשמעות הכי קרוב. זה המקרה הקשה ביותר לתמלול מדויק של מונחי מקצוע: המשפט לא נותן שום רמז, ולכן שום הקשר לא פותר את זה.
תקנו בהקלטה. תנו למערכת את המילים לפני שהדובר אומר אותן. ב-VocalStack זהו Reference Script: הוסיפו את התסריט או השקפים של הרצאה חיה, או רשימת שמות ומונחים, לפני שמתחילים, ושמות ומונחים מתוכם גוברים על מה ששמעו לא נכון. במהלך ההרצאה התסריט עוקב אחרי התמליל כמו טלפרומפטר. כל מילה שהתסריט תיקן מסומנת SCRIPT בין התיקונים, וניתן לבטל אותה אם הדובר אכן אמר משהו אחר.
תקנו בתמליל. תקנו את השם פעם אחת ובדקו את השאר בעזרת חיפוש. תיקונים מגיעים לכל מאזין בזמן שהתמלול חי, בכל שפה שהוא קורא בה, וכל תיקון מופיע ברשימה וניתן לביטול. ייצואים (SRT, PDF, Excel, JSON) כוללים את התיקונים, כך שהכתוביות והמסמכים נושאים את האיות המתוקן.
איך זה נראה. הרצאה נפתחת בברכה בספרדית וממשיכה באנגלית, והאנגלית יוצאת כקשקוש שנראה ספרדי. או שכמה שורות באמצע תמליל באנגלית מופיעות בשפה קרובה. מערכות מסוימות, כשהן מכוונות לשפה הלא נכונה, כותבות תרגום גס במקום את מה שנאמר.
למה זה קורה. כשלא צוינה שפה, המערכת צריכה לזהות אותה מתוך הצליל, לעיתים קרובות מהשניות הראשונות. ברכה, ציטוט או מבטא חזק יכולים להפנות אותה לכיוון הלא נכון. ברגע שבחרה את השפה הלא נכונה, כל מילה בקטע הזה שגויה יחד.
תקנו בהקלטה. אם ההקלטה בשפה אחת, ציינו אותה. השאירו את הזיהוי פעיל כשבאמת מדברים שתי שפות או יותר, כך שכל חלק יתומלל בשפתו; ציון שפה אחת היה כופה את השנייה לתוכה. בתמלול חי אפשר לשנות את השפה בזמן שהוא רץ, והשינוי חל מיד.
תקנו בתמליל. שורה שנשמעה בשפה הלא נכונה לא ניתנת לתיקון מילה אחר מילה, כי שום דבר בה אינו נכון. VocalStack יכול לתמלל את השורה מחדש: בחרו את השפה שבה היא נאמרה באמת, והאודיו של השורה ייקרא שוב באותה שפה. התוצאה מחליפה את השורה כתיקון רגיל, עם אותו ביטול כמו כל תיקון אחר.
איך זה נראה. בהקלטה באנגלית „The fees went up” הופך ל„The thieves went up”, ו„free” ו„three” מתחלפים. הטעויות מתפזרות על פני כל ההקלטה, והן הגרועות ביותר אצל הדובר המרוחק בשיחה.
למה זה קורה. הרבה מהצלילים שמבדילים בין „f”, „s” ו„th” נמצאים גבוה בטווח התדרים. קו טלפון אינו נושא שום דבר מעל כ-3.4 kHz, ואוזנייה בלוטות׳ מעבירה לעיתים קרובות את המיקרופון שלה למצב שיחה עם טווח צר בהרבה. דחיסה בקצב סיביות נמוך בשיחות וידאו מסירה עוד. המערכת מקבלת אודיו שהצלילים האלה כבר חסרים בו, ומנחשת בין מילים שעכשיו נשמעות זהות.
תקנו בהקלטה. השתמשו במיקרופון חוטי, או באוזנייה שהמיקרופון שלה נשאר במצב האיכות המלא. הקליטו כל דובר מרוחק בצד שלו אם אפשר, במקום להקליט את השיחה. לאירוע, קחו את האות משולחן המיקס ולא ממיקרופון של מחשב נייד או טלפון באולם: ההתקנה החיה של VocalStack לוקחת כבל אחד מהמיקסר, והמיקרופון המובנה בטלפון קולט יותר מהחדר.
תקנו בתמליל. אודיו שלא נקלט אי אפשר לשחזר, לא בידי מכונה ולא בידי אדם. השתמשו בסימוני המילים הלא בטוחות כדי למצוא את הקטעים הפגומים, נגנו את השורה כדי לבדוק, ותקנו מה שאתם שומעים. כשאיש אינו יכול לדעת מה נאמר, הסתרת השורה כנה יותר מהשארת ניחוש.
איך זה נראה. „Fifteen” הופך ל„fifty”. „One twenty” הופך ל„120” כשהדובר התכוון לדולר ועשרים סנט. „The third of the fourth” יוצא כתאריך בסדר הפוך. כל טעות היא מילה אחת, וכל מילה אחרת במשפט נכונה.
למה זה קורה. „Fifteen” ו„fifty” נבדלות בעיקר בהטעמה של ההברה, וההבדל הזה הוא הראשון שהולך לאיבוד ברעש או אצל דובר מהיר. מספרים מדוברים גם משמיטים את מה שמספרים כתובים צריכים: יחידות, נקודות עשרוניות, סדר היום והחודש. המערכת צריכה לנחש את הפורמט, והניחוש שלה הוא הנפוץ ביותר, לא שלכם.
תקנו בהקלטה. בקשו מדוברים לומר נתונים במלואם, עם היחידה: „one dollar twenty”, „the fifteenth of March”. להרצאה מוכנת מראש, שימו את הנתונים בתסריט.
תקנו בתמליל. בדקו בעזרת האוזן כל נתון שחשוב לפני שמצטטים את התמליל, שולחים אותו או מפרסמים אותו. מספר שגוי נקרא כמו מספר נכון, ולכן שום דבר בדף לא מזהיר אתכם. מה שיעור שגיאות המילים מודד ומה הוא מפספס מסביר למה נתון שגוי אחד עולה יותר מחלקו בשיעור השגיאות.
כשבתמליל יש הרבה בעיות, תקנו אותן בסדר הזה, כדי שאף תיקון לא יבוטל על ידי הבא אחריו:
אחר כך הקלו על ההקלטה הבאה: מיקרופון לכל דובר, שפה מצוינת, ותסריט עם השמות. רוב השגיאות בתמלול אודיו נקבעות לפני שמישהו לוחץ על הקלטה.
לדיון משפטי, לייעוץ רפואי או לכל מקרה שבו למילה שגויה אחת יש השלכות, בקשו מאדם לבדוק את התמליל לפני השימוש בו, לא משנה איזו מערכת יצרה אותו. כדי לראות אילו מהשגיאות האלה האודיו שלכם מייצר, נסו הקלטה בלוח הבקרה.