Loš transkript obično ima jedan ili dva uzroka, a pogreške na stranici otkrivaju koje. Sedam čestih uzroka pogrešaka u transkripciji zvuka: kako izgleda svaki, zašto nastaje i kako ga ispraviti u snimci i u transkriptu.
Pogreške u transkripciji zvuka rijetko su slučajne. Transkript koji od „Kubernetes” napravi „Cooper Netties”, stavi riječi dviju osoba pod jedno ime ili napiše „pedeset” gdje je govornik rekao „petnaest” pokazuje vam što je pošlo po zlu. Svaki uzrok ostavlja svoju vrstu pogreške i ima svoj ispravak. Neki ispravci pripadaju sljedećoj snimci, neki transkriptu koji već imate.
Ovaj vodič kreće od pogreške. Na donjem popisu pronađite onu koja odgovara vašem transkriptu, pa prijeđite na njezin odjeljak: kako pogreška izgleda, zašto nastaje jednostavnim riječima i što učiniti.
Većina problema s transkripcijom spada u sedam obrazaca. Povežite simptom s uzrokom:
Dva se uzroka često zbrajaju. Udaljeni gost sa slušalicama u bučnom kafiću, koji govori s naglaskom, proizvest će tri vrste pogrešaka odjednom. Prvo ispravite uzrok koji pogađa najviše redaka: obično zvuk, zatim jezik, zatim riječi.
Kako izgleda. U snimci iz kafića „Let's move the launch to March” vrati se kao „Let's move the lunch to March”. Riječ ispod zalupljenih vrata nestane. Preko duge tišine uz zujanje klima-uređaja pojavi se redak koji nitko nije rekao, na primjer „Thank you for watching.”
Zašto nastaje. Prepoznavanje govora pogađa najvjerojatnije riječi za zvuk koji prima. Buka najprije prekriva tihe dijelove govora: završetke riječi i kratke riječi među njima. Kad je stvarnog signala manje, nagađanje se više oslanja na ono što obično slijedi, a „lunch” je češća riječ od „launch”. Preko ravnomjerne buke bez ikakva govora neki sustavi i dalje izbace gotovu frazu jer su naučeni napisati nešto kad god čuju zvuk.
Ispravite u snimci. Približite mikrofon govorniku umjesto da pojačavate glasnoću. Udvostručenje udaljenosti smanjuje izravni zvuk govornika za oko 6 dB dok buka prostorije ostaje ista, pa je blizina važnija od bilo koje postavke. Ako možete, isključite ventilatore i klimu za vrijeme snimanja i snimajte u prostoriji s mekim površinama, a ne sa staklom i pločicama.
Ispravite u transkriptu. U VocalStacku na bučnim snimkama navedite izgovoreni jezik umjesto da ga prepustite automatskom prepoznavanju. To kaže i sama napomena u Dashboardu: navođenje jezika poboljšava točnost na bučnim snimkama i uz jake naglaske. Za transkripciju uživo način kašnjenja Accuracy prihvaća malo veće kašnjenje u zamjenu za manje pogrešaka na teškom zvuku. Retci u koje je stroj najmanje siguran (ispod praga pouzdanosti transkripcije, prema zadanim postavkama 0.60) slušateljima se prikazuju kao „Audio unclear” umjesto nagađanja i nikad se ne čitaju naglas. Redak koji je čista izmišljotina može se sakriti ručno: skriveni retci izostavljaju se iz transkripta, izvoza, titlova i playera.
Kako izgleda. „The data shows a thirty percent rise” postane „The data shows a dirty percent rise”. Pogreške prate jednog govornika kroz cijelu snimku, a retci svih ostalih su čisti.
Zašto nastaje. Sustav prepoznavanja uči kako riječi zvuče iz govora na kojem je treniran. Kad govornik izgovara neki glas drukčije od većine tog govora, na primjer „th” kao „d”, sustav čuje točno ono što je rečeno i bira stvarnu riječ koja tom zvuku najbolje odgovara. Automatsko prepoznavanje jezika može to pogoršati: jak naglasak može pomaknuti znakove prema sasvim drugom jeziku (pogledajte kako radi automatsko prepoznavanje jezika).
Ispravite u snimci. Za govor uživo dodajte Reference Script prije početka (pogledajte odjeljak o stručnim izrazima u nastavku) kako bi riječi koje će govornik vjerojatno reći već bile poznate. Dobar mikrofon pomaže svakom naglasku jer do stroja stiže više svakog glasa.
Ispravite u transkriptu. Navedite izgovoreni jezik za tu snimku. Zatim koristite karticu Fix: Mark uncertain words boji i podcrtava riječi u koje stroj nije bio siguran, a nesigurne dijelove možete prolaziti jedan po jedan umjesto da sve čitate ispočetka. Gdje je stroj razmatrao druge riječi, nudi ih kao predložene ispravke, pa je ispravak „dirty” u „thirty” obično jedan klik. Play just this word omogućuje da provjerite sluhom prije promjene.
Kako izgleda. Jedan govornik pita „So we agree on Tuesday?”, a drugi upada s „No, Thursday works”. Transkript prikazuje jedan redak pod Speaker 1: „So we agree on Tuesday no Thursday works.” Ili obrnuto: osoba koja se usred sastanka uzbudila pojavljuje se kao Speaker 1 i Speaker 3.
Zašto nastaje. Ispod rade dva odvojena posla. Prepoznavanje govora piše riječi; dijarizacija govornika odlučuje tko je kada govorio, prema tome kako zvuči svaki glas. Većina sustava svakom dijelu zvuka dodjeljuje jednog govornika, pa kad dvoje govori istodobno, jedno gubi. Promjena nečijeg glasa (uzbuđenje, umor, veća udaljenost od mikrofona) može ga učiniti novom osobom. Dijarizacija govornika i prepoznavanje govora detaljno objašnjava oba posla.
Ispravite u snimci. Svakoj osobi dajte vlastiti mikrofon. Ta jedna promjena više pomaže kod više govornika od bilo koje postavke. Na panelu ili sastanku s pitanjima publike zamolite moderatora da svako pitanje ponovi u vlastiti mikrofon prije odgovora.
Ispravite u transkriptu. Odaberite postavku oznaka govornika: When Needed (zadano) označava retke čim se čuje drugi glas, On označava svaki redak, Off nijedan. Imenujte svakog govornika tijekom ili nakon snimanja. Ime je sloj nad riječima, pa nikad ne mijenja tekst i vrijedi za tu osobu u svakoj snimci transkripcije. Spremite govornika kojeg često snimate i kasnije će ga transkripcije prepoznati po imenu. Redak koji spaja dvije rečenice može se razdvojiti na dva: dodirnite razmak gdje počinje novi redak.
Kako izgleda. „We deployed it on Kubernetes” postane „We deployed it on Cooper Netties”. „Ms Nguyen” postane „Miss Win”. Naziv lijeka pretvori se u tri kratke engleske riječi. Ostatak rečenice je u redu.
Zašto nastaje. Sustav može napisati samo riječi koje poznaje, a ime se često pojavi jednom, bez ičega oko sebe iz čega bi se moglo predvidjeti. Kad riječ nikad nije vidio, bira obične riječi koje zvuče najbliže. To je najteži slučaj za točnu transkripciju stručnih izraza: rečenica ne daje nikakav trag, pa nikakav kontekst ne pomaže.
Ispravite u snimci. Sustavu dajte riječi prije nego što ih govornik izgovori. U VocalStacku je to Reference Script: dodajte scenarij ili slajdove govora uživo, ili popis imena i pojmova, prije početka, pa imena i pojmovi iz njega imaju prednost pred pogrešno prepoznatim riječima. Tijekom govora scenarij prati transkript poput teleprompera. Svaka riječ koju je scenarij ispravio u ispravcima je označena kao SCRIPT i može se poništiti ako je govornik doista rekao nešto drugo.
Ispravite u transkriptu. Ispravite ime jednom, a ostalo provjerite pretraživanjem. Ispravci stižu do svakog slušatelja dok je transkripcija uživo, na svakom jeziku koji čitaju, a svaki je ispravak naveden i može se poništiti. Izvozi (SRT, PDF, Excel, JSON) uključuju ispravke, pa titlovi i dokumenti nose ispravljen pravopis.
Kako izgleda. Govor počinje pozdravom na španjolskom i nastavlja se na engleskom, a engleski izlazi kao besmislica nalik španjolskom. Ili se nekoliko redaka usred engleskog transkripta pojavi na srodnom jeziku. Neki sustavi, postavljeni na pogrešan jezik, pišu grub prijevod umjesto onoga što je rečeno.
Zašto nastaje. Kad jezik nije naveden, sustav ga mora prepoznati iz zvuka, često iz prvih nekoliko sekundi. Pozdrav, citat ili jak naglasak mogu ga usmjeriti u pogrešnom smjeru. Kad jednom odabere pogrešan jezik, sve riječi u tom dijelu pogrešne su zajedno.
Ispravite u snimci. Ako je snimka na jednom jeziku, navedite ga. Ostavite prepoznavanje uključeno kad se doista govori na dva ili više jezika, kako bi se svaki dio transkribirao na svom jeziku; navođenje jednog prisililo bi drugi u njega. U transkripciji uživo jezik se može promijeniti dok traje, a promjena vrijedi odmah.
Ispravite u transkriptu. Redak prepoznat na pogrešnom jeziku ne može se ispraviti riječ po riječ jer u njemu ništa nije točno. VocalStack može ponovno transkribirati redak: odaberite jezik na kojem je zaista izgovoren i zvuk tog retka ponovno se čita na tom jeziku. Rezultat zamjenjuje redak kao običan ispravak, s istim poništavanjem kao svaki drugi.
Kako izgleda. „The fees went up” postane „The thieves went up”. „Free” i „three” zamijene mjesta. Pogreške su raširene po cijeloj snimci, a najgore su kod udaljenog govornika na pozivu.
Zašto nastaje. Mnogi glasovi koji razlikuju „f”, „s” i „th” nalaze se visoko u frekvencijskom rasponu. Telefonska linija ne prenosi ništa iznad otprilike 3.4 kHz, a Bluetooth slušalice često prebace mikrofon u način poziva s mnogo užim rasponom. Kompresija niskog bitrate-a u videopozivima uklanja još više. Sustav prima zvuk u kojem su ti glasovi već nestali i nagađa između riječi koje sada zvuče isto.
Ispravite u snimci. Koristite žičani mikrofon ili slušalice čiji mikrofon ostaje u načinu pune kvalitete. Ako možete, snimajte svakog udaljenog govornika na njegovoj strani umjesto da snimate poziv. Za događaj uzmite signal s audio miksete umjesto s mikrofona prijenosnog računala ili telefona u dvorani: VocalStackovo postavljanje uživo uzima jedan kabel s miksete, a ugrađeni mikrofon telefona hvata više prostorije.
Ispravite u transkriptu. Zvuk koji nikad nije snimljen ne može se povratiti, ni strojem ni čovjekom. Pomoću oznaka nesigurnih riječi pronađite oštećene dijelove, preslušajte redak da provjerite i ispravite ono što čujete. Gdje nitko ne može razabrati što je rečeno, poštenije je sakriti redak nego ostaviti nagađanje.
Kako izgleda. „Fifteen” postane „fifty”. „One twenty” postane „120” kad je govornik mislio jedan dolar i dvadeset centi. „The third of the fourth” izađe kao datum u pogrešnom redoslijedu. Svaka je pogreška jedna riječ, a sve ostale riječi u rečenici su točne.
Zašto nastaje. „Fifteen” i „fifty” razlikuju se uglavnom po tome koji je slog naglašen, a ta se razlika prva gubi zbog buke ili brzog govornika. Izgovoreni brojevi izostavljaju i ono što pisani trebaju: jedinice, decimalne točke, redoslijed dana i mjeseca. Sustav mora pogoditi format, a njegovo je nagađanje onaj najčešći, ne vaš.
Ispravite u snimci. Zamolite govornike da brojke izgovaraju u cijelosti, s jedinicom: „one dollar twenty”, „the fifteenth of March”. Za pripremljen govor stavite brojke u scenarij.
Ispravite u transkriptu. Svaku brojku koja je važna provjerite sluhom prije nego što se transkript citira, pošalje ili objavi. Pogrešan broj čita se kao točan, pa vas ništa na stranici ne upozorava. Što mjeri stopa pogrešnih riječi i što joj promiče objašnjava zašto jedna pogrešna brojka košta više od svog udjela u stopi pogrešaka.
Kad transkript ima mnogo problema, ispravljajte ih ovim redom kako sljedeći ispravak ne bi poništio prethodni:
Zatim olakšajte sljedeću snimku: mikrofon po govorniku, navedeni jezik i scenarij s imenima. Većina pogrešaka u transkripciji zvuka odlučuje se prije nego što itko pritisne snimanje.
Za ročište, liječnički pregled ili bilo što gdje jedna pogrešna riječ ima posljedice neka čovjek provjeri transkript prije uporabe, bez obzira na to koji ga je sustav napravio. Da vidite koje od ovih pogrešaka stvara vaš zvuk, isprobajte snimku u Dashboardu.