Transkrip yang buruk biasanya punya satu atau dua penyebab, dan kesalahan di halaman menunjukkan yang mana. Tujuh penyebab umum kesalahan transkripsi audio, seperti apa wujudnya, mengapa terjadi, serta cara memperbaikinya di rekaman maupun di transkrip.
Kesalahan transkripsi audio jarang terjadi secara acak. Transkrip yang mengubah "Kubernetes" menjadi "Cooper Netties", menaruh ucapan dua orang di bawah satu nama, atau menulis "fifty" padahal pembicara mengucapkan "fifteen" sedang menunjukkan apa yang salah. Setiap penyebab meninggalkan jenis kesalahannya sendiri, dan masing-masing punya perbaikannya sendiri. Sebagian perbaikan ada pada rekaman berikutnya, sebagian pada transkrip yang sudah Anda miliki.
Panduan ini berangkat dari kesalahannya. Temukan di daftar di bawah yang cocok dengan transkrip Anda, lalu buka bagiannya: seperti apa kesalahan itu, mengapa terjadi dengan kata-kata sederhana, dan apa yang bisa dilakukan.
Sebagian besar masalah transkripsi jatuh ke dalam tujuh pola. Cocokkan gejala dengan penyebabnya:
Dua penyebab sering menumpuk. Tamu jarak jauh dengan headset di kafe yang bising, berbicara dengan aksen, akan menghasilkan tiga jenis kesalahan sekaligus. Perbaiki dulu penyebab yang memengaruhi paling banyak baris: biasanya audionya, lalu bahasanya, lalu kata-katanya.
Seperti apa wujudnya. Dalam rekaman yang dibuat di kafe, "Let's move the launch to March" kembali sebagai "Let's move the lunch to March". Satu kata di bawah bantingan pintu lenyap. Di atas keheningan panjang dengan dengung pendingin udara, muncul baris yang tidak diucapkan siapa pun, seperti "Thank you for watching."
Mengapa terjadi. Pengenalan ucapan menebak kata yang paling mungkin untuk bunyi yang diterimanya. Bising menutupi bagian ucapan yang pelan lebih dulu: ujung kata dan kata-kata pendek di antaranya. Dengan sinyal asli yang lebih sedikit, tebakan lebih bersandar pada apa yang biasanya muncul berikutnya, dan "lunch" adalah kata yang lebih umum daripada "launch". Di atas bising yang stabil tanpa ucapan sama sekali, sebagian sistem tetap menghasilkan frasa baku, karena mereka dilatih untuk menulis sesuatu setiap kali mendengar bunyi.
Perbaiki di rekaman. Dekatkan mikrofon ke pembicara, jangan sekadar menaikkan volumenya. Menggandakan jarak mengurangi bunyi langsung pembicara sekitar 6 dB sementara bising ruangan tetap sama, jadi kedekatan lebih penting daripada pengaturan apa pun. Matikan kipas dan pendingin udara selama merekam jika bisa, dan rekamlah di ruangan dengan permukaan lunak, bukan kaca dan ubin.
Perbaiki di transkrip. Di VocalStack, pada rekaman yang bising, sebutkan bahasa yang diucapkan alih-alih membiarkannya pada deteksi otomatis. Catatan di Dasbor sendiri mengatakan demikian: menyebutkan bahasa meningkatkan akurasi pada rekaman bising dan aksen yang kental. Untuk transkripsi langsung, mode latensi Accuracy menerima sedikit lebih banyak jeda sebagai ganti lebih sedikit kesalahan pada audio yang sulit. Baris yang paling tidak diyakini mesin (di bawah ambang keyakinan transkripsi, 0.60 secara bawaan) ditampilkan kepada pendengar sebagai "Audio unclear" alih-alih tebakan, dan tidak pernah dibacakan. Baris yang murni karangan bisa disembunyikan secara manual: baris tersembunyi tidak disertakan dalam transkrip, ekspor, subtitel, dan pemutar.
Seperti apa wujudnya. "The data shows a thirty percent rise" menjadi "The data shows a dirty percent rise". Kesalahan mengikuti satu pembicara sepanjang rekaman, sementara baris orang lain bersih.
Mengapa terjadi. Sistem pengenalan mempelajari bunyi kata dari ucapan tempat ia dilatih. Ketika pembicara melafalkan suatu bunyi berbeda dari kebanyakan ucapan itu, misalnya "th" diucapkan sebagai "d", sistem mendengar persis apa yang diucapkan dan memilih kata sungguhan yang paling cocok dengan bunyi itu. Deteksi bahasa otomatis bisa memperburuknya: aksen yang kuat dapat menggeser petunjuk ke bahasa yang sama sekali lain (lihat cara kerja deteksi bahasa otomatis).
Perbaiki di rekaman. Untuk ceramah langsung, tambahkan Reference Script sebelum mulai (lihat bagian jargon di bawah), sehingga kata-kata yang mungkin diucapkan pembicara sudah dikenal. Mikrofon yang bagus membantu setiap aksen, karena lebih banyak dari setiap bunyi sampai ke mesin.
Perbaiki di transkrip. Sebutkan bahasa yang diucapkan untuk rekaman itu. Lalu gunakan tab Fix: Mark uncertain words memberi warna dan garis bawah pada kata yang diragukan mesin, dan Anda bisa menelusuri segmen yang tidak pasti satu per satu tanpa membaca ulang semuanya. Di tempat mesin mempertimbangkan kata lain, mesin menawarkannya sebagai saran perbaikan, jadi mengoreksi "dirty" menjadi "thirty" biasanya cukup satu klik. Play just this word memungkinkan Anda memeriksa dengan telinga sebelum mengubah apa pun.
Seperti apa wujudnya. Satu pembicara bertanya "So we agree on Tuesday?" sementara yang lain menyela dengan "No, Thursday works". Transkrip menampilkan satu baris di bawah Speaker 1: "So we agree on Tuesday no Thursday works." Atau sebaliknya: satu orang yang menjadi bersemangat di tengah rapat muncul sebagai Speaker 1 dan Speaker 3.
Mengapa terjadi. Dua pekerjaan terpisah berjalan di bawahnya. Pengenalan ucapan menulis kata-katanya; diarisasi pembicara memutuskan siapa berbicara kapan, dari bagaimana bunyi setiap suara. Kebanyakan sistem memberi satu pembicara untuk setiap potongan audio, jadi ketika dua orang berbicara bersamaan, salah satunya kalah. Perubahan pada suara seseorang (bersemangat, lelah, lebih jauh dari mikrofon) bisa membuatnya tampak seperti orang baru. Diarisasi pembicara vs pengenalan ucapan menjelaskan kedua pekerjaan itu secara rinci.
Perbaiki di rekaman. Beri setiap orang mikrofonnya sendiri. Satu perubahan itu berbuat lebih banyak untuk banyak pembicara daripada pengaturan apa pun. Pada panel atau rapat dengan pertanyaan dari hadirin, minta moderator mengulang setiap pertanyaan ke mikrofonnya sendiri sebelum dijawab.
Perbaiki di transkrip. Pilih pengaturan label pembicara: When Needed (bawaan) melabeli baris begitu suara kedua terdengar, On melabeli setiap baris, Off tidak melabeli sama sekali. Beri nama setiap pembicara selama atau sesudah rekaman. Nama adalah lapisan di atas kata-kata, jadi tidak pernah mengubah teks, dan berlaku untuk orang itu di setiap rekaman dalam transkripsi tersebut. Simpan pembicara yang sering Anda rekam, dan transkripsi berikutnya akan mengenalinya dari namanya. Baris yang menggabungkan dua kalimat dapat dipecah menjadi dua: ketuk celah tempat baris baru dimulai.
Seperti apa wujudnya. "We deployed it on Kubernetes" menjadi "We deployed it on Cooper Netties". "Ms Nguyen" menjadi "Miss Win". Nama obat berubah menjadi tiga kata Inggris pendek. Sisa kalimatnya baik-baik saja.
Mengapa terjadi. Sistem hanya bisa menulis kata yang dikenalnya, dan sebuah nama sering muncul sekali saja, tanpa apa pun di sekitarnya yang memungkinkan untuk memprediksinya. Jika belum pernah melihat kata itu, sistem memilih kata-kata biasa yang bunyinya paling dekat. Inilah kasus tersulit untuk transkripsi terminologi teknis yang akurat: kalimat tidak memberi petunjuk, sehingga konteks sebanyak apa pun tidak membantu.
Perbaiki di rekaman. Beri sistem kata-katanya sebelum pembicara mengucapkannya. Di VocalStack itu adalah Reference Script: tambahkan naskah atau slide ceramah langsung, atau daftar nama dan istilah, sebelum mulai, dan nama serta istilah darinya mengalahkan apa yang salah didengar. Selama ceramah, script mengikuti transkrip seperti teleprompter. Setiap kata yang dikoreksi script ditandai SCRIPT di antara perbaikan dan dapat dibatalkan jika pembicara memang mengatakan hal lain.
Perbaiki di transkrip. Koreksi nama satu kali dan periksa sisanya dengan pencarian. Selama transkripsi berlangsung langsung, koreksi sampai ke setiap pendengar, dalam setiap bahasa yang mereka baca, dan setiap koreksi tercatat dan dapat dibatalkan. Ekspor (SRT, PDF, Excel, JSON) menyertakan koreksi, jadi subtitel dan dokumen membawa ejaan yang sudah diperbaiki.
Seperti apa wujudnya. Sebuah ceramah dibuka dengan salam dalam bahasa Spanyol dan berlanjut dalam bahasa Inggris, dan bahasa Inggrisnya keluar sebagai omong kosong mirip bahasa Spanyol. Atau beberapa baris di tengah transkrip bahasa Inggris muncul dalam bahasa yang berkerabat. Sebagian sistem, bila disetel ke bahasa yang salah, menulis terjemahan kasar alih-alih apa yang diucapkan.
Mengapa terjadi. Ketika tidak ada bahasa yang disebutkan, sistem harus mendeteksinya dari bunyi, sering dari beberapa detik pertama. Salam, kutipan, atau aksen yang kuat dapat mengarahkannya ke jalan yang salah. Begitu memilih bahasa yang salah, setiap kata di bagian itu salah bersama-sama.
Perbaiki di rekaman. Jika rekaman dalam satu bahasa, sebutkan bahasanya. Biarkan deteksi menyala ketika dua bahasa atau lebih benar-benar diucapkan, agar setiap bagian ditranskripsi dalam bahasanya sendiri; menyebutkan satu bahasa akan memaksa bahasa lain masuk ke dalamnya. Dalam transkripsi langsung, bahasa dapat diubah selagi berjalan, dan perubahannya berlaku seketika.
Perbaiki di transkrip. Baris yang terdengar dalam bahasa yang salah tidak dapat diperbaiki kata demi kata, karena tidak ada yang benar di dalamnya. VocalStack dapat mentranskripsi ulang baris itu: pilih bahasa yang sebenarnya diucapkan, dan audio baris itu dibaca lagi dalam bahasa tersebut. Hasilnya menggantikan baris sebagai koreksi biasa, dengan pembatalan yang sama seperti koreksi lain.
Seperti apa wujudnya. "The fees went up" menjadi "The thieves went up". "Free" dan "three" bertukar. Kesalahan tersebar di seluruh rekaman, dan paling parah pada pembicara jarak jauh dalam panggilan.
Mengapa terjadi. Banyak bunyi yang membedakan "f", "s", dan "th" berada tinggi dalam rentang frekuensi. Saluran telepon tidak membawa apa pun di atas sekitar 3.4 kHz, dan headset Bluetooth sering mengalihkan mikrofonnya ke mode panggilan dengan rentang yang jauh lebih sempit. Kompresi bitrate rendah pada panggilan video menghilangkan lebih banyak lagi. Sistem menerima audio yang bunyi-bunyi itu sudah hilang, lalu menebak di antara kata-kata yang kini terdengar identik.
Perbaiki di rekaman. Gunakan mikrofon berkabel, atau headset yang mikrofonnya tetap dalam mode kualitas penuh. Rekam setiap pembicara jarak jauh di sisinya jika bisa, alih-alih merekam panggilannya. Untuk acara, ambil sinyal dari mixer audio, bukan dari mikrofon laptop atau ponsel di ruangan: pengaturan langsung VocalStack mengambil satu kabel dari mixer, sedangkan mikrofon bawaan ponsel menangkap lebih banyak suara ruangan.
Perbaiki di transkrip. Audio yang tidak pernah terekam tidak bisa dipulihkan, baik oleh mesin maupun manusia. Gunakan tanda kata yang tidak pasti untuk menemukan bagian yang rusak, putar barisnya untuk memeriksa, dan koreksi apa yang bisa Anda dengar. Di tempat yang tidak seorang pun bisa memastikan apa yang diucapkan, menyembunyikan baris lebih jujur daripada membiarkan tebakan.
Seperti apa wujudnya. "Fifteen" menjadi "fifty". "One twenty" menjadi "120" padahal pembicara maksudnya satu dolar dua puluh sen. "The third of the fourth" keluar sebagai tanggal dengan urutan terbalik. Setiap kesalahan hanya satu kata, dan setiap kata lain dalam kalimat itu benar.
Mengapa terjadi. "Fifteen" dan "fifty" berbeda terutama pada suku kata mana yang ditekankan, dan perbedaan itu adalah hal pertama yang hilang karena bising atau pembicara yang cepat. Angka yang diucapkan juga meninggalkan apa yang dibutuhkan angka tertulis: satuan, tanda desimal, urutan hari dan bulan. Sistem harus menebak formatnya, dan tebakannya adalah yang paling umum, bukan yang Anda maksud.
Perbaiki di rekaman. Minta pembicara menyebutkan angka secara lengkap, dengan satuan: "one dollar twenty", "the fifteenth of March". Untuk ceramah yang dipersiapkan, masukkan angkanya ke dalam script.
Perbaiki di transkrip. Periksa setiap angka penting dengan telinga sebelum transkrip dikutip, dikirim, atau dipublikasikan. Angka yang salah terbaca seperti yang benar, jadi tidak ada di halaman yang memperingatkan Anda. Apa yang diukur word error rate, dan apa yang terlewat menjelaskan mengapa satu angka yang salah berbiaya lebih besar daripada porsinya dalam tingkat kesalahan.
Ketika transkrip punya banyak masalah, perbaiki dalam urutan ini, agar tidak ada perbaikan yang dibatalkan oleh perbaikan berikutnya:
Lalu permudah rekaman berikutnya: satu mikrofon per pembicara, bahasa disebutkan, dan script yang memuat nama-namanya. Sebagian besar kesalahan transkripsi audio ditentukan sebelum ada yang menekan tombol rekam.
Untuk sidang, konsultasi medis, atau apa pun yang satu kata salahnya berakibat, mintalah seseorang memeriksa transkrip sebelum digunakan, sistem apa pun yang membuatnya. Untuk melihat kesalahan mana yang dihasilkan audio Anda sendiri, coba satu rekaman di Dasbor.