Slæm uppskrift á yfirleitt eina eða tvær orsakir og villurnar á síðunni segja til um hverjar. Sjö algengar orsakir villna í umritun hljóðs, hvernig hver þeirra lítur út, hvers vegna hún verður til og lagfæringin, bæði í upptökunni og í uppskriftinni.
Villur í umritun hljóðs eru sjaldan tilviljanakenndar. Uppskrift sem breytir „Kubernetes“ í „Cooper Netties“, setur orð tveggja manna undir eitt nafn eða skrifar „fifty“ þar sem mælandinn sagði „fifteen“ sýnir þér hvað fór úrskeiðis. Hver orsök skilur eftir sína tegund villu og hver hefur sína lagfæringu. Sumar lagfæringar heyra til næstu upptöku, aðrar til uppskriftarinnar sem þú átt nú þegar.
Þessi leiðarvísir byrjar á villunni. Finndu þá sem passar við uppskriftina þína á listanum hér að neðan og farðu í samsvarandi kafla: hvernig villan lítur út, hvers vegna hún verður til á einföldu máli og hvað er til ráða.
Flest vandamál í umritun falla í sjö mynstur. Paraðu einkennið við orsökina:
Tvær orsakir leggjast oft saman. Gestur í fjarska með heyrnartól á hávaðasömu kaffihúsi, sem talar með hreim, framkallar þrjár tegundir villna í einu. Lagaðu fyrst orsökina sem hefur áhrif á flestar línur: yfirleitt hljóðið, síðan tungumálið og loks orðin.
Hvernig það lítur út. Í upptöku sem gerð er á kaffihúsi kemur „Let's move the launch to March“ út sem „Let's move the lunch to March“. Orð undir hurðarskelli hverfur. Yfir langa þögn þar sem loftræsting suðar birtist lína sem enginn sagði, til dæmis „Thank you for watching.“
Hvers vegna það gerist. Talgreining giskar á líklegustu orðin fyrir hljóðið sem hún fær. Hávaði byrgir fyrst veiku hluta talsins: enda orða og stuttu orðin á milli þeirra. Með minna af raunverulegu merki hallar ágiskunin meira að því sem kemur venjulega næst, og „lunch“ er algengara orð en „launch“. Yfir stöðugan hávaða án nokkurs tals skila sum kerfi samt fastri setningu, því þau voru þjálfuð í að skrifa eitthvað í hvert sinn sem þau heyra hljóð.
Lagaðu það í upptökunni. Færðu hljóðnemann nær mælandanum í stað þess að hækka í honum. Tvöföldun fjarlægðar minnkar beina hljóðið frá mælandanum um það bil 6 dB en hávaði í herberginu helst sá sami, svo nálægð skiptir meira máli en nokkur stilling. Slökktu á viftum og loftræstingu meðan á upptöku stendur ef þú getur og taktu upp í herbergi með mjúkum flötum frekar en gleri og flísum.
Lagaðu það í uppskriftinni. Nefndu talmálið í VocalStack í hávaðasömum upptökum í stað þess að skilja það eftir á sjálfvirkri greiningu. Athugasemd stjórnborðsins sjálfs segir það: að nefna tungumálið bætir nákvæmni í hávaðasömum upptökum og með sterkum hreim. Í umritun í beinni tekur seinkunarhamurinn Accuracy við örlítið meiri töf í skiptum fyrir færri villur í erfiðu hljóði. Línur sem vélin er síst viss um (undir öryggisþröskuldi umritunarinnar, 0.60 sjálfgefið) eru sýndar hlustendum sem „Audio unclear“ í stað ágiskunar og eru aldrei lesnar upphátt. Línu sem er hrein uppspuni má fela handvirkt: faldar línur eru ekki með í uppskriftinni, útflutningi, textun og spilaranum.
Hvernig það lítur út. „The data shows a thirty percent rise“ verður „The data shows a dirty percent rise“. Villurnar fylgja einum mælanda í gegnum upptökuna á meðan línur allra annarra eru hreinar.
Hvers vegna það gerist. Greiningarkerfi lærir hvernig orð hljóma af því tali sem það var þjálfað á. Þegar mælandi ber hljóð fram öðruvísi en meirihluti þess tals, til dæmis „th“ sagt sem „d“, heyrir kerfið nákvæmlega það sem sagt var og velur raunverulega orðið sem passar best við hljóðið. Sjálfvirk tungumálagreining getur gert illt verra: sterkur hreimur getur fært vísbendingarnar yfir í allt annað tungumál (sjá hvernig sjálfvirk tungumálagreining virkar).
Lagaðu það í upptökunni. Fyrir fyrirlestur í beinni skaltu bæta við viðmiðunarhandriti (Reference Script) áður en þú byrjar (sjá kaflann um fagmál hér að neðan) svo orðin sem mælandinn mun líklega segja séu þegar þekkt. Góður hljóðnemi hjálpar öllum hreimum, því meira af hverju hljóði nær til vélarinnar.
Lagaðu það í uppskriftinni. Nefndu talmálið fyrir þá upptöku. Notaðu síðan Fix-flipann: Mark uncertain words litar og undirstrikar orðin sem vélin var óviss um og þú getur farið í gegnum óvissu kaflana einn í einu í stað þess að endurlesa allt. Þar sem vélin hafði önnur orð til skoðunar býður hún þau fram sem tillögur að lagfæringum, svo að leiðrétta „dirty“ í „thirty“ er yfirleitt einn smellur. Play just this word leyfir þér að athuga með eyranu áður en þú breytir.
Hvernig það lítur út. Einn mælandi spyr „So we agree on Tuesday?“ meðan annar grípur fram í með „No, Thursday works“. Uppskriftin sýnir eina línu undir Speaker 1: „So we agree on Tuesday no Thursday works.“ Eða öfugt: ein manneskja sem fékk í sig fjör í miðjum fundi birtist sem Speaker 1 og Speaker 3.
Hvers vegna það gerist. Tvö aðskilin verk eru unnin undir yfirborðinu. Talgreining skrifar orðin; mælendagreining (diarization) ákveður hver talaði hvenær, út frá því hvernig hver rödd hljómar. Flest kerfi gefa hverjum hljóðkafla einn mælanda, svo þegar tveir tala samtímis tapar annar. Breyting á rödd einhvers (æstur, þreyttur, lengra frá hljóðnemanum) getur látið hann líta út eins og nýja manneskju. Mælendagreining og talgreining útskýrir bæði verkin í smáatriðum.
Lagaðu það í upptökunni. Gefðu hverjum og einum sinn eigin hljóðnema. Þessi eina breyting gerir meira fyrir marga mælendur en nokkur stilling. Á pallborði eða fundi með spurningum úr sal skaltu biðja fundarstjórann að endurtaka hverja spurningu í sinn eigin hljóðnema áður en henni er svarað.
Lagaðu það í uppskriftinni. Veldu stillinguna fyrir mælendamerki: When Needed (sjálfgefið) merkir línur þegar önnur rödd heyrist, On merkir hverja línu, Off merkir enga. Nefndu hvern mælanda meðan á upptöku stendur eða eftir hana. Nafnið er lag ofan á orðunum og breytir því aldrei textanum, og það gildir um þá manneskju í öllum upptökum umritunarinnar. Vistaðu mælanda sem þú tekur oft upp og síðari umritanir þekkja hann með nafni. Línu þar sem tvær setningar renna saman má skipta í tvær: snertu bilið þar sem nýja línan byrjar.
Hvernig það lítur út. „We deployed it on Kubernetes“ verður „We deployed it on Cooper Netties“. „Ms Nguyen“ verður „Miss Win“. Lyfjaheiti breytist í þrjú stutt ensk orð. Restin af setningunni er í lagi.
Hvers vegna það gerist. Kerfi getur aðeins skrifað orð sem það þekkir og nafn kemur oft aðeins einu sinni fyrir án nokkurs í kring sem spáir fyrir um það. Þegar það hefur aldrei séð orðið velur það venjulegu orðin sem hljóma næst því. Þetta er erfiðasta tilvikið fyrir nákvæma umritun á tæknimáli: setningin gefur enga vísbendingu, svo ekkert samhengi lagar það.
Lagaðu það í upptökunni. Gefðu kerfinu orðin áður en mælandinn segir þau. Í VocalStack er það viðmiðunarhandrit (Reference Script): bættu við handriti eða glærum fyrirlesturs í beinni, eða lista yfir nöfn og hugtök, áður en þú byrjar og nöfn og hugtök úr því vinna gegn því sem misheyrðist. Meðan á fyrirlestri stendur fylgir handritið uppskriftinni eins og kynnisprjónn. Hvert orð sem handritið leiðrétti er merkt SCRIPT meðal lagfæringanna og má afturkalla ef mælandinn sagði í raun eitthvað annað.
Lagaðu það í uppskriftinni. Leiðréttu nafnið einu sinni og athugaðu hitt með leit. Leiðréttingar ná til allra hlustenda meðan umritunin er í beinni, á hverju tungumáli sem þeir lesa, og hver leiðrétting er skráð og má afturkalla. Útflutningur (SRT, PDF, Excel, JSON) inniheldur leiðréttingarnar, svo textar og skjöl bera lagfærðu stafsetninguna.
Hvernig það lítur út. Fyrirlestur byrjar á kveðju á spænsku og heldur áfram á ensku og enskan kemur út sem bull sem lítur út eins og spænska. Eða nokkrar línur í miðri enskri uppskrift birtast á skyldu tungumáli. Sum kerfi, stillt á rangt tungumál, skrifa grófa þýðingu í stað þess sem sagt var.
Hvers vegna það gerist. Þegar ekkert tungumál er nefnt þarf kerfið að greina það af hljóðinu, oft út frá fyrstu sekúndunum. Kveðja, tilvitnun eða sterkur hreimur getur beint því í ranga átt. Þegar það hefur valið rangt tungumál er hvert orð á þeim kafla rangt í einu.
Lagaðu það í upptökunni. Ef upptakan er á einu tungumáli skaltu nefna það. Hafðu greininguna á þegar tvö eða fleiri tungumál eru raunverulega töluð, svo hver hluti sé umritaður á sínu eigin tungumáli; að nefna eitt myndi þvinga hitt inn í það. Í umritun í beinni má breyta tungumálinu meðan hún er í gangi og breytingin tekur gildi strax.
Lagaðu það í uppskriftinni. Línu sem heyrðist á röngu tungumáli er ekki hægt að laga orð fyrir orð, því ekkert í henni er rétt. VocalStack getur umritað línuna aftur: veldu tungumálið sem hún var í raun töluð á og hljóð línunnar er lesið aftur á því tungumáli. Niðurstaðan kemur í stað línunnar sem venjuleg leiðrétting, með sömu afturköllun og hver önnur.
Hvernig það lítur út. „The fees went up“ verður „The thieves went up“. „Free“ og „three“ víxlast. Villurnar dreifast um alla upptökuna og eru verstar hjá mælandanum í fjarska á símtali.
Hvers vegna það gerist. Mörg hljóðanna sem greina „f“, „s“ og „th“ að eru hátt í tíðnisviðinu. Símalína flytur ekkert yfir um það bil 3.4 kHz og Bluetooth-heyrnartól skipta oft hljóðnemanum yfir í símtalsham með mun þrengra svið. Þjöppun með lágum bitahraða í myndsímtölum fjarlægir meira. Kerfið fær hljóð þar sem þessi hljóð eru þegar horfin og giskar á milli orða sem hljóma nú eins.
Lagaðu það í upptökunni. Notaðu hljóðnema með snúru, eða heyrnartól þar sem hljóðneminn helst í fullum gæðum. Taktu upp hvern mælanda í fjarska á hans hlið ef þú getur, frekar en að taka upp símtalið. Fyrir viðburð skaltu taka hljóðið frá hljóðblöndunarborðinu í stað hljóðnema í fartölvu eða síma í salnum: lifandi uppsetning VocalStack tekur eina snúru frá borðinu og innbyggður hljóðnemi símans nemur meira af salnum.
Lagaðu það í uppskriftinni. Hljóð sem aldrei var tekið upp verður ekki endurheimt, hvorki af vél né manneskju. Notaðu merkingar óvissra orða til að finna skemmdu kaflana, spilaðu línuna til að athuga og leiðréttu það sem þú heyrir. Þar sem enginn getur sagt hvað var sagt er heiðarlegra að fela línuna en að skilja eftir ágiskun.
Hvernig það lítur út. „Fifteen“ verður „fifty“. „One twenty“ verður „120“ þegar mælandinn átti við einn dollara og tuttugu sent. „The third of the fourth“ kemur út sem dagsetning í rangri röð. Hver villa er eitt orð og öll önnur orð setningarinnar eru rétt.
Hvers vegna það gerist. „Fifteen“ og „fifty“ eru ólík aðallega í því hvaða atkvæði ber áherslu og sá munur er það fyrsta sem tapast í hávaða eða hjá hröðum mælanda. Töluð tala sleppir líka því sem rituð tala þarf: einingum, tugabrotum, röð dags og mánaðar. Kerfið þarf að giska á sniðið og ágiskun þess er sú algengasta, ekki þín.
Lagaðu það í upptökunni. Biddu mælendur að segja tölur í heild, með einingunni: „one dollar twenty“, „the fifteenth of March“. Í undirbúnum fyrirlestri skaltu setja tölurnar í handritið.
Lagaðu það í uppskriftinni. Athugaðu hverja mikilvæga tölu með eyranu áður en uppskriftin er vitnað í, send eða birt. Röng tala les eins og rétt tala, svo ekkert á síðunni varar þig við. Hvað villuhlutfall orða mælir og hvað það missir af útskýrir hvers vegna ein röng tala kostar meira en hlutdeild hennar í villuhlutfallinu.
Þegar uppskrift hefur mörg vandamál skaltu laga þau í þessari röð, svo engin lagfæring verði ógilt af þeirri næstu:
Gerðu síðan næstu upptöku auðveldari: hljóðnema á mælanda, tungumálið nefnt og handrit með nöfnunum í. Flestar villur í umritun hljóðs ráðast áður en nokkur ýtir á upptöku.
Fyrir yfirheyrslu, læknisviðtal eða hvað sem er þar sem eitt rangt orð hefur afleiðingar skaltu láta manneskju yfirfara uppskriftina áður en hún er notuð, hvaða kerfi sem bjó hana til. Til að sjá hverjar þessara villna þitt eigið hljóð framkallar geturðu prófað upptöku á stjórnborðinu.