ひどい文字起こしの原因は、たいてい一つか二つです。ページ上の間違いを見れば、どれが原因か分かります。音声の文字起こしエラーの代表的な七つの原因について、それぞれどんな間違いが出るのか、なぜ起きるのか、録音と文字起こしの両面での対処法を解説します。
音声の文字起こしエラーが、まったくのランダムで起きることはまずありません。「Kubernetes」が「Cooper Netties」になる、二人の発言が一人の名前の下にまとまる、話者が「fifteen」と言ったところに「fifty」と書かれる。こうした間違いは、何がうまくいかなかったのかを教えてくれています。原因ごとに間違い方の癖があり、直し方もそれぞれ違います。次の録音で対処すべきものもあれば、すでに手元にある文字起こしで直せるものもあります。
このガイドは、間違いから出発します。下の一覧から自分の文字起こしに当てはまるものを探し、その節に進んでください。どんな間違いか、なぜ起きるのかをやさしく説明し、どう対処すればよいかを示します。
文字起こしの問題の大半は、七つのパターンに収まります。症状から原因を見分けてください。
原因は重なることがよくあります。騒がしいカフェでヘッドセットをつけ、訛りのある話し方をするリモートのゲストは、三種類の間違いを一度に生みます。まず、最も多くの行に影響している原因から直してください。たいていは音声、次に言語、最後に言葉の順です。
どんな間違いか。 カフェで録音すると、「Let's move the launch to March」が「Let's move the lunch to March」で返ってきます。ドアが閉まる音の下の一語が消えます。エアコンが唸るだけの長い無音の間に、誰も言っていない「Thank you for watching.」のような行が現れることもあります。
なぜ起きるのか。 音声認識は、受け取った音に最もふさわしい単語を推測します。ノイズは、発話の小さな部分から先に覆い隠します。語尾や、その間にある短い単語です。本当の信号が減ると、推測は「次に来がちな言葉」に頼る度合いが増し、「launch」より「lunch」のほうが一般的な単語です。発話がまったくない一定のノイズの上でも、音を聞いたら何か書くように訓練されているため、定型句を出力してしまうシステムがあります。
録音で直す。 音量を上げるのではなく、マイクを話者に近づけてください。距離が二倍になると、話者の直接音は約6 dB下がりますが、部屋のノイズはそのままなので、どんな設定よりも近さが効きます。可能なら録音中は扇風機やエアコンを止め、ガラスやタイルではなく柔らかい素材の多い部屋で録音してください。
文字起こしで直す。 VocalStackでは、ノイズの多い録音では自動検出に任せず、話されている言語を指定してください。ダッシュボード自身の注記にもあるとおり、言語を指定すると、ノイズの多い録音や強い訛りで精度が上がります。ライブの文字起こしでは、Accuracy のレイテンシーモードが、難しい音声での間違いを減らす代わりに、少し長めの遅延を受け入れます。エンジンが最も自信を持てない行(その文字起こしの信頼度のしきい値、既定では0.60を下回る行)は、推測を出す代わりに、視聴者には「Audio unclear」と表示され、読み上げられることもありません。完全なでっち上げの行は、手動で非表示にできます。非表示にした行は、文字起こし、エクスポート、字幕、プレーヤーから除かれます。
どんな間違いか。 「The data shows a thirty percent rise」が「The data shows a dirty percent rise」になります。間違いは録音の中で一人の話者に付いて回り、ほかの人の行はきれいです。
なぜ起きるのか。 認識システムは、訓練に使った音声から、単語がどんな音になるかを学びます。話者がある音を、その音声の大半と違う発音で話すと(たとえば「th」を「d」で発音する)、システムは言われたとおりの音を聞き取り、その音に最も合う実在の単語を選びます。言語の自動検出が事態を悪化させることもあります。強い訛りが手がかりを別の言語のほうへずらしてしまうことがあるのです(自動言語検出の仕組みを参照)。
録音で直す。 ライブの講演なら、始める前に Reference Script を追加してください(下の専門用語の節を参照)。話者が言いそうな言葉をあらかじめ知らせておけます。良いマイクは、どんな訛りにも効果があります。一つ一つの音がエンジンにより多く届くからです。
文字起こしで直す。 その録音の話し言葉を指定してください。そのうえでFixタブを使います。Mark uncertain words は、エンジンが確信を持てなかった単語に色を付けて下線を引きます。全体を読み直す代わりに、不確かな区間を一つずつ順に確認できます。エンジンがほかの単語も候補にしていた場合は、修正案として提示されるので、「dirty」を「thirty」に直すのは、たいていワンクリックです。Play just this word を使えば、変更する前に耳で確かめられます。
どんな間違いか。 一人が「So we agree on Tuesday?」と尋ね、別の人が「No, Thursday works」と割り込みます。文字起こしでは、Speaker 1 の下に「So we agree on Tuesday no Thursday works.」という一行だけが表示されます。逆の例もあります。会議の途中で熱が入った一人が、Speaker 1 と Speaker 3 として現れるのです。
なぜ起きるのか。 裏では二つの別々の作業が動いています。音声認識が言葉を書き、話者ダイアライゼーションが、声の響き方から誰がいつ話したかを判断します。ほとんどのシステムは、音声の各区間に一人の話者を割り当てるため、二人が同時に話すと、どちらか一方が負けます。声の変化(興奮した、疲れた、マイクから遠ざかった)で、同じ人が別人に見えることもあります。二つの作業の詳細は、話者ダイアライゼーションと音声認識の違いで説明しています。
録音で直す。 一人に一本のマイクを用意してください。複数の話者には、この一つの変更がどんな設定よりも効果的です。パネルディスカッションや、客席からの質問がある会議では、答える前に司会者に、質問を自分のマイクで繰り返してもらいましょう。
文字起こしで直す。 話者ラベルの設定を選びます。When Needed(既定)は二つ目の声が聞こえた時点で行にラベルを付け、On はすべての行に付け、Off は何も付けません。録音中または録音後に、各話者に名前を付けてください。名前は言葉の上に重ねる層なので、テキストそのものは変わらず、その文字起こしのすべての録音で、その人に適用されます。よく録音する話者は保存しておくと、以降の文字起こしで名前を認識してくれます。二つの文がつながってしまった行は、二つに分けられます。新しい行が始まる位置の隙間をタップしてください。
どんな間違いか。 「We deployed it on Kubernetes」が「We deployed it on Cooper Netties」になります。「Ms Nguyen」が「Miss Win」になります。薬の名前が三つの短い英単語に変わります。文のほかの部分は問題ありません。
なぜ起きるのか。 システムが書けるのは、知っている単語だけです。名前は一度しか出てこないことが多く、その周りに予測の手がかりもありません。見たことのない単語だと、音が最も近い普通の単語を選びます。これは、専門用語を正確に文字起こしするうえで最も難しいケースです。文が手がかりを与えてくれないので、文脈をどれだけ使っても直せません。
録音で直す。 話者が言う前に、システムに言葉を教えてください。VocalStackでは、それが Reference Script です。ライブの講演の原稿やスライド、または名前や用語のリストを開始前に追加すると、そこにある名前や用語が、聞き間違いより優先されます。講演の間、原稿はテレプロンプターのように文字起こしを追いかけます。原稿によって直された単語は、修正の中でSCRIPTと表示され、話者が実際に別のことを言っていた場合は取り消せます。
文字起こしで直す。 名前を一度直し、あとは検索でほかの箇所を確認してください。ライブ中の文字起こしでは、修正はすべての視聴者に、彼らが読んでいるすべての言語で届き、すべての修正は一覧に残り、取り消せます。エクスポート(SRT、PDF、Excel、JSON)には修正が含まれるので、字幕や文書には直った綴りが載ります。
どんな間違いか。 講演がスペイン語の挨拶で始まり、英語で続くと、英語の部分がスペイン語のような意味不明な文字列になって出てきます。あるいは、英語の文字起こしの途中の数行が、近縁の言語で表示されます。誤った言語に設定されたシステムの中には、話された内容の代わりに、大まかな翻訳を書き出すものもあります。
なぜ起きるのか。 言語が指定されていないと、システムは音から言語を検出しなければならず、多くは最初の数秒で判断します。挨拶、引用、強い訛りが、誤った方向へ導くことがあります。いったん誤った言語を選んでしまうと、その区間のすべての単語が、まとめて間違います。
録音で直す。 録音が一つの言語なら、それを指定してください。二つ以上の言語が実際に話される場合は検出をオンのままにし、各部分がそれぞれの言語で文字起こしされるようにします。一つだけ指定すると、もう一方がその言語に押し込められてしまいます。ライブの文字起こしでは、実行中に言語を変更でき、変更はすぐに反映されます。
文字起こしで直す。 誤った言語で聞き取られた行は、単語ごとには直せません。その中に正しいものが何もないからです。VocalStackは、その行をもう一度文字起こしできます。実際に話された言語を選ぶと、その行の音声がその言語で読み直されます。結果は通常の修正としてその行を置き換え、ほかの修正と同じように取り消せます。
どんな間違いか。 「The fees went up」が「The thieves went up」になります。「Free」と「three」が入れ替わります。間違いは録音全体に広がり、通話のリモート側の話者でひどくなります。
なぜ起きるのか。 「f」「s」「th」を区別する音の多くは、周波数帯の高いところにあります。電話回線は約3.4 kHz より上を伝えませんし、Bluetoothヘッドセットは、マイクをはるかに狭い帯域の通話モードに切り替えることがよくあります。ビデオ通話の低ビットレート圧縮は、さらに多くを削ります。システムが受け取る音声ではそれらの音がすでに失われており、今や同じように聞こえる単語の間で推測することになります。
録音で直す。 有線マイク、または、マイクがフル品質のモードのまま使えるヘッドセットを使ってください。可能なら、通話を録音するのではなく、リモートの話者それぞれを相手側で録音してください。イベントの場合は、会場のノートパソコンやスマートフォンのマイクではなく、オーディオミキサーからの音声を取ってください。VocalStackのライブ設定は、ミキサーから一本のケーブルで取り込めますが、スマートフォンの内蔵マイクは部屋の音をより多く拾います。
文字起こしで直す。 そもそも収録されなかった音声は、機械にも人にも復元できません。不確かな単語のマークを使って損傷した区間を見つけ、その行を再生して確かめ、聞こえるものを直してください。何と言ったのか誰にも分からない場合は、推測を残すより、その行を非表示にするほうが誠実です。
どんな間違いか。 「Fifteen」が「fifty」になります。話者が1ドル20セントのつもりで言った「One twenty」が「120」になります。「The third of the fourth」が、順序の違う日付になって出てきます。間違いはどれも一語だけで、文のほかの単語はすべて正しいのです。
なぜ起きるのか。 「Fifteen」と「fifty」の違いは、主にどの音節に強勢があるかで、その違いは、ノイズや早口でまず失われます。また、話された数字は、書かれた数字に必要なものを欠いています。単位、小数点、日と月の順序などです。システムは書式を推測しなければならず、その推測は、あなたの意図ではなく、最も一般的なものになります。
録音で直す。 話者に、数字を単位付きで省略せずに言ってもらってください。「one dollar twenty」「the fifteenth of March」のように。準備された講演なら、数字を原稿に入れておきましょう。
文字起こしで直す。 文字起こしを引用、送信、公開する前に、重要な数字をすべて耳で確認してください。間違った数字は正しい数字と同じように読めるので、ページ上に警告は出ません。単語誤り率が測るもの、見落とすものでは、一つの誤った数字が、誤り率に占める割合以上の損失になる理由を説明しています。
文字起こしに多くの問題がある場合は、一つの修正が次の修正で台無しにならないよう、次の順で直してください。
そのうえで、次の録音をもっと楽にしましょう。話者ごとに一本のマイク、言語の指定、名前を入れた原稿です。音声の文字起こしエラーの多くは、誰かが録音ボタンを押す前に決まっています。
審問、診察など、たった一語の間違いが重大な結果につながる場面では、どのシステムで作ったものであっても、使う前に人が文字起こしを確認してください。自分の音声でこれらのエラーのどれが出るかを確かめるには、ダッシュボードで録音を試してみてください。