Prasta transkripcija paprastai turi vieną ar dvi priežastis, o puslapyje matomos klaidos parodo, kurias. Septynios dažnos garso transkribavimo klaidų priežastys: kaip kiekviena atrodo, kodėl atsiranda ir kaip ją ištaisyti įraše bei transkripcijoje.
Garso transkribavimo klaidos retai būna atsitiktinės. Transkripcija, kurioje „Kubernetes“ virsta „Cooper Netties“, dviejų žmonių žodžiai pateikiami po vienu vardu, o ten, kur kalbėtojas pasakė „penkiolika“, parašyta „penkiasdešimt“, rodo, kas nutiko ne taip. Kiekviena priežastis palieka savo rūšies klaidą ir turi savo sprendimą. Kai kurie sprendimai tinka kitam įrašui, kiti – jau turimai transkripcijai.
Šis vadovas prasideda nuo klaidos. Raskite žemiau esančiame sąraše tą, kuri atitinka jūsų transkripciją, ir eikite į jos skyrių: kaip klaida atrodo, kodėl ji atsiranda paprastais žodžiais ir ką daryti.
Dauguma transkribavimo problemų patenka į septynis šablonus. Susiekite simptomą su priežastimi:
Dvi priežastys dažnai susideda. Nuotolinis svečias su ausinėmis triukšmingoje kavinėje ir su akcentu padarys tris klaidų rūšis vienu metu. Pirmiausia taisykite priežastį, kuri paveikia daugiausia eilučių: paprastai tai garsas, tada kalba, tada žodžiai.
Kaip atrodo. Kavinėje padarytame įraše „Perkelkime startą į kovą“ virsta „Perkelkime stalą į kovą“. Žodis po durų trinktelėjimu dingsta. Per ilgą tylą, kai ūžia oro kondicionierius, atsiranda eilutė, kurios niekas nesakė, pavyzdžiui, „Ačiū, kad žiūrėjote“.
Kodėl taip nutinka. Kalbos atpažinimas spėlioja labiausiai tikėtinus žodžius pagal gaunamą garsą. Triukšmas pirmiausia uždengia tylesnes kalbos dalis: žodžių galūnes ir trumpus žodelius tarp jų. Turint mažiau tikro signalo, spėjimas labiau remiasi tuo, kas dažniausiai eina toliau, o „stalas“ yra dažnesnis žodis nei „startas“. Virš pastovaus triukšmo be jokios kalbos kai kurios sistemos vis tiek pateikia šabloninę frazę, nes buvo išmokytos kažką rašyti kiekvieną kartą, kai girdi garsą.
Sprendimas įrašant. Pritraukite mikrofoną arčiau kalbėtojo, o ne didinkite garsą. Padvigubinus atstumą, tiesioginis kalbėtojo garsas sumažėja maždaug 6 dB, o patalpos triukšmas lieka toks pat, todėl artumas svarbesnis už bet kokį nustatymą. Jei galite, įrašo metu išjunkite ventiliatorius ir oro kondicionierių, o įrašykite patalpoje su minkštais paviršiais, o ne su stiklu ir plytelėmis.
Sprendimas transkripcijoje. VocalStack triukšmingus įrašus pažymėkite kalbėjimo kalba, o ne palikite automatinį aptikimą. Tai sako ir pats valdymo skydelio pranešimas: kalbos nurodymas pagerina tikslumą triukšmingiems įrašams ir stipriems akcentams. Gyvai transkripcijai latencijos režimas Accuracy sutinka su šiek tiek didesne delsa mainais į mažiau klaidų sunkiame garse. Eilutės, dėl kurių variklis mažiausiai tikras (žemiau transkripcijos pasitikėjimo slenksčio, pagal numatytuosius nustatymus 0,60), klausytojams rodomos kaip „Audio unclear“ vietoj spėjimo ir niekada neskaitomos balsu. Eilutę, kuri yra gryna išmonė, galima paslėpti rankiniu būdu: paslėptos eilutės neįtraukiamos į transkripciją, eksportus, subtitrus ir grotuvą.
Kaip atrodo. „Duomenys rodo šešiasdešimties procentų augimą“ virsta „Duomenys rodo septyniasdešimties procentų augimą“. Klaidos seka vieną kalbėtoją per visą įrašą, o visų kitų eilutės švarios.
Kodėl taip nutinka. Atpažinimo sistema išmoksta, kaip skamba žodžiai, iš kalbos, kuria buvo apmokyta. Kai kalbėtojas tam tikrą garsą taria kitaip nei didžioji tos kalbos dalis, sistema girdi tiksliai tai, kas pasakyta, ir parenka tikrą žodį, kuris geriausiai atitinka tą garsą. Automatinis kalbos aptikimas gali pabloginti padėtį: stiprus akcentas gali pakreipti požymius visai kitos kalbos link (žr. kaip veikia automatinis kalbos aptikimas).
Sprendimas įrašant. Gyvam pranešimui prieš pradėdami pridėkite Reference Script (žr. žargono skyrių žemiau), kad žodžiai, kuriuos kalbėtojas greičiausiai ištars, jau būtų žinomi. Geras mikrofonas padeda su bet kokiu akcentu, nes iki variklio nukeliauja daugiau kiekvieno garso.
Sprendimas transkripcijoje. Nurodykite to įrašo kalbėjimo kalbą. Tada naudokite skirtuką Fix: Mark uncertain words nuspalvina ir pabraukia žodžius, dėl kurių variklis abejojo, ir galite po vieną peržiūrėti neaiškius segmentus, užuot skaitę viską iš naujo. Kai variklis svarstė kitus žodžius, jis siūlo juos kaip pataisymus, todėl „septyniasdešimt“ pakeisti į „šešiasdešimt“ paprastai užtenka vieno spustelėjimo. Play just this word leidžia patikrinti ausimi prieš ką nors keičiant.
Kaip atrodo. Vienas kalbėtojas klausia „Taigi susitarėme antradienį?“, o kitas pertraukia: „Ne, ketvirtadienis tinka“. Transkripcijoje rodoma viena eilutė po Speaker 1: „Taigi susitarėme antradienį? Ne, ketvirtadienis tinka.“ Arba atvirkščiai: žmogus, kuris susirinkimo viduryje įsijautė, atsiranda kaip Speaker 1 ir Speaker 3.
Kodėl taip nutinka. Po paviršiumi veikia du skirtingi darbai. Kalbos atpažinimas parašo žodžius; kalbėtojų diarizacija nusprendžia, kas kada kalbėjo, pagal tai, kaip skamba kiekvienas balsas. Dauguma sistemų kiekvienam garso ruožui priskiria vieną kalbėtoją, todėl kai du žmonės kalba vienu metu, vienas pralaimi. Pasikeitęs balsas (susijaudinęs, pavargęs, toliau nuo mikrofono) gali priversti jį atrodyti kaip naują žmogų. Kalbėtojų diarizacija ir kalbos atpažinimas išsamiai paaiškina abu darbus.
Sprendimas įrašant. Duokite kiekvienam savo mikrofoną. Vien šis pakeitimas daugiau padeda keliems kalbėtojams nei bet koks nustatymas. Diskusijoje ar susirinkime su auditorijos klausimais paprašykite moderatoriaus pakartoti kiekvieną klausimą į savo mikrofoną, prieš į jį atsakant.
Sprendimas transkripcijoje. Pasirinkite kalbėtojų žymėjimo nustatymą: When Needed (numatytasis) žymi eilutes, kai išgirstamas antras balsas, On žymi kiekvieną eilutę, Off nežymi nė vienos. Pavadinkite kiekvieną kalbėtoją įrašymo metu ar po jo. Vardas yra sluoksnis virš žodžių, todėl niekada nekeičia teksto ir taikomas tam žmogui visuose transkripcijos įrašuose. Išsaugokite kalbėtoją, kurį įrašote dažnai, ir vėlesni transkribavimai jį atpažins pagal vardą. Eilutę, sujungusią du sakinius, galima padalyti į dvi: palieskite tarpą, kur prasideda nauja eilutė.
Kaip atrodo. „Įdiegėme tai Kubernetes“ virsta „Įdiegėme tai Cooper Netties“. „Ponia Nguyen“ tampa „ponia Vin“. Vaisto pavadinimas virsta trimis trumpais žodžiais. Likusi sakinio dalis teisinga.
Kodėl taip nutinka. Sistema gali parašyti tik žinomus žodžius, o vardas dažnai pasirodo vieną kartą, be nieko aplink, pagal ką jį būtų galima nuspėti. Kai žodžio niekada nematė, ji parenka paprastus žodžius, kurie skamba panašiausiai. Tai sunkiausias atvejis tiksliam techninės terminologijos transkribavimui: sakinys nepateikia jokios užuominos, todėl joks kontekstas nepadeda.
Sprendimas įrašant. Duokite sistemai žodžius, prieš kalbėtojui juos ištariant. VocalStack tai yra Reference Script: prieš pradėdami pridėkite gyvo pranešimo scenarijų ar skaidres, arba vardų ir terminų sąrašą, ir iš jo gauti vardai bei terminai nugali tai, kas buvo išgirsta klaidingai. Pranešimo metu scenarijus seka transkripciją kaip teleprompteris. Kiekvienas žodis, kurį ištaisė scenarijus, pataisymų sąraše pažymimas SCRIPT ir gali būti atšauktas, jei kalbėtojas iš tikrųjų pasakė ką nors kita.
Sprendimas transkripcijoje. Ištaisykite vardą vieną kartą, o likusius patikrinkite paieška. Pataisymai pasiekia visus klausytojus, kol transkripcija vyksta gyvai, kiekviena kalba, kuria jie skaito, o kiekvienas pataisymas įrašomas į sąrašą ir gali būti atšauktas. Eksportuose (SRT, PDF, Excel, JSON) yra pataisymai, todėl subtitrai ir dokumentai turi ištaisytą rašybą.
Kaip atrodo. Pranešimas prasideda sveikinimu ispanų kalba ir tęsiasi angliškai, o anglų kalba išeina kaip ispaniškai atrodanti nesąmonė. Arba kelios eilutės anglų kalbos transkripcijos viduryje atsiranda giminingą kalba. Kai kurios sistemos, nustatytos netinkamai kalbai, rašo apytikslį vertimą vietoj to, kas buvo pasakyta.
Kodėl taip nutinka. Kai kalba nenurodyta, sistema turi ją aptikti iš garso, dažnai iš pirmųjų kelių sekundžių. Sveikinimas, citata ar stiprus akcentas gali nukreipti netinkama linkme. Pasirinkus netinkamą kalbą, visi to ruožo žodžiai klaidingi kartu.
Sprendimas įrašant. Jei įrašas vienos kalbos, nurodykite ją. Palikite aptikimą įjungtą, kai tikrai kalbama dviem ar daugiau kalbų, kad kiekviena dalis būtų transkribuojama sava kalba; nurodžius vieną, kita būtų priversta į ją tilpti. Gyvą transkripciją kalbą galima pakeisti jai veikiant, ir pakeitimas įsigalioja iš karto.
Sprendimas transkripcijoje. Eilutės, išgirstos netinkama kalba, negalima ištaisyti žodis po žodžio, nes joje niekas nėra teisinga. VocalStack gali transkribuoti eilutę iš naujo: pasirinkite kalbą, kuria ji iš tikrųjų buvo pasakyta, ir eilutės garsas perskaitomas iš naujo ta kalba. Rezultatas pakeičia eilutę kaip įprastas pataisymas, su tokiu pat atšaukimu kaip bet kuris kitas.
Kaip atrodo. „Fondas išaugo“ virsta „Sondas išaugo“. „Sala“ ir „šala“ sukeičiami vietomis. Klaidos pasklinda po visą įrašą ir blogiausios nuotoliniam skambučio kalbėtojui.
Kodėl taip nutinka. Daugelis garsų, kurie atskiria „f“, „s“ ir „š“, yra aukštoje dažnių diapazono dalyje. Telefono linija neperduoda nieko virš maždaug 3,4 kHz, o „Bluetooth“ ausinės dažnai perjungia mikrofoną į skambučio režimą su daug siauresniu diapazonu. Mažo bitų srauto suspaudimas vaizdo skambučiuose pašalina dar daugiau. Sistema gauna garsą, kuriame tų garsų jau nebėra, ir spėlioja tarp žodžių, kurie dabar skamba vienodai.
Sprendimas įrašant. Naudokite laidinį mikrofoną arba ausines, kurių mikrofonas lieka visos kokybės režime. Jei galite, įrašykite kiekvieną nuotolinį kalbėtoją jo pusėje, o ne skambutį. Renginyje paimkite signalą iš garso pulto, o ne iš nešiojamojo ar telefono mikrofono salėje: VocalStack gyvas nustatymas ima vieną kabelį iš pulto, o telefono įmontuotas mikrofonas užfiksuoja daugiau salės garsų.
Sprendimas transkripcijoje. Garso, kuris niekada nebuvo užfiksuotas, atkurti negali nei mašina, nei žmogus. Naudokite neaiškių žodžių žymas pažeistiems ruožams rasti, paleiskite eilutę patikrinti ir ištaisykite tai, ką girdite. Kur niekas negali pasakyti, kas buvo pasakyta, eilutės paslėpimas yra sąžiningesnis nei spėjimo palikimas.
Kaip atrodo. „Penkiolika“ virsta „penkiasdešimt“. „Vienas doleris dvidešimt“ virsta „120“. „Trečia ketvirto“ išeina kaip data netinkama tvarka. Kiekviena klaida yra vienas žodis, o visi kiti sakinio žodžiai teisingi.
Kodėl taip nutinka. „Penkiolika“ ir „penkiasdešimt“ daugiausia skiriasi galūne ir kirčiu, o šis skirtumas pirmiausia dingsta dėl triukšmo ar greitai kalbančio žmogaus. Ištarti skaičiai taip pat praleidžia tai, ko reikia rašytiniams: vienetus, kablelius, dienos ir mėnesio tvarką. Sistema turi spėti formatą, ir jos spėjimas yra dažniausias, o ne jūsų.
Sprendimas įrašant. Paprašykite kalbėtojų skaičius sakyti pilnai, su vienetu: „vienas doleris dvidešimt“, „kovo penkioliktoji“. Parengtam pranešimui skaičius įrašykite į scenarijų.
Sprendimas transkripcijoje. Kiekvieną svarbų skaičių patikrinkite ausimi, prieš transkripciją cituojant, siunčiant ar skelbiant. Klaidingas skaičius skaitomas kaip teisingas, todėl nieko puslapyje neįspėja. Ką matuoja žodžių klaidų lygis ir ko jis nepamato paaiškina, kodėl vienas klaidingas skaičius kainuoja daugiau nei jo dalis klaidų lygyje.
Kai transkripcija turi daug problemų, taisykite jas šia tvarka, kad nė vieno pataisymo nesugadintų kitas:
Tada palengvinkite kitą įrašą: po mikrofoną kiekvienam kalbėtojui, nurodyta kalba ir scenarijus su vardais. Dauguma garso transkribavimo klaidų nulemiamos prieš kam nors paspaudžiant įrašymą.
Teismo posėdžiui, medicininei konsultacijai ar bet kam, kur vienas klaidingas žodis turi pasekmių, prieš naudodami paprašykite žmogaus peržiūrėti transkripciją, kad ir kokia sistema ją sukūrė. Norėdami pamatyti, kokias iš šių klaidų daro jūsų pačių garsas, išbandykite įrašą valdymo skydelyje.