Sliktai transkripcijai parasti ir viens vai divi cēloņi, un kļūdas lapā norāda, kuri. Septiņi biežākie audio transkripcijas kļūdu cēloņi, kā izskatās katrs no tiem, kāpēc tas notiek un kā to labot gan ierakstā, gan transkriptā.
Audio transkripcijas kļūdas reti ir nejaušas. Transkripts, kas „Kubernetes” pārvērš par „Cooper Netties”, divu cilvēku vārdus saliek zem viena vārda vai uzraksta „fifty”, kur runātājs teica „fifteen”, parāda, kas gājis greizi. Katrs cēlonis atstāj savu kļūdu veidu, un katram ir sava labošana. Dažas labošanas ir jāveic nākamajā ierakstā, citas – transkriptā, kas jums jau ir.
Šis ceļvedis sākas ar kļūdu. Zemāk esošajā sarakstā atrodiet to, kas atbilst jūsu transkriptam, un dodieties uz tās sadaļu: kā kļūda izskatās, kāpēc tā rodas vienkāršiem vārdiem un ko darīt.
Lielākā daļa transkripcijas problēmu iekļaujas septiņos veidos. Savienojiet simptomu ar cēloni:
Divi cēloņi bieži summējas. Attālināts viesis ar austiņām trokšņainā kafejnīcā un ar akcentu radīs trīs veidu kļūdas vienlaikus. Vispirms labojiet to cēloni, kas skar visvairāk rindu: parasti tā ir skaņa, tad valoda, tad vārdi.
Kā tas izskatās. Kafejnīcā veiktā ierakstā „Let's move the launch to March” kļūst par „Let's move the lunch to March”. Vārds zem durvju sitiena pazūd. Pār garu klusumu ar dūcošu gaisa kondicionētāju parādās rinda, ko neviens nav teicis, piemēram, „Thank you for watching.”
Kāpēc tā notiek. Runas atpazīšana min visticamākos vārdus saņemtajai skaņai. Troksnis vispirms pārklāj runas klusākās daļas: vārdu galus un īsos vārdus starp tiem. Ar mazāk īstā signāla minējums vairāk balstās uz to, kas parasti seko, un „lunch” ir biežāks vārds nekā „launch”. Virs vienmērīga trokšņa bez jebkādas runas dažas sistēmas tomēr izdod gatavu frāzi, jo tās ir apmācītas kaut ko rakstīt ikreiz, kad dzird skaņu.
Labojiet to ierakstā. Pievietojiet mikrofonu tuvāk runātājam, nevis palieliniet skaļumu. Attāluma dubultošana samazina runātāja tiešo skaņu apmēram par 6 dB, savukārt telpas troksnis paliek tāds pats, tāpēc tuvums nozīmē vairāk nekā jebkurš iestatījums. Ierakstam, ja iespējams, izslēdziet ventilatorus un gaisa kondicionēšanu un ierakstiet telpā ar mīkstām virsmām, nevis stiklu un flīzēm.
Labojiet to transkriptā. Trokšņainiem ierakstiem VocalStack nosauciet runāto valodu, nevis atstājiet automātisko noteikšanu. Tā raksta pati Dashboard piezīme: valodas nosaukšana uzlabo precizitāti trokšņainos ierakstos un ar spēcīgiem akcentiem. Tiešraides transkripcijai latentuma režīms Accuracy pieņem nedaudz lielāku kavēšanos apmaiņā pret mazāk kļūdu sarežģītā audio. Rindas, par kurām dzinējs ir vismazāk drošs (zem transkripcijas pārliecības sliekšņa, pēc noklusējuma 0.60), klausītājiem tiek rādītas kā „Audio unclear”, nevis minējums, un tās nekad netiek nolasītas skaļi. Rindu, kas ir tīrs izdomājums, var paslēpt ar roku: paslēptās rindas tiek izlaistas no transkripta, eksportiem, subtitriem un atskaņotāja.
Kā tas izskatās. „The data shows a thirty percent rise” kļūst par „The data shows a dirty percent rise”. Kļūdas seko vienam runātājam cauri ierakstam, kamēr visu pārējo rindas ir tīras.
Kāpēc tā notiek. Atpazīšanas sistēma mācās, kā vārdi skan, no runas, uz kuru tā apmācīta. Ja runātājs skaņu izrunā citādi nekā lielākā daļa šīs runas, piemēram, „th” kā „d”, sistēma dzird tieši to, kas teikts, un izvēlas īsto vārdu, kas šai skaņai der vislabāk. Automātiska valodas noteikšana var pasliktināt situāciju: spēcīgs akcents var novirzīt norādes uz pavisam citu valodu (skatiet kā darbojas automātiskā valodas noteikšana).
Labojiet to ierakstā. Tiešraides runai pirms sākuma pievienojiet Reference Script (skatiet žargona sadaļu zemāk), lai vārdi, ko runātājs, visticamāk, teiks, jau būtu zināmi. Labs mikrofons palīdz jebkuram akcentam, jo dzinējam sasniedz vairāk katras skaņas.
Labojiet to transkriptā. Nosauciet šī ieraksta runāto valodu. Pēc tam izmantojiet cilni Fix: Mark uncertain words iekrāso un pasvītro vārdus, par kuriem dzinējs nebija drošs, un jūs varat pāriet pāri nedrošajiem segmentiem pa vienam, nevis pārlasīt visu. Ja dzinējs apsvēra citus vārdus, tas piedāvā tos kā ieteiktos labojumus, tāpēc „dirty” labošana uz „thirty” parasti ir viens klikšķis. Play just this word ļauj pirms maiņas pārbaudīt ar ausi.
Kā tas izskatās. Viens runātājs jautā „So we agree on Tuesday?”, bet cits iesper „No, Thursday works”. Transkriptā ir viena rinda zem Speaker 1: „So we agree on Tuesday no Thursday works.” Vai otrādi: cilvēks, kas sapulces vidū kļuva dzīvāks, parādās kā Speaker 1 un Speaker 3.
Kāpēc tā notiek. Apakšā darbojas divi atsevišķi uzdevumi. Runas atpazīšana raksta vārdus; runātāju diarizācija pēc tā, kā skan katra balss, nosaka, kurš kad runāja. Lielākā daļa sistēmu katram audio posmam piešķir vienu runātāju, tāpēc, kad divi cilvēki runā reizē, viens zaudē. Balss maiņa (satraukums, nogurums, lielāks attālums no mikrofona) var likt cilvēkam šķist jaunam. Runātāju diarizācija pret runas atpazīšanu izskaidro abus uzdevumus sīkāk.
Labojiet to ierakstā. Dodiet katram cilvēkam savu mikrofonu. Šī viena izmaiņa daudziem runātājiem dara vairāk nekā jebkurš iestatījums. Diskusijā vai sapulcē ar jautājumiem no zāles lūdziet moderatoram atkārtot katru jautājumu savā mikrofonā pirms atbildes.
Labojiet to transkriptā. Izvēlieties runātāju etiķešu iestatījumu: When Needed (noklusējums) liek etiķetes, kad dzirdama otra balss, On apzīmē katru rindu, Off neapzīmē nevienu. Nosauciet katru runātāju ieraksta laikā vai pēc tā. Vārds ir slānis virs vārdiem, tāpēc tas nekad nemaina tekstu un attiecas uz šo cilvēku katrā transkripcijas ierakstā. Saglabājiet runātāju, ko ierakstāt bieži, un vēlākas transkripcijas viņu atpazīs pēc vārda. Rindu, kurā salipuši divi teikumi, var sadalīt divās: pieskarieties vietai, kur sākas jaunā rinda.
Kā tas izskatās. „We deployed it on Kubernetes” kļūst par „We deployed it on Cooper Netties”. „Ms Nguyen” kļūst par „Miss Win”. Zāļu nosaukums pārvēršas trīs īsos angļu vārdos. Pārējais teikums ir kārtībā.
Kāpēc tā notiek. Sistēma var rakstīt tikai vārdus, ko tā zina, un vārds bieži parādās vienu reizi, bez nekā apkārt, no kā to paredzēt. Ja tā vārdu nekad nav redzējusi, izvēlas parastos vārdus, kas skan vistuvāk. Tas ir grūtākais gadījums precīzai tehniskās terminoloģijas transkribēšanai: teikums nedod nekādu norādi, tāpēc neviens konteksta daudzums to neizlabo.
Labojiet to ierakstā. Dodiet sistēmai vārdus, pirms runātājs tos izrunā. VocalStack tas ir Reference Script: pirms sākuma pievienojiet tiešraides runas scenāriju vai slaidus, vai vārdu un terminu sarakstu, un tajā esošie vārdi un termini uzvar pār nepareizi dzirdēto. Runas laikā scenārijs seko transkriptam kā teleprompters. Katrs vārds, ko scenārijs izlaboja, labojumu sarakstā ir atzīmēts ar SCRIPT, un to var atsaukt, ja runātājs patiešām teica ko citu.
Labojiet to transkriptā. Izlabojiet vārdu vienreiz un pārējo pārbaudiet ar meklēšanu. Labojumi sasniedz katru klausītāju, kamēr transkripcija ir tiešraidē, katrā valodā, kurā viņi lasa, un katrs labojums ir uzskaitīts un atsaucams. Eksporti (SRT, PDF, Excel, JSON) ietver labojumus, tāpēc subtitri un dokumenti satur izlaboto rakstību.
Kā tas izskatās. Runa sākas ar sveicienu spāņu valodā un turpinās angliski, un angļu valoda iznāk kā spāņu valodai līdzīgas nesakarības. Vai arī dažas rindas angļu transkripta vidū parādās radniecīgā valodā. Dažas sistēmas, iestatītas uz nepareizu valodu, raksta aptuvenu tulkojumu tā vietā, kas tika pateikts.
Kāpēc tā notiek. Ja valoda nav nosaukta, sistēmai tā jānosaka pēc skaņas, bieži pēc pirmajām dažām sekundēm. Sveiciens, citāts vai spēcīgs akcents var novirzīt to nepareizi. Kad tā izvēlējusies nepareizu valodu, katrs vārds šajā posmā ir nepareizs reizē.
Labojiet to ierakstā. Ja ieraksts ir vienā valodā, nosauciet to. Atstājiet noteikšanu ieslēgtu, ja patiešām tiek runātas divas vai vairākas valodas, lai katra daļa tiktu transkribēta savā valodā; vienas nosaukšana otru piespiestu tajā. Tiešraides transkripcijā valodu var mainīt, kamēr tā darbojas, un izmaiņas stājas spēkā uzreiz.
Labojiet to transkriptā. Nepareizā valodā dzirdētu rindu nevar labot pa vārdam, jo tajā nekas nav pareizs. VocalStack var rindu transkribēt vēlreiz: izvēlieties valodu, kādā tā tika runāta, un rindas audio tiek lasīts vēlreiz šajā valodā. Rezultāts aizstāj rindu kā parastu labojumu ar tādu pašu atsaukšanu kā jebkuram citam.
Kā tas izskatās. „The fees went up” kļūst par „The thieves went up”. „Free” un „three” mainās vietām. Kļūdas izplatās pa visu ierakstu, un sliktākās tās ir attālinātajam runātājam zvanā.
Kāpēc tā notiek. Daudzas skaņas, kas atšķir „f”, „s” un „th”, atrodas frekvenču diapazona augšdaļā. Tālruņa līnija nenes neko virs aptuveni 3,4 kHz, un Bluetooth austiņas bieži pārslēdz mikrofonu zvana režīmā ar daudz šaurāku diapazonu. Zema bitreita saspiešana video zvanos noņem vēl vairāk. Sistēma saņem audio, kurā šīs skaņas jau ir zudušas, un min starp vārdiem, kas tagad skan identiski.
Labojiet to ierakstā. Izmantojiet vadu mikrofonu vai austiņas, kuru mikrofons paliek pilnas kvalitātes režīmā. Ja iespējams, ierakstiet katru attālināto runātāju viņa pusē, nevis ierakstiet zvanu. Pasākumam ņemiet signālu no audio miksera, nevis no klēpjdatora vai tālruņa mikrofona zālē: VocalStack tiešraides iestatīšanai vajag vienu kabeli no miksera, bet tālruņa iebūvētais mikrofons uztver vairāk telpas.
Labojiet to transkriptā. Audio, kas nekad netika uzņemts, nevar atgūt ne mašīna, ne cilvēks. Izmantojiet nedrošo vārdu atzīmes, lai atrastu bojātos posmus, atskaņojiet rindu, lai pārbaudītu, un labojiet to, ko varat sadzirdēt. Ja neviens nevar pateikt, kas teikts, rindas paslēpšana ir godīgāka nekā minējums.
Kā tas izskatās. „Fifteen” kļūst par „fifty”. „One twenty” kļūst par „120”, kad runātājs domāja vienu dolāru divdesmit. „The third of the fourth” iznāk kā datums nepareizā secībā. Katra kļūda ir viens vārds, un visi pārējie teikuma vārdi ir pareizi.
Kāpēc tā notiek. „Fifteen” un „fifty” atšķiras galvenokārt ar uzsvērto zilbi, un šī atšķirība ir pirmā, ko zaudē trokšņa vai ātras runas dēļ. Izrunātajos skaitļos trūkst arī tā, kas vajadzīgs rakstītajiem: mērvienības, decimālzīmes, dienas un mēneša secība. Sistēmai jāmin formāts, un tās minējums ir biežākais, nevis jūsu.
Labojiet to ierakstā. Lūdziet runātājiem skaitļus teikt pilnībā, ar mērvienību: „one dollar twenty”, „the fifteenth of March”. Sagatavotai runai ievietojiet skaitļus scenārijā.
Labojiet to transkriptā. Pārbaudiet ar ausi katru svarīgo skaitli, pirms transkripts tiek citēts, nosūtīts vai publicēts. Nepareizs skaitlis lasās kā pareizs, tāpēc lapā nekas nebrīdina. Ko mēra vārdu kļūdu īpatsvars un ko tas nepamana izskaidro, kāpēc viens nepareizs skaitlis maksā vairāk nekā tā daļa kļūdu īpatsvarā.
Ja transkriptam ir daudz problēmu, labojiet tās šādā secībā, lai neviens labojums netiktu atcelts ar nākamo:
Tad padariet nākamo ierakstu vieglāku: mikrofons katram runātājam, nosaukta valoda un scenārijs ar vārdiem. Lielākā daļa audio transkripcijas kļūdu tiek izlemta, pirms kāds nospiež ierakstu.
Tiesas sēdei, medicīniskai konsultācijai vai jebkam, kur vienam nepareizam vārdam ir sekas, lai cilvēks pārbauda transkriptu pirms lietošanas, neatkarīgi no tā, kura sistēma to radīja. Lai redzētu, kādas kļūdas rada jūsu pašu audio, izmēģiniet ierakstu Dashboard.