वाईट ट्रान्सक्रिप्टला सहसा एक किंवा दोन कारणे असतात, आणि पानावरील चुका तुम्हाला ती सांगतात. ऑडिओ ट्रान्सक्रिप्शनमधील चुकांची सात सामान्य कारणे: प्रत्येक कशी दिसते, ती का होते, आणि रेकॉर्डिंगमध्ये व ट्रान्सक्रिप्टमध्ये त्यावरचा उपाय.
ऑडिओ ट्रान्सक्रिप्शनमधील चुका क्वचितच यादृच्छिक असतात. जे ट्रान्सक्रिप्ट "Kubernetes" चे "Cooper Netties" करते, दोन व्यक्तींचे शब्द एकाच नावाखाली टाकते, किंवा वक्त्याने "fifteen" म्हटले असताना "fifty" लिहिते, ते तुम्हाला काय चुकले ते दाखवत असते. प्रत्येक कारण स्वतःच्या प्रकारची चूक मागे ठेवते, आणि प्रत्येकाचा स्वतःचा उपाय असतो. काही उपाय पुढच्या रेकॉर्डिंगसाठी असतात, काही तुमच्याकडे आधीच असलेल्या ट्रान्सक्रिप्टसाठी.
हे मार्गदर्शक चुकीपासून सुरू होते. खालील यादीत तुमच्या ट्रान्सक्रिप्टशी जुळणारी चूक शोधा आणि तिच्या विभागात जा: चूक कशी दिसते, ती साध्या शब्दांत का होते, आणि काय करायचे.
बहुतेक ट्रान्सक्रिप्शन समस्या सात प्रकारांत मोडतात. लक्षणाला कारणाशी जुळवा:
दोन कारणे अनेकदा एकत्र येतात. गोंगाटाच्या कॅफेमध्ये हेडसेट घालून, हेलाने बोलणारा दूरचा पाहुणा एकाच वेळी तीन प्रकारच्या चुका निर्माण करतो. सर्वाधिक ओळींवर परिणाम करणारे कारण आधी दुरुस्त करा: सहसा ऑडिओ, मग भाषा, मग शब्द.
हे कसे दिसते. कॅफेमध्ये केलेल्या रेकॉर्डिंगमध्ये "Let's move the launch to March" हे "Let's move the lunch to March" असे येते. दार आपटल्याच्या आवाजाखाली एक शब्द नाहीसा होतो. एअर कंडिशनर गुणगुणत असताना दीर्घ शांततेत कोणीही न म्हटलेली एखादी ओळ दिसते, जसे "Thank you for watching."
हे का होते. स्पीच रेकग्निशन मिळालेल्या आवाजासाठी सर्वाधिक संभाव्य शब्दांचा अंदाज बांधते. आवाज प्रथम बोलण्यातील हळूवार भाग झाकतो: शब्दांचे शेवट आणि त्यांच्या मधले लहान शब्द. खऱ्या सिग्नलचा भाग कमी असल्याने अंदाज सहसा पुढे काय येते त्यावर जास्त झुकतो, आणि "lunch" हा "launch" पेक्षा अधिक सामान्य शब्द आहे. बोलणे अजिबात नसलेल्या स्थिर आवाजावरही काही सिस्टम ठरलेले वाक्य तयार करतात, कारण आवाज ऐकू आला की काहीतरी लिहावे असे त्यांना प्रशिक्षित केलेले असते.
रेकॉर्डिंगमध्ये दुरुस्त करा. मायक्रोफोनचा आवाज वाढवण्याऐवजी तो वक्त्याच्या जवळ आणा. अंतर दुप्पट केल्याने वक्त्याचा थेट आवाज सुमारे 6 dB ने कमी होतो, तर खोलीतील आवाज तेवढाच राहतो; म्हणून कोणत्याही सेटिंगपेक्षा जवळीक जास्त महत्त्वाची आहे. शक्य असल्यास रेकॉर्डिंगदरम्यान पंखे आणि एअर कंडिशनिंग बंद करा, आणि काच व टाइल्सच्या ऐवजी मऊ पृष्ठभाग असलेल्या खोलीत रेकॉर्ड करा.
ट्रान्सक्रिप्टमध्ये दुरुस्त करा. VocalStack मध्ये, गोंगाटाच्या रेकॉर्डिंगसाठी स्वयंचलित ओळखीवर सोडण्याऐवजी बोलली जाणारी भाषा निवडा. डॅशबोर्डची स्वतःची टीपच तसे सांगते: भाषा निवडल्याने गोंगाटाच्या रेकॉर्डिंगवर आणि तीव्र हेलावर अचूकता सुधारते. लाइव्ह ट्रान्सक्रिप्शनसाठी, Accuracy लेटन्सी मोड कठीण ऑडिओवर कमी चुकांच्या बदल्यात थोडा जास्त विलंब स्वीकारतो. इंजिनला सर्वात कमी खात्री असलेल्या ओळी (ट्रान्सक्रिप्शनच्या कॉन्फिडन्स थ्रेशोल्डच्या खाली, डीफॉल्ट 0.60) श्रोत्यांना अंदाजाऐवजी "Audio unclear" म्हणून दाखवल्या जातात, आणि त्या कधीही मोठ्याने वाचल्या जात नाहीत. पूर्णपणे बनवलेली ओळ हाताने लपवता येते: लपवलेल्या ओळी ट्रान्सक्रिप्ट, एक्स्पोर्ट, सबटायटल आणि प्लेयरमधून वगळल्या जातात.
हे कसे दिसते. "The data shows a thirty percent rise" हे "The data shows a dirty percent rise" होते. चुका संपूर्ण रेकॉर्डिंगमध्ये एकाच वक्त्याच्या मागे लागतात, तर इतर सर्वांच्या ओळी स्वच्छ असतात.
हे का होते. रेकग्निशन सिस्टम ज्या बोलण्यावर प्रशिक्षित केली गेली त्यातून शब्द कसे ऐकू येतात ते शिकते. जेव्हा एखादा वक्ता एखादा ध्वनी त्या बोलण्यातील बहुतेकांपेक्षा वेगळा उच्चारतो, उदा. "th" हा "d" सारखा, तेव्हा सिस्टम नेमके जे म्हटले गेले तेच ऐकते आणि त्या ध्वनीला सर्वाधिक जुळणारा खरा शब्द निवडते. स्वयंचलित भाषा ओळख परिस्थिती आणखी बिघडवू शकते: तीव्र हेल संकेतांना पूर्णपणे दुसऱ्या भाषेकडे वळवू शकतो (पहा स्वयंचलित भाषा ओळख कशी कार्य करते).
रेकॉर्डिंगमध्ये दुरुस्त करा. लाइव्ह भाषणासाठी, सुरू करण्यापूर्वी संदर्भ स्क्रिप्ट (Reference Script) जोडा (खालील परिभाषा विभाग पहा), म्हणजे वक्ता बोलण्याची शक्यता असलेले शब्द आधीच ज्ञात असतात. चांगला मायक्रोफोन प्रत्येक हेलाला मदत करतो, कारण प्रत्येक ध्वनीचा अधिक भाग इंजिनपर्यंत पोहोचतो.
ट्रान्सक्रिप्टमध्ये दुरुस्त करा. त्या रेकॉर्डिंगसाठी बोलली जाणारी भाषा निवडा. मग Fix टॅब वापरा: Mark uncertain words इंजिनला खात्री नसलेल्या शब्दांना रंग देते आणि अधोरेखित करते, आणि सर्व काही पुन्हा वाचण्याऐवजी तुम्ही अनिश्चित भागांमधून एकेक करत जाऊ शकता. जिथे इंजिनने इतर शब्दांचा विचार केला, तिथे ते सुचवलेल्या दुरुस्त्या म्हणून देते, त्यामुळे "dirty" चे "thirty" करणे सहसा एक क्लिक असते. Play just this word तुम्हाला बदलण्यापूर्वी कानाने तपासू देते.
हे कसे दिसते. एक वक्ता "So we agree on Tuesday?" विचारतो तर दुसरा "No, Thursday works" असे मधेच बोलतो. ट्रान्सक्रिप्ट Speaker 1 खाली एकच ओळ दाखवते: "So we agree on Tuesday no Thursday works." किंवा उलट: बैठकीच्या मध्यात उत्साही झालेली एक व्यक्ती Speaker 1 आणि Speaker 3 म्हणून दिसते.
हे का होते. खाली दोन वेगळी कामे चालतात. स्पीच रेकग्निशन शब्द लिहिते; स्पीकर डायराइझेशन प्रत्येक आवाज कसा ऐकू येतो त्यावरून कोण कधी बोलले ते ठरवते. बहुतेक सिस्टम प्रत्येक ऑडिओ भागाला एक वक्ता देतात, म्हणून दोन जण एकाच वेळी बोलले की एक जण हरतो. एखाद्याच्या आवाजातील बदल (उत्साहित, थकलेला, मायक्रोफोनपासून दूर) त्याला नव्या व्यक्तीसारखे दाखवू शकतो. स्पीकर डायराइझेशन विरुद्ध स्पीच रेकग्निशन दोन्ही कामे तपशिलात समजावते.
रेकॉर्डिंगमध्ये दुरुस्त करा. प्रत्येकाला स्वतःचा मायक्रोफोन द्या. अनेक वक्त्यांसाठी हा एक बदल कोणत्याही सेटिंगपेक्षा जास्त फायदा देतो. पॅनल चर्चेत किंवा श्रोत्यांचे प्रश्न असलेल्या बैठकीत, संचालकाला प्रत्येक प्रश्नाचे उत्तर देण्यापूर्वी तो स्वतःच्या मायक्रोफोनमध्ये पुन्हा म्हणायला सांगा.
ट्रान्सक्रिप्टमध्ये दुरुस्त करा. स्पीकर लेबल्स सेटिंग निवडा: When Needed (डीफॉल्ट) दुसरा आवाज ऐकू आला की ओळींना लेबल लावते, On प्रत्येक ओळीला लेबल लावते, Off कोणालाही लावत नाही. रेकॉर्डिंगदरम्यान किंवा नंतर प्रत्येक वक्त्याला नाव द्या. नाव हा शब्दांवरचा एक स्तर आहे, म्हणून तो मजकूर कधीही बदलत नाही, आणि तो त्या ट्रान्सक्रिप्शनच्या प्रत्येक रेकॉर्डिंगमध्ये त्या व्यक्तीला लागू होतो. तुम्ही वारंवार रेकॉर्ड करत असलेला वक्ता सेव्ह करा, म्हणजे नंतरची ट्रान्सक्रिप्शन्स त्याला नावाने ओळखतात. दोन वाक्ये एकत्र चालणारी ओळ दोन भागांत विभागता येते: नवी ओळ जिथे सुरू होते ती जागा टॅप करा.
हे कसे दिसते. "We deployed it on Kubernetes" हे "We deployed it on Cooper Netties" होते. "Ms Nguyen" हे "Miss Win" होते. औषधाचे नाव तीन लहान इंग्रजी शब्द बनते. वाक्याचा बाकीचा भाग ठीक असतो.
हे का होते. सिस्टम फक्त तिला माहीत असलेले शब्द लिहू शकते, आणि नाव अनेकदा एकदाच येते, त्याचा अंदाज बांधण्यासाठी आजूबाजूला काहीच नसते. जेव्हा सिस्टमने तो शब्द कधी पाहिलेला नसतो, तेव्हा ती सर्वात जवळचे वाटणारे सामान्य शब्द निवडते. तांत्रिक परिभाषेच्या अचूक ट्रान्सक्रिप्शनसाठी हा सर्वात कठीण प्रसंग आहे: वाक्य कोणताही सुगावा देत नाही, म्हणून कितीही संदर्भ ते दुरुस्त करू शकत नाही.
रेकॉर्डिंगमध्ये दुरुस्त करा. वक्ता शब्द म्हणण्यापूर्वी ते सिस्टमला द्या. VocalStack मध्ये ती संदर्भ स्क्रिप्ट (Reference Script) आहे: लाइव्ह भाषणाची स्क्रिप्ट किंवा स्लाइड्स, किंवा नावे आणि संज्ञांची यादी, सुरू करण्यापूर्वी जोडा, म्हणजे त्यातील नावे आणि संज्ञा चुकीच्या ऐकलेल्या शब्दांवर मात करतात. भाषणादरम्यान स्क्रिप्ट टेलिप्रॉम्प्टरप्रमाणे ट्रान्सक्रिप्टला अनुसरते. स्क्रिप्टने दुरुस्त केलेला प्रत्येक शब्द दुरुस्त्यांमध्ये SCRIPT म्हणून चिन्हांकित असतो आणि वक्त्याने खरोखर काही वेगळे म्हटले असेल तर तो पूर्ववत करता येतो.
ट्रान्सक्रिप्टमध्ये दुरुस्त करा. नाव एकदा दुरुस्त करा आणि बाकीचे शोधाने तपासा. ट्रान्सक्रिप्शन लाइव्ह असताना दुरुस्त्या प्रत्येक श्रोत्यापर्यंत, ते वाचत असलेल्या प्रत्येक भाषेत पोहोचतात, आणि प्रत्येक दुरुस्ती यादीत असते आणि पूर्ववत करता येते. एक्स्पोर्ट (SRT, PDF, Excel, JSON) मध्ये दुरुस्त्या समाविष्ट असतात, म्हणून सबटायटल आणि दस्तऐवज सुधारलेले स्पेलिंग घेऊन येतात.
हे कसे दिसते. भाषण स्पॅनिश अभिवादनाने सुरू होते आणि इंग्रजीत चालू राहते, आणि इंग्रजी स्पॅनिशसारखा दिसणारा निरर्थक मजकूर म्हणून येते. किंवा इंग्रजी ट्रान्सक्रिप्टच्या मधल्या काही ओळी जवळच्या भाषेत दिसतात. चुकीच्या भाषेवर सेट केलेल्या काही सिस्टम जे म्हटले गेले त्याऐवजी ढोबळ भाषांतर लिहितात.
हे का होते. भाषा निवडलेली नसताना सिस्टमला ती आवाजावरून, अनेकदा पहिल्या काही सेकंदांवरून ओळखावी लागते. अभिवादन, अवतरण किंवा तीव्र हेल तिला चुकीच्या दिशेने नेऊ शकतो. एकदा चुकीची भाषा निवडली गेली की त्या भागातील प्रत्येक शब्द एकत्रितपणे चुकीचा होतो.
रेकॉर्डिंगमध्ये दुरुस्त करा. रेकॉर्डिंग एका भाषेत असेल तर ती निवडा. जेव्हा दोन किंवा अधिक भाषा खरोखर बोलल्या जातात तेव्हा ओळख चालू ठेवा, म्हणजे प्रत्येक भाग स्वतःच्या भाषेत ट्रान्सक्रिप्ट होतो; एक निवडल्यास दुसरी तिच्यात बळजबरीने बसवली जाईल. लाइव्ह ट्रान्सक्रिप्शनमध्ये ती चालू असताना भाषा बदलता येते, आणि बदल लगेच लागू होतो.
ट्रान्सक्रिप्टमध्ये दुरुस्त करा. चुकीच्या भाषेत ऐकलेली ओळ शब्दाशब्दाने दुरुस्त करता येत नाही, कारण त्यात काहीच बरोबर नसते. VocalStack ती ओळ पुन्हा ट्रान्सक्रिप्ट करू शकते: ती खरोखर ज्या भाषेत बोलली गेली ती निवडा, आणि ओळीचा ऑडिओ त्या भाषेत पुन्हा वाचला जातो. निकाल इतर कोणत्याही दुरुस्तीसारख्याच पूर्ववत करण्याच्या सोयीसह, सामान्य दुरुस्ती म्हणून ओळीची जागा घेतो.
हे कसे दिसते. "The fees went up" हे "The thieves went up" होते. "Free" आणि "three" यांची अदलाबदल होते. चुका संपूर्ण रेकॉर्डिंगभर पसरतात, आणि कॉलवरील दूरच्या वक्त्यासाठी त्या सर्वात वाईट असतात.
हे का होते. "f", "s" आणि "th" वेगळे करणारे अनेक ध्वनी फ्रीक्वेन्सी श्रेणीच्या वरच्या भागात असतात. फोन लाइनवर सुमारे 3.4 kHz च्या वर काहीही जात नाही, आणि ब्लूटूथ हेडसेट अनेकदा त्याचा मायक्रोफोन खूपच अरुंद श्रेणी असलेल्या कॉल मोडमध्ये बदलतो. व्हिडिओ कॉलमधील कमी बिटरेट कॉम्प्रेशन आणखी काढून टाकते. सिस्टमला असा ऑडिओ मिळतो ज्यातून ते ध्वनी आधीच गेलेले असतात, आणि ती आता सारखे ऐकू येणाऱ्या शब्दांमध्ये अंदाज बांधते.
रेकॉर्डिंगमध्ये दुरुस्त करा. वायर्ड मायक्रोफोन वापरा, किंवा ज्याचा मायक्रोफोन पूर्ण-गुणवत्तेच्या मोडमध्येच राहतो असा हेडसेट वापरा. शक्य असेल तर कॉल रेकॉर्ड करण्याऐवजी प्रत्येक दूरचा वक्ता त्याच्या बाजूला रेकॉर्ड करा. कार्यक्रमासाठी, खोलीतील लॅपटॉप किंवा फोनच्या मायक्रोफोनऐवजी ऑडिओ मिक्सरमधून फीड घ्या: VocalStack चे लाइव्ह सेटअप मिक्सरमधून एकच केबल घेते, आणि फोनचा अंगभूत मायक्रोफोन खोलीचा जास्त भाग टिपतो.
ट्रान्सक्रिप्टमध्ये दुरुस्त करा. जो ऑडिओ कधी कॅप्चर झालाच नाही तो मशीन किंवा माणूस दोघांनाही पुनर्प्राप्त करता येत नाही. खराब झालेले भाग शोधण्यासाठी अनिश्चित शब्दांच्या खुणा वापरा, तपासण्यासाठी ओळ प्ले करा, आणि जे ऐकू येते ते दुरुस्त करा. जिथे काय म्हटले गेले हे कोणीही सांगू शकत नाही, तिथे अंदाज ठेवण्यापेक्षा ओळ लपवणे अधिक प्रामाणिक आहे.
हे कसे दिसते. "Fifteen" हे "fifty" होते. वक्त्याला एक डॉलर वीस सेंट म्हणायचे असताना "One twenty" हे "120" होते. "The third of the fourth" ही चुकीच्या क्रमातील तारीख म्हणून येते. प्रत्येक चूक एक शब्द असते, आणि वाक्यातील इतर सर्व शब्द बरोबर असतात.
हे का होते. "Fifteen" आणि "fifty" मुख्यतः कोणत्या अक्षरावर जोर आहे यात वेगळे असतात, आणि आवाजात किंवा वेगवान वक्त्यामुळे तो फरक सर्वात आधी हरवतो. बोललेल्या संख्यांमध्ये लिहिलेल्या संख्यांना लागणारे घटकही नसतात: एकके, दशांश चिन्हे, दिवस व महिन्याचा क्रम. सिस्टमला फॉरमॅटचा अंदाज बांधावा लागतो, आणि तिचा अंदाज सर्वात सामान्य असतो, तुमचा नाही.
रेकॉर्डिंगमध्ये दुरुस्त करा. वक्त्यांना आकडे एककासह पूर्ण म्हणायला सांगा: "one dollar twenty", "the fifteenth of March". तयारी केलेल्या भाषणात आकडे स्क्रिप्टमध्ये ठेवा.
ट्रान्सक्रिप्टमध्ये दुरुस्त करा. ट्रान्सक्रिप्ट उद्धृत केले जाण्यापूर्वी, पाठवले जाण्यापूर्वी किंवा प्रकाशित होण्यापूर्वी महत्त्वाचा प्रत्येक आकडा कानाने तपासा. चुकीचा आकडा बरोबर आकड्यासारखाच वाचला जातो, म्हणून पानावर काहीही तुम्हाला सावध करत नाही. शब्द त्रुटी दर काय मोजतो आणि काय चुकवतो एक चुकीचा आकडा त्याच्या त्रुटी दरातील वाट्यापेक्षा जास्त का महाग पडतो ते समजावते.
जेव्हा ट्रान्सक्रिप्टमध्ये अनेक समस्या असतात, तेव्हा त्या या क्रमाने दुरुस्त करा, म्हणजे कोणतीही दुरुस्ती पुढच्या दुरुस्तीने पूर्ववत होत नाही:
मग पुढचे रेकॉर्डिंग सोपे करा: प्रत्येक वक्त्यासाठी एक मायक्रोफोन, भाषा निवडलेली, आणि नावे असलेली स्क्रिप्ट. बहुतेक ऑडिओ ट्रान्सक्रिप्शनमधील चुका कोणीतरी रेकॉर्ड दाबण्यापूर्वीच ठरतात.
सुनावणी, वैद्यकीय सल्लामसलत किंवा एका चुकीच्या शब्दाचे परिणाम होऊ शकतात अशा कोणत्याही प्रसंगासाठी, ट्रान्सक्रिप्ट वापरण्यापूर्वी, ते कोणत्याही सिस्टमने बनवलेले असो, एका व्यक्तीकडून तपासून घ्या. तुमचा स्वतःचा ऑडिओ यातील कोणत्या चुका निर्माण करतो ते पाहण्यासाठी डॅशबोर्डमध्ये एक रेकॉर्डिंग वापरून पहा.