खराब ट्रान्सक्रिप्टका प्रायः एउटा वा दुईवटा कारण हुन्छन्, र पृष्ठमा देखिने गल्तीहरूले कुन हुन् भनेर बताउँछन्। अडियो ट्रान्सक्रिप्सन त्रुटिका सात सामान्य कारण: प्रत्येकले कस्तो देखिन्छ, किन हुन्छ, र रेकर्डिङ तथा ट्रान्सक्रिप्टमा कसरी सच्याउने।
अडियो ट्रान्सक्रिप्सनका त्रुटिहरू विरलै अनियमित हुन्छन्। “Kubernetes” लाई “Cooper Netties” बनाउने, दुई जनाका शब्द एउटै नाममुनि राखिदिने, वा वक्ताले “fifteen” भनेको ठाउँमा “fifty” लेखिदिने ट्रान्सक्रिप्टले तपाईंलाई के बिग्रियो भनेर देखाइरहेको हुन्छ। प्रत्येक कारणले आफ्नै प्रकारको गल्ती छाड्छ, र प्रत्येकको आफ्नै समाधान हुन्छ। केही समाधान अर्को रेकर्डिङका लागि हुन्छन्, केही तपाईंसँग पहिले नै भएको ट्रान्सक्रिप्टका लागि।
यो मार्गदर्शन गल्तीबाट सुरु हुन्छ। तलको सूचीमा आफ्नो ट्रान्सक्रिप्टसँग मिल्ने गल्ती खोज्नुहोस्, अनि त्यसको खण्डमा जानुहोस्: त्रुटि कस्तो देखिन्छ, किन हुन्छ (सरल भाषामा), र त्यसबारे के गर्ने।
ट्रान्सक्रिप्सनका अधिकांश समस्या सातवटा ढाँचामा पर्छन्। लक्षणलाई कारणसँग मिलाउनुहोस्:
दुई कारण प्रायः एकसाथ जम्मा हुन्छन्। हल्लाखल्ला भएको क्याफेमा हेडसेट लगाएर अनौठो उच्चारणमा बोल्ने टाढाका अतिथिले एकैपटक तीन प्रकारका त्रुटि निम्त्याउँछन्। सबैभन्दा धेरै पङ्क्तिलाई असर गर्ने कारण पहिले सच्याउनुहोस्: सामान्यतया अडियो, त्यसपछि भाषा, त्यसपछि शब्दहरू।
कस्तो देखिन्छ। क्याफेमा गरिएको रेकर्डिङमा “Let's move the launch to March” “Let's move the lunch to March” भएर फर्कन्छ। ढोका ठोक्किएको आवाजमुनि एउटा शब्द हराउँछ। एयर कन्डिसनरको गुञ्जनसहितको लामो मौनतामा कसैले नभनेको “Thank you for watching.” जस्तो पङ्क्ति देखा पर्छ।
किन हुन्छ। वाक् पहिचानले आफूले पाएको ध्वनिका लागि सबैभन्दा सम्भावित शब्दको अनुमान लगाउँछ। आवाजले बोलीका शान्त भाग पहिले छोप्छ: शब्दका अन्त्य र तिनका बीचका छोटा शब्द। वास्तविक सङ्केत कम हुँदा अनुमान प्रायः के आउँछ भन्नेमा बढी निर्भर हुन्छ, र “lunch” “launch” भन्दा बढी प्रचलित शब्द हो। बोली नै नभएको स्थिर आवाजमा पनि केही प्रणालीले तयारी वाक्यांश निकाल्छन्, किनकि ध्वनि सुन्नासाथ केही लेख्न तिनलाई तालिम दिइएको हुन्छ।
रेकर्डिङमा सच्याउनुहोस्। माइक्रोफोनको भोल्युम बढाउनुभन्दा वक्ताको नजिक सार्नुहोस्। दूरी दोब्बर गर्दा वक्ताको प्रत्यक्ष ध्वनि करिब 6 dB घट्छ, तर कोठाको आवाज त्यहीँ रहन्छ, त्यसैले कुनै पनि सेटिङभन्दा नजिक हुनु बढी महत्त्वपूर्ण हुन्छ। सम्भव भए रेकर्डिङका बेला पङ्खा र एयर कन्डिसनिङ बन्द गर्नुहोस्, र सिसा र टाइलको सट्टा नरम सतह भएको कोठामा रेकर्ड गर्नुहोस्।
ट्रान्सक्रिप्टमा सच्याउनुहोस्। VocalStack मा, हल्लाखल्ला भएका रेकर्डिङमा स्वचालित पहिचानमा छाड्नुको सट्टा बोलिने भाषा तोक्नुहोस्। ड्यासबोर्डको आफ्नै टिप्पणीले पनि यही भन्छ: भाषा तोक्दा हल्लाखल्ला भएका रेकर्डिङ र कडा उच्चारणमा शुद्धता सुधार्छ। लाइभ ट्रान्सक्रिप्सनमा Accuracy लेटेन्सी मोडले कठिन अडियोमा कम गल्तीको बदलामा अलिकति बढी ढिलाइ स्वीकार गर्छ। इन्जिन सबैभन्दा कम निश्चित भएका पङ्क्ति (ट्रान्सक्रिप्सनको विश्वास सीमाभन्दा तल, पूर्वनिर्धारित 0.60) अनुमानको सट्टा श्रोतालाई “Audio unclear” का रूपमा देखाइन्छन्, र कहिल्यै ठूलो स्वरमा पढिँदैनन्। पूरै बनावटी पङ्क्ति हातैले लुकाउन सकिन्छ: लुकाइएका पङ्क्ति ट्रान्सक्रिप्ट, निर्यात, सबटाइटल र प्लेयरबाट बाहिर राखिन्छन्।
कस्तो देखिन्छ। “The data shows a thirty percent rise” “The data shows a dirty percent rise” हुन्छ। गल्तीहरू रेकर्डिङभरि एउटै वक्तालाई पछ्याउँछन्, जबकि अरू सबैका पङ्क्ति सफा हुन्छन्।
किन हुन्छ। पहिचान प्रणालीले आफूलाई तालिम दिइएको बोलीबाट शब्दहरू कस्ता सुनिन्छन् भन्ने सिक्छ। जब वक्ताले कुनै ध्वनि त्यस बोलीको अधिकांशभन्दा फरक तरिकाले उच्चारण गर्छ, जस्तै “th” लाई “d” भनेर, प्रणालीले ठ्याक्कै भनिएको सुन्छ र त्यो ध्वनिसँग सबैभन्दा मिल्ने वास्तविक शब्द छान्छ। स्वचालित भाषा पहिचानले अवस्था बिगार्न सक्छ: कडा उच्चारणले संकेतहरूलाई अर्कै भाषातिर सार्न सक्छ (स्वचालित भाषा पहिचान कसरी काम गर्छ हेर्नुहोस्)।
रेकर्डिङमा सच्याउनुहोस्। लाइभ भाषणका लागि सुरु गर्नुअघि Reference Script थप्नुहोस् (तलको पारिभाषिक शब्दसम्बन्धी खण्ड हेर्नुहोस्), ताकि वक्ताले भन्ने सम्भावना भएका शब्द पहिले नै थाहा होऊन्। राम्रो माइक्रोफोनले हरेक उच्चारणलाई मद्दत गर्छ, किनकि प्रत्येक ध्वनिको बढी भाग इन्जिनमा पुग्छ।
ट्रान्सक्रिप्टमा सच्याउनुहोस्। त्यस रेकर्डिङका लागि बोलिने भाषा तोक्नुहोस्। त्यसपछि Fix ट्याब प्रयोग गर्नुहोस्: Mark uncertain words ले इन्जिन अनिश्चित रहेका शब्दलाई रङ लगाउँछ र रेखांकित गर्छ, र सबै फेरि पढ्नुको सट्टा अनिश्चित खण्डहरू एक-एक गरी हेर्न सक्नुहुन्छ। इन्जिनले अरू शब्द विचार गरेको ठाउँमा तिनलाई सुझाइएका सुधारका रूपमा प्रस्ताव गर्छ, त्यसैले “dirty” लाई “thirty” मा सच्याउन प्रायः एक क्लिक पुग्छ। Play just this word ले केही बदल्नुअघि कानले जाँच्न दिन्छ।
कस्तो देखिन्छ। एक जना वक्ताले “So we agree on Tuesday?” सोध्छन् र अर्कोले “No, Thursday works” भनेर बीचमै बोल्छन्। ट्रान्सक्रिप्टमा Speaker 1 मुनि एउटै पङ्क्ति देखिन्छ: “So we agree on Tuesday no Thursday works.” वा उल्टो: बैठकको बीचमा उत्साहित भएका एक जना व्यक्ति Speaker 1 र Speaker 3 का रूपमा देखिन्छन्।
किन हुन्छ। भित्र दुईवटा अलग काम चलिरहेका हुन्छन्। वाक् पहिचानले शब्द लेख्छ; वक्ता डायराइजेसनले प्रत्येक आवाज कस्तो सुनिन्छ भन्ने आधारमा को कहिले बोल्यो भन्ने निर्धारण गर्छ। अधिकांश प्रणालीले अडियोको प्रत्येक खण्डलाई एउटा वक्ता दिन्छन्, त्यसैले दुई जना एकैसाथ बोल्दा एक जनाको हार हुन्छ। कसैको आवाज बदलिँदा (उत्साहित, थकित, माइक्रोफोनबाट टाढा) उनी नयाँ व्यक्तिजस्तै देखिन सक्छन्। वक्ता डायराइजेसन बनाम वाक् पहिचान ले दुवै काम विस्तारमा बुझाउँछ।
रेकर्डिङमा सच्याउनुहोस्। प्रत्येक व्यक्तिलाई आफ्नै माइक्रोफोन दिनुहोस्। धेरै वक्ताका लागि यही एउटा परिवर्तनले कुनै पनि सेटिङभन्दा बढी काम गर्छ। प्यानल वा दर्शकका प्रश्न हुने बैठकमा उत्तर दिनुअघि सञ्चालकलाई प्रत्येक प्रश्न आफ्नै माइक्रोफोनमा दोहोर्याउन भन्नुहोस्।
ट्रान्सक्रिप्टमा सच्याउनुहोस्। वक्ता लेबल सेटिङ छान्नुहोस्: When Needed (पूर्वनिर्धारित) ले दोस्रो आवाज सुनिएपछि पङ्क्तिमा लेबल लगाउँछ, On ले प्रत्येक पङ्क्तिमा लगाउँछ, र Off ले कतै लगाउँदैन। रेकर्डिङका बेला वा पछि प्रत्येक वक्ताको नाम राख्नुहोस्। नाम शब्दहरूमाथिको एउटा तह हो, त्यसैले यसले पाठ कहिल्यै बदल्दैन, र ट्रान्सक्रिप्सनका सबै रेकर्डिङमा त्यो व्यक्तिलाई लागू हुन्छ। तपाईंले बारम्बार रेकर्ड गर्ने वक्तालाई बचत गर्नुहोस्, र पछिका ट्रान्सक्रिप्सनले उनलाई नामले चिन्छन्। दुई वाक्य जोडिएको पङ्क्तिलाई दुई भागमा बाँड्न सकिन्छ: नयाँ पङ्क्ति सुरु हुने खाली ठाउँमा ट्याप गर्नुहोस्।
कस्तो देखिन्छ। “We deployed it on Kubernetes” “We deployed it on Cooper Netties” हुन्छ। “Ms Nguyen” “Miss Win” हुन्छ। औषधिको नाम तीनवटा छोटा अङ्ग्रेजी शब्दमा बदलिन्छ। वाक्यको बाँकी भाग ठीक हुन्छ।
किन हुन्छ। प्रणालीले आफूले चिनेका शब्द मात्र लेख्न सक्छ, र नाम प्रायः एकपटक मात्र आउँछ, यसको वरिपरि अनुमान लगाउन सकिने केही हुँदैन। शब्द कहिल्यै नदेखेको हुँदा, यसले सबैभन्दा नजिक सुनिने साधारण शब्दहरू छान्छ। प्राविधिक शब्दावलीको सही ट्रान्सक्रिप्सनका लागि यो सबैभन्दा कठिन अवस्था हो: वाक्यले कुनै सङ्केत दिँदैन, त्यसैले जतिसुकै सन्दर्भले पनि यसलाई सच्याउँदैन।
रेकर्डिङमा सच्याउनुहोस्। वक्ताले भन्नुअघि नै प्रणालीलाई शब्दहरू दिनुहोस्। VocalStack मा त्यो Reference Script हो: सुरु गर्नुअघि लाइभ भाषणको स्क्रिप्ट वा स्लाइड, वा नाम र शब्दहरूको सूची थप्नुहोस्, र त्यसमा भएका नाम र शब्दले गलत सुनिएकोलाई जित्छन्। भाषणका बेला स्क्रिप्टले टेलिप्रम्प्टरझैँ ट्रान्सक्रिप्टलाई पछ्याउँछ। स्क्रिप्टले सच्याएको प्रत्येक शब्द सुधारहरूमा SCRIPT भनेर चिनो लगाइन्छ र वक्ताले साँच्चै अर्कै कुरा भनेको हो भने उल्टाउन सकिन्छ।
ट्रान्सक्रिप्टमा सच्याउनुहोस्। नाम एकपटक सच्याउनुहोस् र बाँकी ठाउँ खोजीबाट जाँच्नुहोस्। ट्रान्सक्रिप्सन लाइभ हुँदा सुधारहरू प्रत्येक श्रोतासम्म, तिनले पढिरहेका प्रत्येक भाषामा पुग्छन्, र प्रत्येक सुधार सूचीबद्ध हुन्छ र उल्टाउन सकिन्छ। निर्यात (SRT, PDF, Excel, JSON) मा सुधारहरू समावेश हुन्छन्, त्यसैले सबटाइटल र कागजातमा सच्याइएको हिज्जे आउँछ।
कस्तो देखिन्छ। भाषण स्पेनिसमा अभिवादनबाट सुरु भएर अङ्ग्रेजीमा चल्छ, र अङ्ग्रेजी स्पेनिसजस्तो देखिने अर्थहीन पाठ भएर आउँछ। वा अङ्ग्रेजी ट्रान्सक्रिप्टको बीचका केही पङ्क्ति नजिकको भाषामा देखिन्छन्। गलत भाषामा सेट गरिएका केही प्रणालीले भनिएको कुराको सट्टा मोटामोटी अनुवाद लेख्छन्।
किन हुन्छ। भाषा तोकिएको छैन भने प्रणालीले ध्वनिबाट, प्रायः पहिलो केही सेकेन्डबाट, यसलाई पत्ता लगाउनुपर्छ। अभिवादन, उद्धरण वा कडा उच्चारणले यसलाई गलत दिशामा लैजान सक्छ। एकपटक गलत भाषा छानेपछि त्यस खण्डका प्रत्येक शब्द सँगै गलत हुन्छन्।
रेकर्डिङमा सच्याउनुहोस्। रेकर्डिङ एउटै भाषामा छ भने त्यसलाई तोक्नुहोस्। दुई वा बढी भाषा साँच्चै बोलिन्छन् भने पहिचान खुला राख्नुहोस्, ताकि प्रत्येक भाग आफ्नै भाषामा ट्रान्सक्रिप्ट होस्; एउटा तोक्दा अर्कोलाई त्यसैमा बाध्य पारिन्छ। लाइभ ट्रान्सक्रिप्सनमा चलिरहेको बेला भाषा बदल्न सकिन्छ, र परिवर्तन तुरुन्तै लागू हुन्छ।
ट्रान्सक्रिप्टमा सच्याउनुहोस्। गलत भाषामा सुनिएको पङ्क्ति शब्द-शब्द गरेर सच्याउन सकिँदैन, किनकि त्यसमा केही पनि ठीक छैन। VocalStack ले पङ्क्तिलाई फेरि ट्रान्सक्रिप्ट गर्न सक्छ: साँच्चै बोलिएको भाषा छान्नुहोस्, र पङ्क्तिको अडियो त्यही भाषामा फेरि पढिन्छ। नतिजाले पङ्क्तिलाई साधारण सुधारका रूपमा बदल्छ, अरू जस्तै उल्टाउन सकिने गरी।
कस्तो देखिन्छ। “The fees went up” “The thieves went up” हुन्छ। “Free” र “three” आपसमा साटिन्छन्। गल्तीहरू सम्पूर्ण रेकर्डिङमा फैलिन्छन्, र कलमा टाढाका वक्तामा सबैभन्दा खराब हुन्छन्।
किन हुन्छ। “f”, “s” र “th” लाई छुट्ट्याउने धेरै ध्वनि आवृत्ति दायराको माथिल्लो भागमा हुन्छन्। फोन लाइनले करिब 3.4 kHz भन्दा माथि केही बोक्दैन, र ब्लुटुथ हेडसेटले प्रायः आफ्नो माइक्रोफोनलाई धेरै साँघुरो दायराको कल मोडमा बदल्छ। भिडियो कलमा कम बिटरेटको कम्प्रेसनले अझ धेरै हटाउँछ। प्रणालीले ती ध्वनि पहिले नै हराइसकेको अडियो पाउँछ, र अब उस्तै सुनिने शब्दबीच अनुमान लगाउँछ।
रेकर्डिङमा सच्याउनुहोस्। तारयुक्त माइक्रोफोन, वा माइक्रोफोन पूर्ण गुणस्तर मोडमै रहने हेडसेट प्रयोग गर्नुहोस्। सम्भव भए कल रेकर्ड गर्नुको सट्टा प्रत्येक टाढाको वक्तालाई उनको पक्षमै रेकर्ड गर्नुहोस्। कार्यक्रमका लागि कोठाको ल्यापटप वा फोनको माइक्रोफोनको सट्टा अडियो मिक्सरबाट फिड लिनुहोस्: VocalStack को लाइभ सेटअपले मिक्सरबाट एउटा केबल लिन्छ, र फोनको भित्री माइक्रोफोनले कोठाको बढी आवाज टिप्छ।
ट्रान्सक्रिप्टमा सच्याउनुहोस्। कहिल्यै कैद नगरिएको अडियो मेसिन वा व्यक्ति, कसैले पनि पुनः प्राप्त गर्न सक्दैन। अनिश्चित शब्दका चिनो प्रयोग गरेर क्षति पुगेका खण्ड भेट्टाउनुहोस्, जाँच्न पङ्क्ति बजाउनुहोस्, र सुन्न सक्ने कुरा सच्याउनुहोस्। के भनियो भन्ने कसैले भन्न सक्दैन भने अनुमान छाड्नुभन्दा पङ्क्ति लुकाउनु बढी इमानदार हुन्छ।
कस्तो देखिन्छ। “Fifteen” “fifty” हुन्छ। वक्ताले एक डलर बीस भन्न खोजेको ठाउँमा “One twenty” “120” हुन्छ। “The third of the fourth” गलत क्रमको मिति भएर आउँछ। प्रत्येक गल्ती एउटा शब्दको हुन्छ, र वाक्यका अरू सबै शब्द ठीक हुन्छन्।
किन हुन्छ। “Fifteen” र “fifty” मुख्यतः कुन अक्षरमा जोड दिइन्छ भन्नेमा फरक पर्छन्, र हल्लाखल्ला वा छिटो बोल्ने वक्ताका कारण त्यो फरक सबैभन्दा पहिले हराउँछ। बोलिएका संख्याले लेखिएकालाई चाहिने कुरा पनि छाड्छन्: एकाइ, दशमलव बिन्दु, दिन र महिनाको क्रम। प्रणालीले ढाँचा अनुमान लगाउनुपर्छ, र यसको अनुमान सबैभन्दा सामान्य हुन्छ, तपाईंले सोचेको होइन।
रेकर्डिङमा सच्याउनुहोस्। वक्तालाई अङ्कहरू एकाइसहित पूरै भन्न भन्नुहोस्: “one dollar twenty”, “the fifteenth of March”। तयार पारिएको भाषणका लागि अङ्कहरू स्क्रिप्टमा राख्नुहोस्।
ट्रान्सक्रिप्टमा सच्याउनुहोस्। ट्रान्सक्रिप्ट उद्धृत गर्न, पठाउन वा प्रकाशित गर्नुअघि महत्त्वपूर्ण प्रत्येक अङ्क कानले जाँच्नुहोस्। गलत संख्या सही संख्याजस्तै पढिन्छ, त्यसैले पृष्ठमा कुनै कुराले तपाईंलाई सचेत गराउँदैन। शब्द त्रुटि दरले के नाप्छ, र के छुटाउँछ ले एउटा गलत अङ्कले त्रुटि दरमा आफ्नो हिस्सा भन्दा बढी किन खर्च गराउँछ भनेर बुझाउँछ।
ट्रान्सक्रिप्टमा धेरै समस्या हुँदा, एउटा सुधार अर्कोले नउल्टाओस् भनेर यही क्रममा सच्याउनुहोस्:
त्यसपछि अर्को रेकर्डिङ सजिलो बनाउनुहोस्: प्रति वक्ता एउटा माइक्रोफोन, तोकिएको भाषा, र नामहरू भएको स्क्रिप्ट। अडियो ट्रान्सक्रिप्सनका अधिकांश त्रुटि कसैले रेकर्ड थिच्नुअघि नै निर्धारण भइसकेका हुन्छन्।
सुनुवाइ, चिकित्सकीय परामर्श वा एउटा गलत शब्दको परिणाम हुने जुनसुकै अवस्थामा, ट्रान्सक्रिप्ट जुन प्रणालीले बनाएको भए पनि, प्रयोग गर्नुअघि कुनै व्यक्तिले जाँचोस्। तपाईंको आफ्नै अडियोले यीमध्ये कुन त्रुटि निम्त्याउँछ भनेर हेर्न, ड्यासबोर्डमा रेकर्डिङ प्रयास गर्नुहोस्।