En dårlig transkripsjon har vanligvis én eller to årsaker, og feilene på siden forteller hvilke. Sju vanlige årsaker til feil i lydtranskripsjon, hvordan hver enkelt ser ut, hvorfor den oppstår, og løsningen både i opptaket og i transkripsjonen.
Feil i lydtranskripsjon er sjelden tilfeldige. En transkripsjon som gjør «Kubernetes» til «Cooper Netties», setter to personers ord under ett navn eller skriver «fifty» der taleren sa «fifteen», viser deg hva som gikk galt. Hver årsak etterlater sin egen type feil, og hver har sin egen løsning. Noen løsninger hører hjemme i neste opptak, andre i transkripsjonen du allerede har.
Denne veiledningen tar utgangspunkt i feilen. Finn den som passer til transkripsjonen din i listen under, og gå til den delen: hvordan feilen ser ut, hvorfor den oppstår med enkle ord, og hva du kan gjøre med den.
De fleste transkripsjonsproblemer faller inn under sju mønstre. Match symptomet med årsaken:
To årsaker opptrer ofte sammen. En gjest på avstand med headset i en støyende kafé, som snakker med aksent, gir tre typer feil på en gang. Rett først årsaken som rammer flest linjer: som regel lyden, så språket, så ordene.
Hvordan det ser ut. I et opptak fra en kafé blir «Let's move the launch to March» til «Let's move the lunch to March». Et ord under et dørsmell forsvinner. Over en lang stillhet med en klimaanlegg som durer dukker det opp en linje ingen sa, for eksempel «Thank you for watching.»
Hvorfor det skjer. Talegjenkjenning gjetter de mest sannsynlige ordene for lyden den mottar. Støy dekker de svake delene av talen først: ordendene og de korte ordene mellom dem. Med mindre av det ekte signalet bygger gjettingen mer på det som vanligvis kommer neste, og «lunch» er et vanligere ord enn «launch». Over jevn støy uten tale i det hele tatt skriver noen systemer likevel en fast frase, fordi de er trent til å skrive noe hver gang de hører lyd.
Rett det i opptaket. Flytt mikrofonen nærmere taleren i stedet for å skru opp volumet. Dobbelt avstand kutter talerens direktelyd med omtrent 6 dB mens romstøyen blir den samme, så nærhet teller mer enn noen innstilling. Slå av vifter og klimaanlegg under opptaket hvis du kan, og ta opp i et rom med myke overflater i stedet for glass og fliser.
Rett det i transkripsjonen. I VocalStack bør du oppgi det talte språket ved støyende opptak i stedet for å la det stå på automatisk gjenkjenning. Notisen i dashbordet sier det selv: å oppgi språket gir bedre nøyaktighet på støyende opptak og kraftige aksenter. For en direktetranskripsjon godtar latensmodusen Accuracy litt mer forsinkelse mot færre feil på vanskelig lyd. Linjer motoren er minst sikker på (under transkripsjonens konfidensterskel, 0.60 som standard) vises for lyttere som «Audio unclear» i stedet for en gjetning, og leses aldri opp. En linje som er ren oppdikting kan skjules for hånd: skjulte linjer utelates fra transkripsjonen, eksporter, undertekster og spilleren.
Hvordan det ser ut. «The data shows a thirty percent rise» blir «The data shows a dirty percent rise». Feilene følger én taler gjennom opptaket, mens alle andres linjer er rene.
Hvorfor det skjer. Et gjenkjenningssystem lærer hvordan ord høres ut fra talen det ble trent på. Når en taler uttaler en lyd annerledes enn mesteparten av den talen, for eksempel «th» sagt som «d», hører systemet nøyaktig det som ble sagt og velger det virkelige ordet som passer best til lyden. Automatisk språkgjenkjenning kan gjøre det verre: en sterk aksent kan forskyve signalene mot et helt annet språk (se hvordan automatisk språkgjenkjenning fungerer).
Rett det i opptaket. For en direkte tale kan du legge inn et Reference Script før du starter (se avsnittet om fagord under), slik at ordene taleren sannsynligvis sier, allerede er kjent. En god mikrofon hjelper for alle aksenter, fordi mer av hver lyd når motoren.
Rett det i transkripsjonen. Oppgi det talte språket for det opptaket. Bruk så fanen Fix: Mark uncertain words farger og understreker ordene motoren var usikker på, og du kan gå gjennom de usikre partiene ett om gangen i stedet for å lese alt på nytt. Der motoren vurderte andre ord, foreslår den dem som rettinger, så å rette «dirty» til «thirty» er som regel ett klikk. Play just this word lar deg sjekke på gehør før du endrer noe.
Hvordan det ser ut. Én taler spør «So we agree on Tuesday?» mens en annen bryter inn med «No, Thursday works». Transkripsjonen viser én enkelt linje under Speaker 1: «So we agree on Tuesday no Thursday works.» Eller omvendt: én person som ble ivrigere midt i møtet, vises som Speaker 1 og Speaker 3.
Hvorfor det skjer. To atskilte oppgaver kjører under overflaten. Talegjenkjenning skriver ordene; talerdiarisering avgjør hvem som snakket når, ut fra hvordan hver stemme høres ut. De fleste systemer gir hvert lydavsnitt én taler, så når to snakker samtidig, taper den ene. En endring i stemmen (opphisset, sliten, lenger fra mikrofonen) kan få noen til å se ut som en ny person. Talerdiarisering mot talegjenkjenning forklarer begge oppgavene i detalj.
Rett det i opptaket. Gi hver person sin egen mikrofon. Den ene endringen gjør mer for flere talere enn noen innstilling. På et panel eller et møte med spørsmål fra salen kan du be moderatoren gjenta hvert spørsmål i sin egen mikrofon før det besvares.
Rett det i transkripsjonen. Velg innstillingen for talermerking: When Needed (standard) merker linjer så snart en andre stemme høres, On merker hver linje, Off ingen. Gi hver taler et navn under eller etter opptaket. Navnet er et lag over ordene, så det endrer aldri teksten, og det gjelder den personen i hvert opptak i transkripsjonen. Lagre en taler du tar opp ofte, så gjenkjenner senere transkripsjoner vedkommende på navn. En linje som slår to setninger sammen, kan deles i to: trykk på gapet der den nye linjen begynner.
Hvordan det ser ut. «We deployed it on Kubernetes» blir «We deployed it on Cooper Netties». «Ms Nguyen» blir «Miss Win». Et legemiddelnavn blir til tre korte engelske ord. Resten av setningen er i orden.
Hvorfor det skjer. Et system kan bare skrive ord det kjenner, og et navn forekommer ofte bare én gang, uten noe rundt som kan forutsi det. Når det aldri har sett ordet, velger det de vanlige ordene som høres nærmest ut. Dette er det vanskeligste tilfellet for nøyaktig transkripsjon av fagterminologi: setningen gir ingen pekepinn, så ingen mengde kontekst hjelper.
Rett det i opptaket. Gi systemet ordene før taleren sier dem. I VocalStack er det et Reference Script: legg til manuset eller lysbildene fra en direkte tale, eller en liste over navn og begreper, før du starter, så vinner navn og begreper derfra over det som ble hørt feil. Under foredraget følger manuset transkripsjonen som en teleprompter. Hvert ord manuset rettet, er merket SCRIPT blant rettingene og kan angres hvis taleren faktisk sa noe annet.
Rett det i transkripsjonen. Rett navnet én gang og sjekk resten med søk. Rettinger når hver lytter mens transkripsjonen er direkte, på hvert språk de leser, og hver retting er listet og kan angres. Eksporter (SRT, PDF, Excel, JSON) inneholder rettingene, så undertekster og dokumenter har den rettede stavemåten.
Hvordan det ser ut. En tale åpner med en hilsen på spansk og fortsetter på engelsk, og engelsken kommer ut som spansk-lignende vås. Eller noen få linjer midt i en engelsk transkripsjon vises på et beslektet språk. Noen systemer, satt til feil språk, skriver en grov oversettelse i stedet for det som ble sagt.
Hvorfor det skjer. Når intet språk er oppgitt, må systemet gjenkjenne det ut fra lyden, ofte fra de første sekundene. En hilsen, et sitat eller en sterk aksent kan peke feil vei. Når det først har valgt feil språk, er hvert ord i det partiet feil sammen.
Rett det i opptaket. Hvis opptaket er på ett språk, oppgi det. La gjenkjenningen stå på når to eller flere språk virkelig snakkes, slik at hver del transkriberes på sitt eget språk; å oppgi ett ville tvunget det andre inn i det. I en direktetranskripsjon kan språket endres mens den kjører, og endringen gjelder med en gang.
Rett det i transkripsjonen. En linje hørt på feil språk kan ikke rettes ord for ord, fordi ingenting i den er riktig. VocalStack kan transkribere linjen på nytt: velg språket den egentlig ble snakket på, så leses linjens lyd på nytt på det språket. Resultatet erstatter linjen som en vanlig retting, med samme angre som alle andre.
Hvordan det ser ut. «The fees went up» blir «The thieves went up». «Free» og «three» bytter plass. Feilene brer seg over hele opptaket og er verst for den eksterne taleren i en samtale.
Hvorfor det skjer. Mange av lydene som skiller «f», «s» og «th», ligger høyt i frekvensområdet. En telefonlinje bærer ingenting over omtrent 3.4 kHz, og et Bluetooth-headset bytter ofte mikrofonen til en samtalemodus med et mye smalere område. Komprimering med lav bitrate i videosamtaler fjerner mer. Systemet mottar lyd der disse lydene allerede er borte, og gjetter mellom ord som nå høres like ut.
Rett det i opptaket. Bruk en kablet mikrofon, eller et headset hvis mikrofon holder seg i modusen med full kvalitet. Ta om mulig opp hver ekstern taler hos dem selv i stedet for å ta opp samtalen. Til et arrangement bør du ta signalet fra lydmikseren i stedet for en laptop- eller telefonmikrofon i rommet: VocalStacks direkteoppsett tar én kabel fra mikseren, og en telefons innebygde mikrofon fanger opp mer av rommet.
Rett det i transkripsjonen. Lyd som aldri ble fanget, kan ikke gjenopprettes, verken av en maskin eller et menneske. Bruk markeringene for usikre ord til å finne de skadde partiene, spill av linjen for å sjekke, og rett det du kan høre. Der ingen kan avgjøre hva som ble sagt, er det mer ærlig å skjule linjen enn å la en gjetning stå.
Hvordan det ser ut. «Fifteen» blir «fifty». «One twenty» blir «120» når taleren mente én dollar og tjue cent. «The third of the fourth» kommer ut som en dato i feil rekkefølge. Hver feil er ett ord, og alle andre ord i setningen er riktige.
Hvorfor det skjer. «Fifteen» og «fifty» skiller seg hovedsakelig i hvilken stavelse som får trykk, og den forskjellen er det første som går tapt i støy eller ved rask tale. Talte tall utelater dessuten det skrevne trenger: enheter, desimaltegn, rekkefølgen på dag og måned. Systemet må gjette formatet, og gjetningen er det vanligste, ikke ditt.
Rett det i opptaket. Be talere si tall fullt ut, med enhet: «one dollar twenty», «the fifteenth of March». Legg tallene inn i manuset ved et forberedt foredrag.
Rett det i transkripsjonen. Sjekk hvert viktige tall på gehør før transkripsjonen siteres, sendes eller publiseres. Et feil tall leses som et riktig, så ingenting på siden advarer deg. Hva ordfeilrate måler, og hva den overser forklarer hvorfor ett enkelt feil tall koster mer enn sin andel av feilraten.
Når en transkripsjon har mange problemer, rett dem i denne rekkefølgen, slik at ingen retting oppheves av den neste:
Gjør så neste opptak enklere: én mikrofon per taler, språket oppgitt og et manus med navnene i. De fleste feil i lydtranskripsjon avgjøres før noen trykker på opptak.
For en høring, en legetime eller alt der ett feil ord har konsekvenser, bør et menneske kontrollere transkripsjonen før den brukes, uansett hvilket system som laget den. For å se hvilke av disse feilene din egen lyd gir, prøv et opptak i dashbordet.