Zła transkrypcja ma zwykle jedną lub dwie przyczyny, a błędy na stronie mówią, które. Siedem częstych przyczyn błędów w transkrypcji dźwięku: jak wygląda każdy z nich, dlaczego powstaje i jak go naprawić w nagraniu i w samej transkrypcji.
Błędy w transkrypcji dźwięku rzadko są przypadkowe. Transkrypcja, która z „Kubernetes” robi „Cooper Netties”, wkłada słowa dwóch osób pod jedno nazwisko albo pisze „pięćdziesiąt” tam, gdzie mówca powiedział „piętnaście”, pokazuje ci, co poszło nie tak. Każda przyczyna zostawia własny rodzaj pomyłki i ma własną poprawkę. Jedne poprawki należą do następnego nagrania, inne do transkrypcji, którą już masz.
Ten przewodnik zaczyna od pomyłki. Znajdź na liście poniżej tę, która pasuje do twojej transkrypcji, i przejdź do jej sekcji: jak wygląda błąd, dlaczego powstaje (prostymi słowami) i co z nim zrobić.
Większość problemów z transkrypcją mieści się w siedmiu wzorcach. Dopasuj objaw do przyczyny:
Dwie przyczyny często się nakładają. Zdalny gość w słuchawkach w hałaśliwej kawiarni, mówiący z akcentem, da trzy rodzaje błędów naraz. Najpierw napraw przyczynę, która dotyka najwięcej wierszy: zwykle dźwięk, potem język, potem słowa.
Jak to wygląda. W nagraniu zrobionym w kawiarni „Let's move the launch to March” wraca jako „Let's move the lunch to March”. Słowo pod trzaśnięciem drzwi znika. Nad długą ciszą z szumem klimatyzacji pojawia się wiersz, którego nikt nie powiedział, na przykład „Thank you for watching.”
Dlaczego tak się dzieje. Rozpoznawanie mowy zgaduje najbardziej prawdopodobne słowa dla dźwięku, który otrzymuje. Hałas zakrywa najpierw ciche części mowy: końcówki słów i krótkie słowa między nimi. Gdy prawdziwego sygnału jest mniej, zgadywanie bardziej opiera się na tym, co zwykle następuje, a „lunch” jest częstszym słowem niż „launch”. Nad stałym hałasem bez żadnej mowy niektóre systemy nadal wypisują gotową frazę, bo nauczono je pisać coś zawsze, gdy słyszą dźwięk.
Napraw w nagraniu. Przysuń mikrofon do mówcy zamiast podkręcać głośność. Podwojenie odległości zmniejsza bezpośredni dźwięk mówcy o około 6 dB, a hałas pomieszczenia zostaje taki sam, więc bliskość liczy się bardziej niż jakiekolwiek ustawienie. Jeśli możesz, wyłącz na czas nagrania wentylatory i klimatyzację i nagrywaj w pomieszczeniu z miękkimi powierzchniami, a nie ze szkłem i płytkami.
Napraw w transkrypcji. W VocalStack przy hałaśliwych nagraniach podaj język mówiony zamiast zostawiać automatyczne wykrywanie. Mówi o tym sama wskazówka w Dashboardzie: podanie języka poprawia dokładność w hałaśliwych nagraniach i przy silnych akcentach. Przy transkrypcji na żywo tryb opóźnienia Accuracy godzi się na nieco większe opóźnienie w zamian za mniej błędów w trudnym dźwięku. Wiersze, których silnik jest najmniej pewien (poniżej progu pewności transkrypcji, domyślnie 0.60), są pokazywane słuchaczom jako „Audio unclear” zamiast zgadywanki i nigdy nie są czytane na głos. Wiersz będący czystym wymysłem można ukryć ręcznie: ukryte wiersze nie trafiają do transkrypcji, eksportów, napisów ani odtwarzacza.
Jak to wygląda. „The data shows a thirty percent rise” zamienia się w „The data shows a dirty percent rise”. Pomyłki podążają za jednym mówcą przez całe nagranie, a wiersze wszystkich pozostałych są czyste.
Dlaczego tak się dzieje. System rozpoznawania uczy się, jak brzmią słowa, z mowy, na której go wytrenowano. Gdy mówca wymawia jakąś głoskę inaczej niż większość tej mowy, na przykład „th” jako „d”, system słyszy dokładnie to, co padło, i wybiera prawdziwe słowo, które najlepiej pasuje do tego dźwięku. Automatyczne wykrywanie języka może pogorszyć sprawę: silny akcent potrafi przesunąć wskazówki w stronę zupełnie innego języka (zobacz jak działa automatyczne wykrywanie języka).
Napraw w nagraniu. Przy wystąpieniu na żywo dodaj Reference Script przed rozpoczęciem (zobacz sekcję o żargonie poniżej), żeby słowa, które mówca prawdopodobnie wypowie, były już znane. Dobry mikrofon pomaga przy każdym akcencie, bo do silnika dociera więcej każdego dźwięku.
Napraw w transkrypcji. Podaj język mówiony dla tego nagrania. Potem użyj zakładki Fix: Mark uncertain words koloruje i podkreśla słowa, w które silnik nie był pewien, a niepewne fragmenty możesz przeglądać po kolei zamiast czytać wszystko od nowa. Tam, gdzie silnik rozważał inne słowa, proponuje je jako sugerowane poprawki, więc zmiana „dirty” na „thirty” to zwykle jedno kliknięcie. Play just this word pozwala sprawdzić na słuch, zanim cokolwiek zmienisz.
Jak to wygląda. Jeden mówca pyta „So we agree on Tuesday?”, a drugi wtrąca „No, Thursday works”. Transkrypcja pokazuje jeden wiersz pod Speaker 1: „So we agree on Tuesday no Thursday works.” Albo odwrotnie: osoba, która w połowie spotkania się ożywiła, pojawia się jako Speaker 1 i Speaker 3.
Dlaczego tak się dzieje. Pod spodem działają dwa osobne zadania. Rozpoznawanie mowy zapisuje słowa; diaryzacja mówców decyduje, kto mówił kiedy, na podstawie tego, jak brzmi każdy głos. Większość systemów przypisuje każdemu fragmentowi dźwięku jednego mówcę, więc gdy dwie osoby mówią naraz, jedna przegrywa. Zmiana czyjegoś głosu (podekscytowanie, zmęczenie, większa odległość od mikrofonu) może sprawić, że ta sama osoba wygląda na nową. Diaryzacja mówców a rozpoznawanie mowy szczegółowo wyjaśnia oba zadania.
Napraw w nagraniu. Daj każdej osobie własny mikrofon. Ta jedna zmiana pomaga przy wielu mówcach bardziej niż jakiekolwiek ustawienie. Na panelu albo spotkaniu z pytaniami z sali poproś moderatora, żeby każde pytanie powtarzał do własnego mikrofonu, zanim padnie odpowiedź.
Napraw w transkrypcji. Wybierz ustawienie etykiet mówców: When Needed (domyślne) oznacza wiersze, gdy usłyszany zostanie drugi głos, On oznacza każdy wiersz, Off żaden. Nazwij każdego mówcę w trakcie nagrania lub po nim. Nazwa jest warstwą nad słowami, więc nigdy nie zmienia tekstu i obowiązuje dla tej osoby w każdym nagraniu transkrypcji. Zapisz mówcę, którego nagrywasz często, a późniejsze transkrypcje rozpoznają go po nazwie. Wiersz, który skleja dwa zdania, można podzielić na dwa: dotknij przerwy, w której zaczyna się nowy wiersz.
Jak to wygląda. „We deployed it on Kubernetes” zamienia się w „We deployed it on Cooper Netties”. „Ms Nguyen” staje się „Miss Win”. Nazwa leku zamienia się w trzy krótkie angielskie słowa. Reszta zdania jest w porządku.
Dlaczego tak się dzieje. System może zapisać tylko słowa, które zna, a nazwa często pojawia się raz, bez niczego wokół, z czego dałoby się ją przewidzieć. Gdy nigdy nie widział słowa, wybiera zwykłe słowa brzmiące najbliżej. To najtrudniejszy przypadek dla dokładnej transkrypcji terminologii technicznej: zdanie nie daje żadnej wskazówki, więc żaden kontekst nie pomaga.
Napraw w nagraniu. Daj systemowi słowa, zanim mówca je wypowie. W VocalStack służy do tego Reference Script: przed rozpoczęciem dodaj scenariusz lub slajdy wystąpienia na żywo albo listę nazw i terminów, a zawarte w nim nazwy i terminy wygrywają z tym, co źle usłyszano. W trakcie wystąpienia scenariusz podąża za transkrypcją jak teleprompter. Każde słowo poprawione przez scenariusz jest oznaczone jako SCRIPT wśród poprawek i można je cofnąć, jeśli mówca naprawdę powiedział coś innego.
Napraw w transkrypcji. Popraw nazwę raz, a resztę sprawdź wyszukiwaniem. Poprawki docierają do każdego słuchacza, gdy transkrypcja jest na żywo, w każdym języku, w którym czyta, a każda poprawka jest wylistowana i można ją cofnąć. Eksporty (SRT, PDF, Excel, JSON) zawierają poprawki, więc napisy i dokumenty niosą poprawioną pisownię.
Jak to wygląda. Wystąpienie zaczyna się powitaniem po hiszpańsku i toczy dalej po angielsku, a angielski wychodzi jako bełkot wyglądający na hiszpański. Albo kilka wierszy w środku angielskiej transkrypcji pojawia się w pokrewnym języku. Niektóre systemy ustawione na zły język piszą z grubsza tłumaczenie zamiast tego, co powiedziano.
Dlaczego tak się dzieje. Gdy nie podano języka, system musi go wykryć z dźwięku, często z pierwszych kilku sekund. Powitanie, cytat lub silny akcent mogą skierować go w złą stronę. Gdy raz wybierze zły język, wszystkie słowa w tym fragmencie są złe razem.
Napraw w nagraniu. Jeśli nagranie jest w jednym języku, podaj go. Zostaw wykrywanie włączone, gdy naprawdę mówi się w dwóch lub więcej językach, żeby każda część była transkrybowana we własnym języku; podanie jednego wcisnęłoby do niego drugi. W transkrypcji na żywo język można zmienić w trakcie jej trwania, a zmiana działa od razu.
Napraw w transkrypcji. Wiersza usłyszanego w złym języku nie da się poprawić słowo po słowie, bo nic w nim nie jest dobre. VocalStack może transkrybować wiersz jeszcze raz: wybierz język, w którym naprawdę padł, a dźwięk tego wiersza zostanie odczytany ponownie w tym języku. Wynik zastępuje wiersz jako zwykła poprawka, z takim samym cofaniem jak każda inna.
Jak to wygląda. „The fees went up” zamienia się w „The thieves went up”. „Free” i „three” zamieniają się miejscami. Błędy rozlewają się na całe nagranie i są najgorsze u zdalnego rozmówcy.
Dlaczego tak się dzieje. Wiele dźwięków odróżniających „f”, „s” i „th” leży wysoko w paśmie częstotliwości. Linia telefoniczna nie przenosi nic powyżej około 3.4 kHz, a zestaw słuchawkowy Bluetooth często przełącza mikrofon w tryb rozmowy ze znacznie węższym pasmem. Kompresja o niskim bitrate w rozmowach wideo usuwa jeszcze więcej. System dostaje dźwięk, w którym tych głosek już nie ma, i zgaduje między słowami, które teraz brzmią identycznie.
Napraw w nagraniu. Użyj mikrofonu przewodowego albo słuchawek, których mikrofon pozostaje w trybie pełnej jakości. Jeśli możesz, nagrywaj każdego zdalnego rozmówcę po jego stronie, zamiast nagrywać rozmowę. Na wydarzeniu bierz sygnał z miksera audio, a nie z mikrofonu laptopa czy telefonu na sali: instalacja VocalStack na żywo bierze jeden kabel z miksera, a wbudowany mikrofon telefonu łapie więcej pomieszczenia.
Napraw w transkrypcji. Dźwięku, który nigdy nie został zarejestrowany, nie odzyska ani maszyna, ani człowiek. Użyj oznaczeń niepewnych słów, aby znaleźć uszkodzone fragmenty, odtwórz wiersz, żeby sprawdzić, i popraw to, co słyszysz. Tam, gdzie nikt nie jest w stanie rozpoznać, co powiedziano, ukrycie wiersza jest uczciwsze niż zostawienie zgadywanki.
Jak to wygląda. „Fifteen” staje się „fifty”. „One twenty” staje się „120”, gdy mówca miał na myśli dolara i dwadzieścia centów. „The third of the fourth” wychodzi jako data w złej kolejności. Każda pomyłka to jedno słowo, a wszystkie inne słowa w zdaniu są dobre.
Dlaczego tak się dzieje. „Fifteen” i „fifty” różnią się głównie tym, która sylaba jest akcentowana, a ta różnica ginie pierwsza przy hałasie lub szybkim mówcy. Liczby wypowiadane na głos pomijają też to, czego potrzebują liczby zapisane: jednostki, separatory dziesiętne, kolejność dnia i miesiąca. System musi zgadnąć format, a jego zgadywanie to format najczęstszy, nie twój.
Napraw w nagraniu. Poproś mówców, by podawali liczby w całości, z jednostką: „one dollar twenty”, „the fifteenth of March”. Przy przygotowanym wystąpieniu wpisz liczby do scenariusza.
Napraw w transkrypcji. Każdą istotną liczbę sprawdź na słuch, zanim transkrypcja zostanie zacytowana, wysłana lub opublikowana. Zła liczba czyta się jak dobra, więc nic na stronie cię nie ostrzega. Co mierzy współczynnik błędów słów i czego nie widzi wyjaśnia, dlaczego jedna zła liczba kosztuje więcej, niż wynosi jej udział we współczynniku błędów.
Gdy transkrypcja ma wiele problemów, naprawiaj je w tej kolejności, żeby żadna poprawka nie została cofnięta przez następną:
Potem ułatw sobie następne nagranie: mikrofon na mówcę, podany język i scenariusz z nazwami. Większość błędów w transkrypcji dźwięku rozstrzyga się, zanim ktokolwiek naciśnie nagrywanie.
Przy rozprawie, konsultacji lekarskiej albo wszędzie tam, gdzie jedno złe słowo ma konsekwencje, niech człowiek sprawdzi transkrypcję przed użyciem, niezależnie od tego, jaki system ją stworzył. Żeby zobaczyć, które z tych błędów daje twój dźwięk, wypróbuj nagranie w Dashboardzie.