Uma transcrição ruim costuma ter uma ou duas causas, e os erros na página mostram quais. Sete causas comuns de erros de transcrição de áudio, como cada uma se apresenta, por que acontece e a correção, tanto na gravação quanto na transcrição.
Os erros de transcrição de áudio raramente são aleatórios. Uma transcrição que transforma «Kubernetes» em «Cooper Netties», coloca as palavras de duas pessoas sob um mesmo nome ou escreve «cinquenta» onde o locutor disse «quinze» está mostrando o que deu errado. Cada causa deixa o seu tipo de erro, e cada uma tem a sua correção. Algumas correções pertencem à próxima gravação, outras à transcrição que você já tem.
Este guia parte do erro. Encontre na lista abaixo o que corresponde à sua transcrição e vá para a seção dele: como o erro se apresenta, por que acontece em palavras simples e o que fazer a respeito.
A maioria dos problemas de transcrição se encaixa em sete padrões. Relacione o sintoma com a causa:
Duas causas costumam se somar. Um convidado remoto de fone de ouvido num café barulhento, falando com sotaque, produzirá três tipos de erro de uma vez. Corrija primeiro a causa que afeta mais linhas: em geral o áudio, depois o idioma e por fim as palavras.
Como se apresenta. Numa gravação feita num café, «Vamos adiar o lançamento para março» vira «Vamos adiar o almoço para março». Uma palavra sob a batida de uma porta some. Num longo silêncio com um ar-condicionado zumbindo, surge uma linha que ninguém disse, como «Obrigado por assistir».
Por que acontece. O reconhecimento de fala adivinha as palavras mais prováveis para o som que recebe. O ruído cobre primeiro as partes fracas da fala: o fim das palavras e as palavrinhas curtas entre elas. Com menos sinal real, o palpite se apoia mais no que costuma vir a seguir, e «almoço» é uma palavra mais comum que «lançamento». Diante de um ruído constante sem nenhuma fala, alguns sistemas ainda produzem uma frase feita, porque foram treinados para escrever algo sempre que ouvem som.
Correção na gravação. Aproxime o microfone do locutor em vez de aumentar o volume. Dobrar a distância reduz o som direto do locutor em cerca de 6 dB enquanto o ruído da sala continua igual, então a proximidade importa mais do que qualquer ajuste. Desligue ventiladores e o ar-condicionado durante a gravação, se puder, e grave numa sala com superfícies macias em vez de vidro e azulejo.
Correção na transcrição. No VocalStack, informe o idioma falado nas gravações ruidosas em vez de deixar a detecção automática. A própria nota do painel diz isso: informar o idioma melhora a precisão em gravações com ruído e sotaques fortes. Numa transcrição ao vivo, o modo de latência Accuracy aceita um pouco mais de atraso em troca de menos erros em áudio difícil. As linhas de que o motor tem menos certeza (abaixo do limite de confiança da transcrição, 0,60 por padrão) aparecem para os ouvintes como «Audio unclear» em vez de um palpite, e nunca são lidas em voz alta. Uma linha que seja pura invenção pode ser ocultada à mão: as linhas ocultas ficam de fora da transcrição, das exportações, das legendas e do player.
Como se apresenta. «Os dados mostram uma alta de sessenta por cento» vira «Os dados mostram uma alta de setenta por cento». Os erros acompanham um locutor ao longo da gravação, enquanto as linhas de todos os outros saem limpas.
Por que acontece. Um sistema de reconhecimento aprende como as palavras soam a partir da fala com que foi treinado. Quando um locutor pronuncia um som de modo diferente da maior parte dessa fala, o sistema ouve exatamente o que foi dito e escolhe a palavra real que melhor combina com aquele som. A detecção automática de idioma pode piorar as coisas: um sotaque forte pode deslocar os indícios para outro idioma por completo (veja como funciona a detecção automática de idioma).
Correção na gravação. Para uma palestra ao vivo, adicione um Reference Script antes de começar (veja a seção de jargão abaixo), de modo que as palavras que o locutor provavelmente dirá já sejam conhecidas. Um bom microfone ajuda qualquer sotaque, porque chega mais de cada som ao motor.
Correção na transcrição. Informe o idioma falado dessa gravação. Depois use a aba Fix: Mark uncertain words colore e sublinha as palavras de que o motor duvidou, e você pode percorrer os trechos incertos um a um em vez de reler tudo. Quando o motor considerou outras palavras, ele as oferece como correções sugeridas, de modo que trocar «setenta» por «sessenta» costuma ser um clique. Play just this word permite conferir de ouvido antes de mudar.
Como se apresenta. Um locutor pergunta «Então combinamos terça?» enquanto outro o interrompe com «Não, quinta serve». A transcrição mostra uma única linha sob Speaker 1: «Então combinamos terça? Não, quinta serve». Ou o contrário: uma pessoa que se animou no meio da reunião aparece como Speaker 1 e Speaker 3.
Por que acontece. Dois trabalhos distintos rodam por baixo. O reconhecimento de fala escreve as palavras; a diarização de locutores decide quem falou quando, a partir de como cada voz soa. A maioria dos sistemas atribui um único locutor a cada trecho de áudio, então quando duas pessoas falam ao mesmo tempo, uma delas perde. Uma mudança na voz de alguém (animada, cansada, mais longe do microfone) pode fazer a pessoa parecer outra. Diarização versus reconhecimento de fala explica os dois trabalhos em detalhe.
Correção na gravação. Dê a cada pessoa o seu próprio microfone. Essa única mudança faz mais por vários locutores do que qualquer ajuste. Num painel ou numa reunião com perguntas da plateia, peça ao mediador que repita cada pergunta no seu próprio microfone antes que ela seja respondida.
Correção na transcrição. Escolha o ajuste de rótulos de locutor: When Needed (o padrão) rotula as linhas assim que uma segunda voz é ouvida, On rotula todas as linhas, Off não rotula nenhuma. Dê nome a cada locutor durante ou depois da gravação. O nome é uma camada sobre as palavras, então nunca altera o texto, e vale para aquela pessoa em todas as gravações da transcrição. Salve um locutor que você grava com frequência, e as transcrições seguintes o reconhecem pelo nome. Uma linha que junta duas frases pode ser dividida em duas: toque no ponto onde a nova linha começa.
Como se apresenta. «Publicamos no Kubernetes» vira «Publicamos no Cooper Netties». «A Sra. Nguyen» vira «a Sra. Win». O nome de um remédio vira três palavras curtas. O resto da frase está certo.
Por que acontece. Um sistema só consegue escrever as palavras que conhece, e um nome muitas vezes aparece uma só vez, sem nada ao redor que permita prevê-lo. Quando nunca viu a palavra, ele escolhe as palavras comuns que soam mais parecido. É o caso mais difícil para a transcrição precisa de terminologia técnica: a frase não dá nenhuma pista, então nenhum contexto resolve.
Correção na gravação. Entregue as palavras ao sistema antes que o locutor as diga. No VocalStack isso é um Reference Script: adicione o roteiro ou os slides de uma palestra ao vivo, ou uma lista de nomes e termos, antes de começar, e os nomes e termos dele prevalecem sobre o que foi mal ouvido. Durante a palestra, o roteiro acompanha a transcrição como um teleprompter. Toda palavra que o roteiro corrigiu fica marcada como SCRIPT entre as correções e pode ser desfeita se o locutor realmente disse outra coisa.
Correção na transcrição. Corrija o nome uma vez e confira o resto com a busca. As correções chegam a todos os ouvintes enquanto a transcrição está ao vivo, em todos os idiomas em que estiverem lendo, e cada correção fica listada e pode ser desfeita. As exportações (SRT, PDF, Excel, JSON) incluem as correções, então legendas e documentos levam a grafia corrigida.
Como se apresenta. Uma palestra abre com uma saudação em espanhol e continua em inglês, e o inglês sai como um disparate com cara de espanhol. Ou algumas linhas no meio de uma transcrição em inglês aparecem num idioma parecido. Alguns sistemas, configurados no idioma errado, escrevem uma tradução aproximada em vez do que foi dito.
Por que acontece. Quando nenhum idioma é informado, o sistema precisa detectá-lo pelo som, muitas vezes a partir dos primeiros segundos. Uma saudação, uma citação ou um sotaque forte podem apontá-lo na direção errada. Depois que escolhe o idioma errado, todas as palavras daquele trecho saem erradas juntas.
Correção na gravação. Se a gravação está num só idioma, informe-o. Deixe a detecção ligada quando dois ou mais idiomas são realmente falados, para que cada parte seja transcrita no seu próprio idioma; informar um forçaria o outro a caber nele. Numa transcrição ao vivo, o idioma pode ser trocado enquanto ela roda, e a mudança vale na hora.
Correção na transcrição. Uma linha ouvida no idioma errado não pode ser consertada palavra por palavra, porque nada nela está certo. O VocalStack pode transcrever a linha de novo: escolha o idioma em que ela foi realmente falada, e o áudio da linha é lido outra vez nesse idioma. O resultado substitui a linha como uma correção comum, com o mesmo desfazer de qualquer outra.
Como se apresenta. «As taxas subiram» vira «As tachas subiram». «Faca» e «vaca» trocam de lugar. Os erros se espalham por toda a gravação e são piores para o locutor remoto de uma chamada.
Por que acontece. Muitos dos sons que distinguem «f», «s» e «v» ficam na parte alta da faixa de frequências. Uma linha telefônica não carrega nada acima de cerca de 3,4 kHz, e um fone Bluetooth costuma passar o microfone para um modo de chamada com faixa bem mais estreita. A compressão de baixa taxa de bits das videochamadas remove mais ainda. O sistema recebe um áudio em que esses sons já se perderam e adivinha entre palavras que agora soam idênticas.
Correção na gravação. Use um microfone com fio, ou um fone cujo microfone permaneça no modo de qualidade total. Grave cada locutor remoto do lado dele, se puder, em vez de gravar a chamada. Para um evento, pegue o sinal da mesa de som em vez de um microfone de notebook ou celular na sala: a configuração ao vivo do VocalStack usa um cabo da mesa de som, e o microfone embutido de um celular capta mais da sala.
Correção na transcrição. O áudio que nunca foi captado não pode ser recuperado, nem por uma máquina nem por uma pessoa. Use as marcas de palavras incertas para encontrar os trechos danificados, ouça a linha para conferir e corrija o que der para ouvir. Onde ninguém consegue distinguir o que foi dito, ocultar a linha é mais honesto do que deixar um palpite.
Como se apresenta. «Quinze» vira «cinquenta». «Um vinte» vira «120» quando o locutor queria dizer um dólar e vinte. «Três do quatro» sai como uma data na ordem errada. Cada erro é uma única palavra, e todas as outras palavras da frase estão certas.
Por que acontece. «Quinze» e «cinquenta» diferem principalmente em qual sílaba é tônica, e essa diferença é a primeira coisa a se perder com ruído ou um locutor rápido. Os números falados também deixam de fora o que os escritos exigem: unidades, vírgulas decimais, a ordem de dia e mês. O sistema precisa adivinhar o formato, e o palpite é o mais comum, não o seu.
Correção na gravação. Peça aos locutores que digam os números por extenso, com a unidade: «um dólar e vinte», «quinze de março». Numa palestra preparada, coloque os números no roteiro.
Correção na transcrição. Confira de ouvido cada número que importa antes que a transcrição seja citada, enviada ou publicada. Um número errado se lê como um correto, então nada na página avisa. O que a taxa de erro de palavras mede e o que ela deixa passar explica por que um único número errado custa mais do que a sua parcela da taxa de erro.
Quando uma transcrição tem muitos problemas, corrija-os nesta ordem, para que nenhuma correção seja desfeita pela seguinte:
Depois, facilite a próxima gravação: um microfone por locutor, o idioma informado e um roteiro com os nomes. A maioria dos erros de transcrição de áudio é decidida antes de alguém apertar gravar.
Para uma audiência judicial, uma consulta médica ou qualquer coisa em que uma palavra errada tenha consequências, peça que uma pessoa revise a transcrição antes de usá-la, seja qual for o sistema que a produziu. Para ver quais desses erros o seu próprio áudio produz, teste uma gravação no painel.