O transcriere proastă are de obicei una sau două cauze, iar greșelile de pe pagină le arată. Șapte cauze frecvente ale erorilor de transcriere audio, cum arată fiecare, de ce apar și remediul, atât în înregistrare, cât și în transcriere.
Erorile de transcriere audio sunt rareori aleatorii. O transcriere care face din „Kubernetes” „Cooper Netties”, pune cuvintele a două persoane sub același nume sau scrie „cincizeci” acolo unde vorbitorul a spus „cincisprezece” îți arată ce a mers prost. Fiecare cauză lasă un tip aparte de greșeală și are propriul remediu. Unele remedii țin de următoarea înregistrare, altele de transcrierea pe care o ai deja.
Acest ghid pornește de la greșeală. Găsește în lista de mai jos pe cea care se potrivește transcrierii tale, apoi mergi la secțiunea ei: cum arată eroarea, de ce apare, în cuvinte simple, și ce poți face.
Majoritatea problemelor de transcriere se încadrează în șapte tipare. Potrivește simptomul cu cauza:
Două cauze se adună adesea. Un invitat de la distanță, cu căști, într-o cafenea zgomotoasă și cu accent, va produce trei feluri de erori deodată. Începe cu cauza care afectează cele mai multe linii: de obicei sunetul, apoi limba, apoi cuvintele.
Cum arată. Într-o înregistrare făcută într-o cafenea, „Let's move the launch to March” se transformă în „Let's move the lunch to March”. Un cuvânt rostit sub un trântit de ușă dispare. Pe o tăcere lungă, cu un aer condiționat care duduie, apare o linie pe care nimeni n-a spus-o, de exemplu „Thank you for watching.”
De ce apare. Recunoașterea vorbirii ghicește cele mai probabile cuvinte pentru sunetul primit. Zgomotul acoperă întâi părțile line ale vorbirii: finalurile cuvintelor și cuvintele scurte dintre ele. Cu mai puțin din semnalul real, ghicitul se bazează mai mult pe ce urmează de obicei, iar „lunch” e un cuvânt mai frecvent decât „launch”. Peste un zgomot constant, fără nicio vorbire, unele sisteme tot scriu o frază-tip, pentru că au fost antrenate să scrie ceva de fiecare dată când aud sunet.
Remediul în înregistrare. Apropie microfonul de vorbitor, în loc să-i crești volumul. Dublarea distanței reduce sunetul direct al vorbitorului cu aproximativ 6 dB, în timp ce zgomotul camerei rămâne același, așa că apropierea contează mai mult decât orice setare. Oprește ventilatoarele și aerul condiționat pe durata înregistrării, dacă poți, și înregistrează într-o cameră cu suprafețe moi, nu cu sticlă și gresie.
Remediul în transcriere. În VocalStack, numește limba vorbită la înregistrările zgomotoase, în loc să lași detectarea automată. Chiar nota din Dashboard spune asta: numirea limbii îmbunătățește acuratețea la înregistrările zgomotoase și la accentele puternice. Pentru o transcriere live, modul de latență Accuracy acceptă puțină întârziere în plus în schimbul unui număr mai mic de greșeli pe audio dificil. Liniile despre care motorul e cel mai nesigur (sub pragul de încredere al transcrierii, 0.60 implicit) sunt arătate ascultătorilor ca „Audio unclear”, în loc de o presupunere, și nu sunt citite niciodată cu voce tare. O linie pur inventată poate fi ascunsă manual: liniile ascunse sunt lăsate în afara transcrierii, a exporturilor, a subtitrărilor și a playerului.
Cum arată. „The data shows a thirty percent rise” devine „The data shows a dirty percent rise”. Greșelile urmează un singur vorbitor de-a lungul înregistrării, în timp ce liniile celorlalți sunt curate.
De ce apare. Un sistem de recunoaștere învață cum sună cuvintele din vorbirea pe care a fost antrenat. Când un vorbitor pronunță un sunet altfel decât majoritatea acelei vorbiri, de pildă „th” rostit ca „d”, sistemul aude exact ce s-a spus și alege cuvântul real care se potrivește cel mai bine cu acel sunet. Detectarea automată a limbii poate înrăutăți lucrurile: un accent puternic poate muta indiciile spre cu totul altă limbă (vezi cum funcționează detectarea automată a limbii).
Remediul în înregistrare. Pentru o prezentare live, adaugă un Reference Script înainte de început (vezi secțiunea despre jargon de mai jos), astfel încât cuvintele pe care vorbitorul le va spune probabil să fie deja cunoscute. Un microfon bun ajută orice accent, pentru că ajunge mai mult din fiecare sunet la motor.
Remediul în transcriere. Numește limba vorbită pentru înregistrarea respectivă. Apoi folosește tabul Fix: Mark uncertain words colorează și subliniază cuvintele de care motorul nu a fost sigur, iar poți parcurge segmentele nesigure unul câte unul, în loc să recitești totul. Acolo unde motorul a luat în calcul alte cuvinte, le propune drept corecturi sugerate, așa că a schimba „dirty” în „thirty” înseamnă de obicei un singur clic. Play just this word te lasă să verifici după ureche înainte de a schimba ceva.
Cum arată. Un vorbitor întreabă „So we agree on Tuesday?”, iar altul îl întrerupe cu „No, Thursday works”. Transcrierea arată o singură linie la Speaker 1: „So we agree on Tuesday no Thursday works.” Sau invers: o persoană care s-a aprins pe la mijlocul ședinței apare ca Speaker 1 și Speaker 3.
De ce apare. Dedesubt rulează două sarcini separate. Recunoașterea vorbirii scrie cuvintele; diarizarea vorbitorilor hotărăște cine a vorbit când, după cum sună fiecare voce. Cele mai multe sisteme dau fiecărei porțiuni de audio un singur vorbitor, așa că atunci când doi oameni vorbesc deodată, unul pierde. O schimbare a vocii cuiva (entuziasmat, obosit, mai departe de microfon) îl poate face să pară o persoană nouă. Diarizarea vorbitorilor vs recunoașterea vorbirii explică în detaliu ambele sarcini.
Remediul în înregistrare. Dă fiecărei persoane propriul microfon. Această singură schimbare face mai mult pentru vorbitorii multipli decât orice setare. La un panel sau la o ședință cu întrebări din public, roagă moderatorul să repete fiecare întrebare în propriul microfon înainte de răspuns.
Remediul în transcriere. Alege setarea pentru etichetele vorbitorilor: When Needed (implicită) pune etichete după ce se aude o a doua voce, On etichetează fiecare linie, Off nu etichetează nimic. Dă un nume fiecărui vorbitor în timpul sau după înregistrare. Numele este un strat peste cuvinte, așa că nu schimbă niciodată textul și se aplică acelei persoane în fiecare înregistrare a transcrierii. Salvează un vorbitor pe care îl înregistrezi des, iar transcrierile ulterioare îl recunosc după nume. O linie care leagă două propoziții poate fi împărțită în două: atinge locul în care începe linia nouă.
Cum arată. „We deployed it on Kubernetes” devine „We deployed it on Cooper Netties”. „Ms Nguyen” devine „Miss Win”. Numele unui medicament se preface în trei cuvinte englezești scurte. Restul propoziției e în regulă.
De ce apare. Un sistem poate scrie doar cuvinte pe care le cunoaște, iar un nume apare adesea o singură dată, fără nimic în jur din care să poată fi prezis. Când n-a mai văzut cuvântul, alege cuvintele obișnuite care sună cel mai aproape. Acesta este cel mai greu caz pentru transcrierea exactă a terminologiei tehnice: propoziția nu dă niciun indiciu, așa că nicio cantitate de context nu o repară.
Remediul în înregistrare. Dă-i sistemului cuvintele înainte ca vorbitorul să le rostească. În VocalStack asta înseamnă un Reference Script: adaugă scriptul sau slide-urile unei prezentări live, sau o listă de nume și termeni, înainte de a începe, iar numele și termenii din el câștigă în fața celor auziți greșit. În timpul prezentării, scriptul urmărește transcrierea ca un teleprompter. Fiecare cuvânt corectat de script este marcat SCRIPT printre corecturi și poate fi anulat dacă vorbitorul chiar a spus altceva.
Remediul în transcriere. Corectează numele o dată și verifică restul cu căutarea. Corecturile ajung la fiecare ascultător cât timp transcrierea e live, în fiecare limbă în care citesc, iar fiecare corectură este listată și poate fi anulată. Exporturile (SRT, PDF, Excel, JSON) includ corecturile, deci subtitrările și documentele poartă ortografia reparată.
Cum arată. O prezentare începe cu un salut în spaniolă și continuă în engleză, iar engleza iese ca o aiureală care pare spaniolă. Sau câteva linii din mijlocul unei transcrieri în engleză apar într-o limbă înrudită. Unele sisteme, setate pe limba greșită, scriu o traducere aproximativă în loc de ce s-a spus.
De ce apare. Când nu se numește nicio limbă, sistemul trebuie să o detecteze din sunet, adesea din primele secunde. Un salut, o citare sau un accent puternic îl pot îndrepta în direcția greșită. Odată ce a ales limba greșită, fiecare cuvânt din acea porțiune e greșit deodată.
Remediul în înregistrare. Dacă înregistrarea este într-o singură limbă, numește-o. Lasă detectarea pornită când se vorbesc cu adevărat două sau mai multe limbi, ca fiecare parte să fie transcrisă în limba ei; numirea uneia ar forța-o pe cealaltă în ea. La o transcriere live, limba poate fi schimbată în timp ce rulează, iar schimbarea se aplică imediat.
Remediul în transcriere. O linie auzită în limba greșită nu poate fi reparată cuvânt cu cuvânt, pentru că nimic din ea nu e corect. VocalStack poate transcrie linia din nou: alege limba în care a fost rostită cu adevărat, iar audio-ul liniei este citit din nou în acea limbă. Rezultatul înlocuiește linia ca o corectură obișnuită, cu aceeași anulare ca oricare alta.
Cum arată. „The fees went up” devine „The thieves went up”. „Free” și „three” se schimbă între ele. Erorile se răspândesc în toată înregistrarea și sunt cele mai grave la vorbitorul de la distanță, de la un apel.
De ce apare. Multe dintre sunetele care deosebesc „f”, „s” și „th” se află sus în gama de frecvențe. O linie telefonică nu transportă nimic peste aproximativ 3,4 kHz, iar o cască Bluetooth își trece adesea microfonul într-un mod de apel cu o gamă mult mai îngustă. Comprimarea la bitrate mic din apelurile video elimină și mai mult. Sistemul primește audio din care acele sunete au dispărut deja și ghicește între cuvinte care acum sună identic.
Remediul în înregistrare. Folosește un microfon cu fir sau o cască al cărei microfon rămâne în modul de calitate maximă. Înregistrează fiecare vorbitor de la distanță la el acasă, dacă poți, în loc să înregistrezi apelul. Pentru un eveniment, ia semnalul de la mixerul audio, nu de la microfonul unui laptop sau telefon din sală: configurarea live a VocalStack primește un singur cablu de la mixer, iar microfonul încorporat al unui telefon prinde mai mult din cameră.
Remediul în transcriere. Audio care nu a fost captat nu poate fi recuperat, nici de o mașină, nici de un om. Folosește marcajele pentru cuvintele nesigure ca să găsești porțiunile deteriorate, ascultă linia ca să verifici și corectează ce poți auzi. Acolo unde nimeni nu poate spune ce s-a zis, ascunderea liniei e mai cinstită decât o presupunere.
Cum arată. „Fifteen” devine „fifty”. „One twenty” devine „120” când vorbitorul voia să spună un dolar și douăzeci de cenți. „The third of the fourth” iese ca o dată în ordine inversată. Fiecare greșeală e un singur cuvânt, iar toate celelalte cuvinte din propoziție sunt corecte.
De ce apare. „Fifteen” și „fifty” diferă mai ales prin silaba accentuată, iar această diferență e prima care se pierde din cauza zgomotului sau a unui vorbitor rapid. Numerele rostite lasă deoparte și ce au nevoie cele scrise: unități, separatori zecimali, ordinea zilei și a lunii. Sistemul trebuie să ghicească formatul, iar presupunerea lui e cea mai frecventă, nu a ta.
Remediul în înregistrare. Roagă vorbitorii să spună cifrele întregi, cu unitatea: „one dollar twenty”, „the fifteenth of March”. Pentru o prezentare pregătită, pune cifrele în script.
Remediul în transcriere. Verifică după ureche fiecare cifră importantă înainte ca transcrierea să fie citată, trimisă sau publicată. Un număr greșit se citește ca unul corect, așa că nimic de pe pagină nu te avertizează. Ce măsoară rata erorilor de cuvinte și ce ratează explică de ce o singură cifră greșită costă mai mult decât ponderea ei în rata erorilor.
Când o transcriere are multe probleme, repară-o în ordinea asta, ca nicio corectură să nu fie anulată de următoarea:
Apoi fă următoarea înregistrare mai ușoară: un microfon pentru fiecare vorbitor, limba numită și un script cu numele în el. Cele mai multe erori de transcriere audio se hotărăsc înainte ca cineva să apese pe înregistrare.
Pentru o ședință de judecată, o consultație medicală sau orice situație în care un singur cuvânt greșit are consecințe, pune un om să verifice transcrierea înainte de utilizare, indiferent ce sistem a produs-o. Ca să vezi ce erori produce propriul tău audio, încearcă o înregistrare în Dashboard.