У плохой расшифровки обычно одна-две причины, и ошибки на странице подсказывают, какие именно. Семь частых причин ошибок транскрибации аудио: как выглядит каждая, почему возникает и как её исправить в записи и в расшифровке.
Ошибки транскрибации аудио редко бывают случайными. Расшифровка, в которой «Kubernetes» превращается в «Cooper Netties», слова двух людей стоят под одним именем, а вместо «fifteen» написано «fifty», показывает, что именно пошло не так. Каждая причина оставляет свой тип ошибки, и у каждой своё лекарство. Одни исправления относятся к следующей записи, другие к расшифровке, которая у вас уже есть.
Это руководство начинается с ошибки. Найдите в списке ниже ту, что совпадает с вашей расшифровкой, и перейдите к её разделу: как выглядит ошибка, почему она возникает простыми словами и что с ней делать.
Большинство проблем с транскрибацией укладывается в семь шаблонов. Сопоставьте признак с причиной:
Две причины часто накладываются. Удалённый гость в наушниках в шумном кафе, говорящий с акцентом, даст сразу три вида ошибок. Сначала исправьте причину, которая затрагивает больше всего строк: обычно это звук, потом язык, потом слова.
Как выглядит. В записи, сделанной в кафе, «Let's move the launch to March» превращается в «Let's move the lunch to March». Слово под хлопок двери исчезает. Над долгой тишиной с гулом кондиционера появляется строка, которую никто не произносил, например «Thank you for watching.»
Почему возникает. Распознавание речи угадывает самые вероятные слова для звука, который получает. Шум заглушает сначала тихие части речи: окончания слов и короткие слова между ними. Когда реального сигнала меньше, догадка сильнее опирается на то, что обычно идёт дальше, а «lunch» встречается чаще, чем «launch». Над ровным шумом без единого слова некоторые системы всё равно выдают стандартную фразу: их научили писать что-нибудь всякий раз, когда слышен звук.
Исправьте в записи. Поднесите микрофон ближе к говорящему, а не прибавляйте усиление. Удвоение расстояния ослабляет прямой звук говорящего примерно на 6 дБ, а шум комнаты остаётся прежним, так что близость важнее любых настроек. По возможности выключите вентиляторы и кондиционер на время записи и пишите в комнате с мягкими поверхностями, а не со стеклом и плиткой.
Исправьте в расшифровке. В VocalStack на шумных записях укажите язык речи, а не оставляйте автоопределение. Об этом говорит и подсказка в панели управления: указание языка повышает точность на шумных записях и при сильном акценте. Для живой транскрибации режим задержки Accuracy соглашается на чуть большую задержку в обмен на меньшее число ошибок на сложном звуке. Строки, в которых движок меньше всего уверен (ниже порога уверенности транскрибации, по умолчанию 0.60), слушателям показываются как «Audio unclear» вместо догадки и никогда не озвучиваются. Строку, которая целиком выдумана, можно скрыть вручную: скрытые строки не попадают в расшифровку, экспорт, субтитры и плеер.
Как выглядит. «The data shows a thirty percent rise» превращается в «The data shows a dirty percent rise». Ошибки идут за одним говорящим через всю запись, а строки остальных чисты.
Почему возникает. Система распознавания учится тому, как звучат слова, на речи, на которой её обучали. Когда говорящий произносит звук иначе, чем большинство в этой речи, например «th» как «d», система слышит именно то, что сказано, и выбирает реальное слово, которое лучше всего подходит под этот звук. Автоопределение языка может усугубить дело: сильный акцент способен сместить признаки в сторону совсем другого языка (см. как работает автоматическое определение языка).
Исправьте в записи. Для живого выступления добавьте Reference Script до начала (см. раздел о терминах ниже), чтобы слова, которые говорящий, вероятно, произнесёт, уже были известны. Хороший микрофон помогает любому акценту, потому что до движка доходит больше каждого звука.
Исправьте в расшифровке. Укажите язык речи для этой записи. Затем используйте вкладку Fix: Mark uncertain words окрашивает и подчёркивает слова, в которых движок сомневался, и по неуверенным фрагментам можно идти по одному, не перечитывая всё. Там, где движок рассматривал другие слова, он предлагает их как варианты исправления, так что замена «dirty» на «thirty» обычно делается одним щелчком. Play just this word позволяет проверить на слух, прежде чем что-то менять.
Как выглядит. Один говорящий спрашивает «So we agree on Tuesday?», другой перебивает: «No, Thursday works». В расшифровке одна строка под Speaker 1: «So we agree on Tuesday no Thursday works.» Или наоборот: человек, оживившийся посреди встречи, оказывается и Speaker 1, и Speaker 3.
Почему возникает. Под капотом работают две разные задачи. Распознавание речи пишет слова, а диаризация решает, кто когда говорил, по тому, как звучит каждый голос. Большинство систем присваивает каждому участку звука одного говорящего, поэтому, когда двое говорят одновременно, один проигрывает. Изменение голоса (волнение, усталость, большее расстояние до микрофона) может сделать человека похожим на нового. Диаризация и распознавание речи подробно объясняет обе задачи.
Исправьте в записи. Дайте каждому человеку свой микрофон. Эта одна мера для нескольких говорящих даёт больше любой настройки. На панельной дискуссии или встрече с вопросами из зала попросите модератора повторять каждый вопрос в свой микрофон, прежде чем на него ответят.
Исправьте в расшифровке. Выберите настройку меток говорящих: When Needed (по умолчанию) ставит метки, как только слышен второй голос, On метит каждую строку, Off не метит ни одной. Назовите каждого говорящего во время записи или после. Имя это слой поверх слов, поэтому оно никогда не меняет текст и действует для этого человека во всех записях транскрибации. Сохраните говорящего, которого вы записываете часто, и последующие транскрибации будут узнавать его по имени. Строку, где склеились два предложения, можно разделить надвое: коснитесь промежутка, с которого начинается новая строка.
Как выглядит. «We deployed it on Kubernetes» превращается в «We deployed it on Cooper Netties». «Ms Nguyen» превращается в «Miss Win». Название лекарства распадается на три коротких английских слова. Остальная часть предложения в порядке.
Почему возникает. Система может написать только слова, которые знает, а имя часто встречается один раз, и вокруг него нет ничего, по чему его можно предсказать. Если слова она никогда не видела, она выбирает обычные слова, звучащие ближе всего. Это самый трудный случай для точной транскрибации технических терминов: предложение не даёт подсказки, и никакой контекст не спасает.
Исправьте в записи. Дайте системе слова до того, как говорящий их произнесёт. В VocalStack для этого служит Reference Script: до начала добавьте сценарий или слайды живого выступления либо список имён и терминов, и имена и термины из него побеждают то, что было услышано неверно. Во время выступления скрипт следует за расшифровкой, как телесуфлёр. Каждое слово, исправленное скриптом, помечено SCRIPT среди исправлений, и его можно отменить, если говорящий действительно сказал что-то другое.
Исправьте в расшифровке. Исправьте имя один раз, а остальные места проверьте поиском. Исправления доходят до всех слушателей, пока транскрибация идёт в прямом эфире, на всех языках, на которых они читают, и каждое исправление записано в список и может быть отменено. Экспорт (SRT, PDF, Excel, JSON) содержит исправления, так что субтитры и документы несут исправленное написание.
Как выглядит. Выступление начинается с приветствия по-испански и продолжается по-английски, и английская часть превращается в бессмыслицу, похожую на испанский. Или несколько строк посреди английской расшифровки оказываются на родственном языке. Некоторые системы, настроенные на неверный язык, вместо сказанного пишут приблизительный перевод.
Почему возникает. Когда язык не указан, система должна определить его по звуку, часто по первым секундам. Приветствие, цитата или сильный акцент могут направить её не туда. Выбрав неверный язык, она ошибается во всех словах на этом участке сразу.
Исправьте в записи. Если запись на одном языке, укажите его. Оставьте определение включённым, когда на самом деле звучат два языка или больше, чтобы каждая часть расшифровывалась на своём языке; указание одного заставило бы подогнать под него другой. В живой транскрибации язык можно сменить на ходу, и смена вступает в силу сразу.
Исправьте в расшифровке. Строку, услышанную не на том языке, нельзя исправить слово за словом, потому что в ней ничего не верно. VocalStack может расшифровать строку заново: выберите язык, на котором она была сказана на самом деле, и звук этой строки будет прочитан снова на этом языке. Результат заменяет строку как обычное исправление, с той же отменой, что и любое другое.
Как выглядит. «The fees went up» превращается в «The thieves went up». «Free» и «three» меняются местами. Ошибки разбросаны по всей записи, и хуже всего они у удалённого участника звонка.
Почему возникает. Многие звуки, по которым различаются «f», «s» и «th», лежат высоко в частотном диапазоне. Телефонная линия не передаёт ничего выше примерно 3,4 кГц, а Bluetooth-гарнитура часто переключает микрофон в режим для звонков с гораздо более узким диапазоном. Сжатие с низким битрейтом в видеозвонках убирает ещё больше. Система получает звук, в котором этих звуков уже нет, и выбирает между словами, которые теперь звучат одинаково.
Исправьте в записи. Используйте проводной микрофон или гарнитуру, микрофон которой остаётся в режиме полного качества. По возможности записывайте каждого удалённого участника на его стороне, а не запись звонка. Для мероприятия берите сигнал с микшерного пульта, а не с микрофона ноутбука или телефона в зале: для живого режима VocalStack нужен один кабель от пульта, а встроенный микрофон телефона захватывает больше шума комнаты.
Исправьте в расшифровке. Звук, который не был записан, не восстановить ни машине, ни человеку. Найдите повреждённые участки по меткам неуверенных слов, прослушайте строку для проверки и исправьте то, что слышно. Там, где никто не может понять, что было сказано, скрыть строку честнее, чем оставить догадку.
Как выглядит. «Fifteen» превращается в «fifty». «One twenty» превращается в «120», когда говорящий имел в виду один доллар двадцать центов. «The third of the fourth» выходит датой в обратном порядке. Каждая ошибка это одно слово, а остальные слова в предложении верны.
Почему возникает. «Fifteen» и «fifty» различаются в основном тем, какой слог ударный, и эта разница первой теряется при шуме или быстрой речи. В произнесённых числах также нет того, что нужно записанным: единиц измерения, десятичных знаков, порядка дня и месяца. Система вынуждена угадывать формат, и угадывает самый распространённый, а не ваш.
Исправьте в записи. Попросите говорящих произносить числа полностью и с единицей измерения: «one dollar twenty», «the fifteenth of March». Для подготовленного выступления включите цифры в скрипт.
Исправьте в расшифровке. Прослушайте каждую важную цифру, прежде чем расшифровку цитируют, отправляют или публикуют. Неверное число выглядит как верное, так что на странице ничто не предупреждает. Что измеряет частота ошибок в словах и что она упускает объясняет, почему одна неверная цифра стоит дороже своей доли в частоте ошибок.
Если в расшифровке много проблем, исправляйте их в таком порядке, чтобы следующее исправление не отменило предыдущее:
Затем облегчите следующую запись: микрофон на каждого говорящего, указанный язык и скрипт с именами. Большинство ошибок транскрибации аудио определяется ещё до того, как кто-то нажал запись.
Для судебного заседания, медицинской консультации и всего, где одно неверное слово имеет последствия, пусть человек проверит расшифровку перед использованием, какая бы система её ни сделала. Чтобы увидеть, какие из этих ошибок даёт ваше собственное аудио, попробуйте запись в панели управления.