Лош транскрипт обично има један или два узрока, а грешке на страници говоре који су. Седам честих узрока грешака у транскрипцији аудија: како изгледа сваки, зашто се дешава и како се исправља у снимку и у транскрипту.
Грешке у транскрипцији аудија ретко су насумичне. Транскрипт који „Kubernetes“ претвара у „Cooper Netties“, речи двоје људи ставља под једно име или пише „fifty“ тамо где је говорник рекао „fifteen“ показује вам шта је пошло по злу. Сваки узрок оставља своју врсту грешке и има своје решење. Нека решења припадају следећем снимању, нека транскрипту који већ имате.
Овај водич полази од грешке. Пронађите у списку испод ону која одговара вашем транскрипту, па идите на њен одељак: како грешка изгледа, зашто настаје простим речима и шта да урадите поводом ње.
Већина проблема са транскрипцијом спада у седам образаца. Упарите симптом са узроком:
Два узрока се често скупе. Удаљени гост са слушалицама у бучном кафићу, са акцентом, произвешће три врсте грешака одједном. Прво исправите узрок који погађа највише редова: обично је то аудио, затим језик, па речи.
Како изгледа. У снимку направљеном у кафићу „Let's move the launch to March“ враћа се као „Let's move the lunch to March“. Реч испод треска врата нестаје. Током дуге тишине уз брујање клима-уређаја појављује се ред који нико није изговорио, на пример „Thank you for watching.“
Зашто се дешава. Препознавање говора погађа најверованије речи за звук који прима. Бука прво прекрива тихе делове говора: краја речи и кратке речи међу њима. Са мање стварног сигнала, погађање се више ослања на оно што обично следи, а „lunch“ је чешћа реч од „launch“. Преко сталне буке без иједног изговореног гласа неки системи ипак дају готову фразу, јер су обучени да напишу нешто кад год чују звук.
Исправите у снимку. Померите микрофон ближе говорнику уместо да појачавате јачину. Удвостручавање растојања смањује говорников директан звук за око 6 dB, док бука у просторији остаје иста, па близина значи више од било ког подешавања. Искључите вентилаторе и клима-уређаје током снимања ако можете и снимајте у просторији са меким површинама, а не са стаклом и плочицама.
Исправите у транскрипту. У VocalStack-у наведите говорни језик на бучним снимцима уместо да остављате аутоматско откривање. То каже и сама напомена на контролној табли: навођење језика побољшава тачност на бучним снимцима и јаким акцентима. За транскрипцију уживо, режим латенције Accuracy прихвата мало веће кашњење у замену за мање грешака на тешком аудију. Редови у које је мотор најмање сигуран (испод прага поузданости транскрипције, подразумевано 0.60) приказују се слушаоцима као „Audio unclear“ уместо погађања и никад се не читају наглас. Ред који је чиста измишљотина може се ручно сакрити: сакривени редови изостављају се из транскрипта, извоза, титлова и плејера.
Како изгледа. „The data shows a thirty percent rise“ постаје „The data shows a dirty percent rise“. Грешке прате једног говорника кроз снимак, док су редови свих осталих чисти.
Зашто се дешава. Систем за препознавање учи како речи звуче из говора на коме је обучен. Када говорник изговара неки глас другачије од већине тог говора, на пример „th“ као „d“, систем чује тачно оно што је речено и бира стварну реч која том гласу најбоље одговара. Аутоматско откривање језика може да погорша ствар: јак акценат може да помери знакове ка сасвим другом језику (видите како функционише аутоматско препознавање језика).
Исправите у снимку. За излагање уживо, пре почетка додајте Reference Script (видите одељак о жаргону испод), да би речи које говорник вероватно изговара већ биле познате. Добар микрофон помаже сваком акценту, јер до мотора стиже више сваког гласа.
Исправите у транскрипту. Наведите говорни језик за тај снимак. Затим користите картицу Fix: Mark uncertain words боји и подвлачи речи у које мотор није био сигуран, а несигурне сегменте можете пролазити један по један уместо да све поново читате. Тамо где је мотор разматрао друге речи, нуди их као предложене исправке, па је исправљање „dirty“ у „thirty“ обично један клик. Play just this word омогућава да проверите на слух пре него што било шта промените.
Како изгледа. Један говорник пита „So we agree on Tuesday?“, а други упада са „No, Thursday works“. Транскрипт приказује један ред под Speaker 1: „So we agree on Tuesday no Thursday works.“ Или обрнуто: једна особа која се узбудила на пола састанка појављује се као Speaker 1 и Speaker 3.
Зашто се дешава. Испод раде два одвојена посла. Препознавање говора пише речи; дијаризација говорника одлучује ко је када говорио, на основу тога како звучи сваки глас. Већина система сваком делу аудија додељује једног говорника, па када двоје људи говори истовремено, један губи. Промена нечијег гласа (узбуђен, уморан, даље од микрофона) може да га учини новом особом. Дијаризација говорника и препознавање говора детаљно објашњава оба посла.
Исправите у снимку. Свакој особи дајте њен микрофон. Та једна промена више помаже код више говорника него било које подешавање. На панелу или састанку са питањима публике замолите модератора да свако питање понови у свој микрофон пре него што се одговори.
Исправите у транскрипту. Изаберите подешавање ознака говорника: When Needed (подразумевано) означава редове када се чује други глас, On означава сваки ред, Off не означава ниједан. Дајте име сваком говорнику током или после снимања. Име је слој преко речи, па никада не мења текст и односи се на ту особу у сваком снимку транскрипције. Сачувајте говорника кога често снимате, и каснији транскрипти ће га препознати по имену. Ред који спаја две реченице може се поделити на два: додирните размак где почиње нови ред.
Како изгледа. „We deployed it on Kubernetes“ постаје „We deployed it on Cooper Netties“. „Ms Nguyen“ постаје „Miss Win“. Назив лека претвара се у три кратке енглеске речи. Остатак реченице је исправан.
Зашто се дешава. Систем може да напише само речи које зна, а име се често појави једном, без ичега око себе по чему би се предвидело. Када реч никада није видео, бира обичне речи које звуче најближе. Ово је најтежи случај за тачну транскрипцију стручне терминологије: реченица не даје траг, па га никакав контекст не поправља.
Исправите у снимку. Дајте систему речи пре него што их говорник изговори. У VocalStack-у то је Reference Script: пре почетка додајте скрипту или слајдове излагања уживо, или списак имена и термина, и имена и термини из њега односе превагу над погрешно схваћеним. Током излагања скрипта прати транскрипт као телепромптер. Свака реч коју је скрипта исправила означена је као SCRIPT међу исправкама и може се поништити ако је говорник заиста рекао нешто друго.
Исправите у транскрипту. Исправите име једном и остала места проверите претрагом. Исправке стижу до сваког слушаоца док је транскрипција уживо, на сваком језику на ком читају, а свака исправка је наведена и може се поништити. Извози (SRT, PDF, Excel, JSON) укључују исправке, па титлови и документи носе исправљен правопис.
Како изгледа. Излагање почиње поздравом на шпанском и наставља се на енглеском, а енглески излази као бесмислица налик шпанском. Или се неколико редова усред енглеског транскрипта појави на сродном језику. Неки системи, подешени на погрешан језик, пишу груб превод уместо онога што је речено.
Зашто се дешава. Када језик није наведен, систем мора да га открије по звуку, често из првих неколико секунди. Поздрав, цитат или јак акценат могу га усмерити погрешно. Када једном изабере погрешан језик, свака реч у том делу је заједно погрешна.
Исправите у снимку. Ако је снимак на једном језику, наведите га. Оставите откривање укључено кад се стварно говори два или више језика, да би се сваки део транскрибовао на свом језику; навођење једног натерало би други у њега. У транскрипцији уживо језик се може променити док траје, а промена важи одмах.
Исправите у транскрипту. Ред који је препознат на погрешном језику не може се исправљати реч по реч, јер ништа у њему није исправно. VocalStack може да поново транскрибује ред: изаберите језик на коме је заиста изговорен и аудио реда се поново чита на том језику. Резултат замењује ред као обична исправка, са истим поништавањем као и свака друга.
Како изгледа. „The fees went up“ постаје „The thieves went up“. „Free“ и „three“ мењају места. Грешке се шире кроз цео снимак и најгоре су код удаљеног говорника на позиву.
Зашто се дешава. Многи гласови који разликују „f“, „s“ и „th“ леже високо у опсегу фреквенција. Телефонска линија не преноси ништа изнад око 3.4 kHz, а Bluetooth слушалице често пребацују свој микрофон у режим позива са много ужим опсегом. Компресија ниске брзине преноса у видео позивима уклања још више. Систем прима аудио у коме тих гласова већ нема и погађа између речи које сада звуче идентично.
Исправите у снимку. Користите жичани микрофон или слушалице чији микрофон остаје у режиму пуног квалитета. Ако можете, снимајте сваког удаљеног говорника на његовој страни уместо да снимате позив. За догађај узмите довод из миксете уместо микрофона лаптопа или телефона у просторији: подешавање уживо у VocalStack-у узима један кабл из миксете, а уграђени микрофон телефона хвата више просторије.
Исправите у транскрипту. Аудио који никада није снимљен не може да се поврати, ни машином ни човеком. Користите ознаке несигурних речи да пронађете оштећене делове, пустите ред да проверите и исправите оно што чујете. Тамо где нико не може да каже шта је речено, сакривање реда је поштеније него остављање погађања.
Како изгледа. „Fifteen“ постаје „fifty“. „One twenty“ постаје „120“ када је говорник мислио један долар и двадесет. „The third of the fourth“ излази као датум погрешним редоследом. Свака грешка је једна реч, а свака друга реч у реченици је исправна.
Зашто се дешава. „Fifteen“ и „fifty“ се разликују углавном по томе који је слог нагласак, а та разлика је прва ствар која се губи због буке или брзог говорника. Изговорени бројеви такође изостављају оно што писани захтевају: јединице, децимални зарез, редослед дана и месеца. Систем мора да погоди формат, а његово погађање је најчешћи облик, не онај који ви мислите.
Исправите у снимку. Замолите говорнике да износе кажу у целости, са јединицом: „one dollar twenty“, „the fifteenth of March“. За припремљено излагање ставите износе у скрипту.
Исправите у транскрипту. Проверите на слух сваки износ који је важан пре него што се транскрипт цитира, шаље или објављује. Погрешан број чита се као тачан, па вас ништа на страници не упозорава. Шта мери стопа грешака у речима и шта јој промиче објашњава зашто један погрешан износ кошта више од свог удела у стопи грешака.
Када транскрипт има много проблема, исправљајте их овим редом, да ниједна исправка не буде поништена следећом:
Затим олакшајте следећи снимак: микрофон по говорнику, наведен језик и скрипта са именима. Већина грешака у транскрипцији аудија одлучена је пре него што неко притисне снимање.
За рочиште, лекарски преглед или било шта где једна погрешна реч има последице, нека особа провери транскрипт пре употребе, без обзира на то који га је систем направио. Да видите које од ових грешака производи ваш аудио, испробајте снимак на контролној табли.