Ett dåligt transkript har oftast en eller två orsaker, och felen på sidan visar vilka. Sju vanliga orsaker till fel i ljudtranskribering, hur varje fel ser ut, varför det uppstår och åtgärden i inspelningen och i transkriptet.
Fel i ljudtranskribering är sällan slumpmässiga. Ett transkript som gör om "Kubernetes" till "Cooper Netties", lägger två personers ord under ett namn eller skriver "femtio" där talaren sa "femton" visar vad som gick fel. Varje orsak lämnar sin egen sorts fel, och varje har sin egen åtgärd. Vissa åtgärder hör till nästa inspelning, andra till transkriptet du redan har.
Den här guiden utgår från felet. Hitta det som liknar ditt transkript i listan nedan och gå sedan till dess avsnitt: hur felet ser ut, varför det uppstår med enkla ord och vad du kan göra åt det.
De flesta transkriberingsproblem faller in i sju mönster. Para ihop symptomet med orsaken:
Två orsaker staplas ofta. En gäst på distans med headset på ett bullrigt kafé och med brytning ger tre sorters fel på en gång. Rätta först den orsak som drabbar flest rader: oftast ljudet, sedan språket, sedan orden.
Hur det ser ut. I en inspelning från ett kafé blir "Låt oss flytta lanseringen till mars" till "Låt oss flytta lunchen till mars". Ett ord under ett dörrsmäll försvinner. Under en lång tystnad med en surrande luftkonditionering dyker det upp en rad som ingen har sagt, till exempel "Tack för att ni tittade."
Varför det händer. Taligenkänning gissar de mest sannolika orden för ljudet den får in. Brus täcker först de tysta delarna av tal: ordslut och de korta orden emellan. Med mindre äkta signal lutar sig gissningen mer på vad som brukar komma härnäst, och "lunchen" är ett vanligare ord än "lanseringen". Över jämnt brus utan något tal alls skriver vissa system ändå en inövad fras, eftersom de har tränats att skriva något när de hör ljud.
Åtgärda i inspelningen. Flytta mikrofonen närmare talaren i stället för att skruva upp volymen. Dubbelt avstånd sänker talarens direktljud med omkring 6 dB medan rummets brus ligger kvar, så närhet betyder mer än någon inställning. Stäng av fläktar och luftkonditionering under inspelningen om du kan, och spela in i ett rum med mjuka ytor i stället för glas och kakel.
Åtgärda i transkriptet. Ange det talade språket i VocalStack för bullriga inspelningar i stället för att lämna automatisk språkdetektering. Dashboardens egen anteckning säger det: att ange språket förbättrar noggrannheten på bullriga inspelningar och kraftiga brytningar. Vid livetranskribering godtar latensläget Accuracy lite mer fördröjning i utbyte mot färre fel på svårt ljud. Rader som motorn är minst säker på (under transkriptets konfidenströskel, 0.60 som standard) visas för lyssnare som "Audio unclear" i stället för en gissning, och läses aldrig upp. En rad som är ren fantasi kan döljas för hand: dolda rader utelämnas från transkriptet, exporterna, undertexterna och spelaren.
Hur det ser ut. "Data visar en ökning på trettio procent" blir "Data visar en ökning på dirty procent". Felen följer en talare genom inspelningen medan alla andras rader är rena.
Varför det händer. Ett igenkänningssystem lär sig hur ord låter av det tal det tränades på. När en talare uttalar ett ljud annorlunda än de flesta i det talet, till exempel "th" som "d", hör systemet exakt vad som sades och väljer det riktiga ord som bäst passar ljudet. Automatisk språkdetektering kan göra det värre: en stark brytning kan flytta signalerna mot ett helt annat språk (se hur automatisk språkdetektering fungerar).
Åtgärda i inspelningen. Lägg till ett Reference Script före start vid ett live-föredrag (se avsnittet om facktermer nedan), så att orden talaren sannolikt säger redan är kända. En bra mikrofon hjälper varje brytning, eftersom mer av varje ljud når motorn.
Åtgärda i transkriptet. Ange det talade språket för inspelningen. Använd sedan fliken Fix: Mark uncertain words färgar och understryker de ord som motorn var osäker på, och du kan gå igenom de osäkra partierna ett i taget i stället för att läsa om allt. Där motorn övervägde andra ord erbjuder den dem som föreslagna rättelser, så att rätta "dirty" till "trettio" oftast är ett klick. Med Play just this word kontrollerar du på gehör innan du ändrar.
Hur det ser ut. En talare frågar "Så vi är överens om tisdag?" medan en annan faller in med "Nej, torsdag funkar". Transkriptet visar en enda rad under Talare 1: "Så vi är överens om tisdag nej torsdag funkar." Eller tvärtom: en person som blev ivrig mitt i mötet visas som Talare 1 och Talare 3.
Varför det händer. Två skilda uppgifter pågår under ytan. Taligenkänning skriver orden; talardiarisering avgör vem som talade när, utifrån hur varje röst låter. De flesta system ger varje ljudstycke en talare, så när två personer pratar samtidigt förlorar en av dem. En förändring i någons röst (upphetsad, trött, längre från mikrofonen) kan få personen att se ut som en ny. Talardiarisering jämfört med taligenkänning förklarar båda uppgifterna i detalj.
Åtgärda i inspelningen. Ge varje person en egen mikrofon. Den enda förändringen gör mer för flera talare än någon inställning. Be moderatorn vid en paneldebatt eller ett möte med publikfrågor att upprepa varje fråga i sin egen mikrofon innan den besvaras.
Åtgärda i transkriptet. Välj inställning för talarmarkeringar: When Needed (standard) märker rader när en andra röst har hörts, On märker varje rad, Off märker ingen. Namnge varje talare under eller efter inspelningen. Namnet är ett lager över orden, så det ändrar aldrig texten, och det gäller den personen i varje inspelning i transkriptionen. Spara en talare som du spelar in ofta, så känner senare transkriptioner igen hen med namn. En rad som slagit ihop två meningar kan delas i två: tryck på luckan där den nya raden börjar.
Hur det ser ut. "Vi driftsatte det på Kubernetes" blir "Vi driftsatte det på Cooper Netties". "Fru Nguyen" blir "Fru Vin". Ett läkemedelsnamn förvandlas till tre korta vanliga ord. Resten av meningen är rätt.
Varför det händer. Ett system kan bara skriva ord det känner till, och ett namn förekommer ofta en gång, utan något runt omkring som förutsäger det. När systemet aldrig har sett ordet väljer det de vanliga ord som låter närmast. Det här är det svåraste fallet för korrekt transkribering av facktermer: meningen ger inga ledtrådar, så ingen mängd sammanhang löser det.
Åtgärda i inspelningen. Ge systemet orden innan talaren säger dem. I VocalStack är det ett Reference Script: lägg till manuset eller bilderna för ett live-föredrag, eller en lista med namn och termer, före start, så vinner namn och termer därifrån över det som hördes fel. Under föredraget följer manuset transkriptet som en teleprompter. Varje ord som manuset rättade är markerat SCRIPT bland rättelserna och kan ångras om talaren verkligen sa något annat.
Åtgärda i transkriptet. Rätta namnet en gång och kontrollera resten med sökning. Rättelser når varje lyssnare medan transkriptionen är live, på varje språk de läser, och varje rättelse listas och kan ångras. Exporter (SRT, PDF, Excel, JSON) innehåller rättelserna, så undertexter och dokument bär den rättade stavningen.
Hur det ser ut. Ett föredrag inleds med en hälsning på spanska och fortsätter på engelska, och engelskan kommer ut som spansk-liknande nonsens. Eller några rader mitt i ett engelskt transkript visas på ett närliggande språk. Vissa system, inställda på fel språk, skriver en grov översättning i stället för det som sades.
Varför det händer. När inget språk anges måste systemet upptäcka det utifrån ljudet, ofta utifrån de första sekunderna. En hälsning, ett citat eller en stark brytning kan peka åt fel håll. När det väl har valt fel språk är varje ord i det stycket fel tillsammans.
Åtgärda i inspelningen. Om inspelningen är på ett språk, ange det. Låt detekteringen vara på när två eller fler språk verkligen talas, så att varje del transkriberas på sitt eget språk; att ange ett skulle tvinga in det andra i det. Vid livetranskribering kan språket ändras medan den pågår, och ändringen gäller direkt.
Åtgärda i transkriptet. En rad som uppfattats på fel språk kan inte rättas ord för ord, eftersom ingenting i den är rätt. VocalStack kan transkribera raden på nytt: välj det språk den egentligen talades på, så läses radens ljud om på det språket. Resultatet ersätter raden som en vanlig rättelse, med samma ångra som alla andra.
Hur det ser ut. I en engelsk inspelning blir "The fees went up" till "The thieves went up", och "free" och "three" byter plats. Felen sprids över hela inspelningen och är värst för talaren på distans i ett samtal.
Varför det händer. Många av de ljud som skiljer "f", "s" och "th" åt ligger högt i frekvensområdet. En telefonlinje bär ingenting över ungefär 3,4 kHz, och ett bluetooth-headset växlar ofta sin mikrofon till ett samtalsläge med ett mycket smalare område. Komprimering med låg bithastighet i videosamtal tar bort mer. Systemet får ljud där de ljuden redan är borta och gissar mellan ord som nu låter likadant.
Åtgärda i inspelningen. Använd en sladdansluten mikrofon, eller ett headset vars mikrofon stannar i sitt läge med full kvalitet. Spela in varje talare på distans på deras sida om du kan, i stället för att spela in samtalet. För ett evenemang, ta signalen från ljudmixern i stället för en laptop- eller telefonmikrofon i salen: VocalStacks livelösning tar en kabel från mixern, och en telefons inbyggda mikrofon fångar mer av rummet.
Åtgärda i transkriptet. Ljud som aldrig fångades kan inte återskapas, varken av en maskin eller en människa. Använd markeringarna för osäkra ord för att hitta de skadade partierna, spela raden för att kontrollera och rätta det du kan höra. Där ingen kan avgöra vad som sades är det ärligare att dölja raden än att lämna en gissning.
Hur det ser ut. "Femton" blir "femtio". "Ett tjugo" blir "120" när talaren menade en dollar tjugo. "Den tredje i fjärde" kommer ut som ett datum i fel ordning. Varje fel är ett ord, och varje annat ord i meningen är rätt.
Varför det händer. "Femton" och "femtio" skiljer sig mest i vilken stavelse som betonas, och den skillnaden är det första som går förlorat i brus eller hos en snabb talare. Talade tal utelämnar också det som skrivna tal behöver: enheter, decimaltecken, ordningen på dag och månad. Systemet måste gissa formatet, och dess gissning är det vanligaste, inte ditt.
Åtgärda i inspelningen. Be talare säga siffror fullt ut, med enhet: "en dollar tjugo", "den femtonde mars". För ett förberett föredrag, lägg siffrorna i manuset.
Åtgärda i transkriptet. Kontrollera varje siffra som betyder något på gehör innan transkriptet citeras, skickas eller publiceras. Ett fel tal läses som ett rätt, så ingenting på sidan varnar dig. Vad word error rate mäter och vad det missar förklarar varför en enda fel siffra kostar mer än sin andel av felprocenten.
När ett transkript har många problem, rätta dem i den här ordningen så att ingen åtgärd ångras av nästa:
Gör sedan nästa inspelning enklare: en mikrofon per talare, språket angivet och ett manus med namnen i. De flesta fel i ljudtranskribering avgörs innan någon trycker på inspelning.
För en rättegång, en medicinsk konsultation eller allt där ett felaktigt ord får konsekvenser bör en person kontrollera transkriptet innan det används, oavsett vilket system som gjorde det. För att se vilka av de här felen ditt eget ljud ger, prova en inspelning i Dashboarden.