ข้อความถอดเสียงที่แย่มักมีสาเหตุเพียงหนึ่งหรือสองอย่าง และข้อผิดพลาดบนหน้าจอก็บอกได้ว่าเป็นสาเหตุไหน ต่อไปนี้คือเจ็ดสาเหตุที่พบบ่อยของข้อผิดพลาดในการถอดเสียง แต่ละแบบหน้าตาเป็นอย่างไร เกิดขึ้นเพราะอะไร และวิธีแก้ทั้งในการบันทึกและในข้อความถอดเสียง
ข้อผิดพลาดในการถอดเสียงแทบไม่เคยเกิดขึ้นแบบสุ่ม ข้อความถอดเสียงที่เปลี่ยน “Kubernetes” เป็น “Cooper Netties” ใส่คำพูดของสองคนไว้ใต้ชื่อเดียวกัน หรือเขียนว่า “ห้าสิบ” ทั้งที่ผู้พูดบอกว่า “สิบห้า” กำลังบอกคุณว่าอะไรผิดพลาด สาเหตุแต่ละอย่างทิ้งข้อผิดพลาดชนิดของตัวเองไว้ และมีวิธีแก้ของตัวเอง บางวิธีแก้อยู่ที่การบันทึกครั้งหน้า บางวิธีอยู่ที่ข้อความถอดเสียงที่คุณมีอยู่แล้ว
คู่มือนี้เริ่มจากข้อผิดพลาด หาข้อที่ตรงกับข้อความถอดเสียงของคุณในรายการด้านล่าง แล้วไปที่หัวข้อของข้อนั้น: ข้อผิดพลาดหน้าตาเป็นอย่างไร เกิดขึ้นเพราะอะไรด้วยคำง่าย ๆ และควรทำอะไร
ปัญหาการถอดเสียงส่วนใหญ่อยู่ในเจ็ดรูปแบบ จับคู่อาการกับสาเหตุ:
สองสาเหตุมักซ้อนกัน แขกที่เข้ามาจากระยะไกลด้วยหูฟังในร้านกาแฟที่เสียงดัง และพูดด้วยสำเนียงเฉพาะ จะทำให้เกิดข้อผิดพลาดสามแบบพร้อมกัน แก้สาเหตุที่กระทบหลายบรรทัดที่สุดก่อน: มักเป็นเสียง จากนั้นภาษา แล้วจึงเป็นตัวคำ
หน้าตาเป็นอย่างไร ในการบันทึกที่ทำในร้านกาแฟ “เลื่อนการเปิดตัวไปเดือนมีนาคม” กลับมาเป็น “เลื่อนการเปิดตั๋วไปเดือนมีนาคม” คำหนึ่งหายไปใต้เสียงปิดประตู ในช่วงเงียบยาวที่เครื่องปรับอากาศหึ่งอยู่ มีบรรทัดที่ไม่มีใครพูดปรากฏขึ้น เช่น “ขอบคุณที่รับชม”
เกิดขึ้นเพราะอะไร การรู้จำเสียงพูดคาดเดาคำที่น่าจะเป็นไปได้มากที่สุดจากเสียงที่ได้รับ เสียงรบกวนกลบส่วนที่เบาของเสียงพูดก่อน คือท้ายคำและคำสั้น ๆ ที่คั่นระหว่างคำ เมื่อสัญญาณจริงน้อยลง การเดาก็พึ่งพาสิ่งที่มักตามมามากขึ้น และ “เปิดตั๋ว” เป็นคำที่พบบ่อยกว่า “เปิดตัว” ในบริบทบางแบบ เมื่อมีเสียงรบกวนคงที่โดยไม่มีเสียงพูดเลย บางระบบก็ยังสร้างวลีสำเร็จรูปออกมา เพราะถูกฝึกให้เขียนอะไรสักอย่างเมื่อได้ยินเสียง
แก้ที่การบันทึก ย้ายไมโครโฟนเข้าใกล้ผู้พูดแทนการเร่งระดับเสียง การเพิ่มระยะเป็นสองเท่าลดเสียงตรงของผู้พูดลงราว 6 dB ขณะที่เสียงรบกวนในห้องคงเดิม ดังนั้นความใกล้สำคัญกว่าการตั้งค่าใด ๆ ปิดพัดลมและเครื่องปรับอากาศระหว่างบันทึกถ้าทำได้ และบันทึกในห้องที่มีพื้นผิวนุ่มแทนกระจกและกระเบื้อง
แก้ที่ข้อความถอดเสียง ใน VocalStack ให้ระบุภาษาที่พูดสำหรับการบันทึกที่มีเสียงรบกวน แทนที่จะปล่อยให้ตรวจจับอัตโนมัติ ข้อความแจ้งใน Dashboard เองก็ระบุไว้ว่า การระบุภาษาช่วยให้แม่นยำขึ้นกับการบันทึกที่มีเสียงรบกวนและสำเนียงหนัก สำหรับการถอดเสียงสด โหมดความหน่วง Accuracy ยอมรับความล่าช้าเพิ่มเล็กน้อยเพื่อแลกกับข้อผิดพลาดที่น้อยลงในเสียงที่ยาก บรรทัดที่เอนจินมั่นใจน้อยที่สุด (ต่ำกว่าเกณฑ์ความมั่นใจของการถอดเสียง ค่าเริ่มต้น 0.60) จะแสดงให้ผู้ฟังเห็นเป็น “Audio unclear” แทนการเดา และไม่มีการอ่านออกเสียงเลย บรรทัดที่เป็นการแต่งขึ้นล้วน ๆ ซ่อนได้ด้วยมือ: บรรทัดที่ซ่อนจะไม่อยู่ในข้อความถอดเสียง การส่งออก คำบรรยาย และเครื่องเล่น
หน้าตาเป็นอย่างไร “ข้อมูลแสดงว่าเพิ่มขึ้นหกสิบเปอร์เซ็นต์” กลายเป็น “ข้อมูลแสดงว่าเพิ่มขึ้นเจ็ดสิบเปอร์เซ็นต์” ข้อผิดพลาดตามผู้พูดคนหนึ่งไปตลอดการบันทึก ขณะที่บรรทัดของคนอื่นทั้งหมดสะอาด
เกิดขึ้นเพราะอะไร ระบบรู้จำเรียนรู้ว่าคำฟังดูอย่างไรจากเสียงพูดที่ใช้ฝึก เมื่อผู้พูดออกเสียงหนึ่งแตกต่างจากเสียงพูดส่วนใหญ่ ระบบจะได้ยินตรงตามที่พูดจริง ๆ และเลือกคำจริงที่เข้ากับเสียงนั้นที่สุด การตรวจจับภาษาอัตโนมัติอาจทำให้แย่ลง: สำเนียงที่หนักอาจเลื่อนเบาะแสไปทางภาษาอื่นทั้งหมด (ดู การตรวจจับภาษาอัตโนมัติทำงานอย่างไร)
แก้ที่การบันทึก สำหรับการบรรยายสด ให้เพิ่ม Reference Script ก่อนเริ่ม (ดูหัวข้อศัพท์เฉพาะด้านล่าง) เพื่อให้คำที่ผู้พูดน่าจะพูดเป็นที่รู้จักอยู่แล้ว ไมโครโฟนที่ดีช่วยได้กับทุกสำเนียง เพราะเสียงแต่ละเสียงไปถึงเอนจินมากขึ้น
แก้ที่ข้อความถอดเสียง ระบุภาษาที่พูดของการบันทึกนั้น จากนั้นใช้แท็บ Fix: Mark uncertain words ใส่สีและขีดเส้นใต้คำที่เอนจินไม่แน่ใจ และคุณไล่ดูช่วงที่ไม่แน่ใจทีละช่วงได้แทนที่จะอ่านใหม่ทั้งหมด เมื่อเอนจินเคยพิจารณาคำอื่น มันจะเสนอเป็นการแก้ที่แนะนำ ดังนั้นการแก้ “เจ็ดสิบ” เป็น “หกสิบ” มักใช้แค่คลิกเดียว Play just this word ให้คุณฟังตรวจสอบก่อนเปลี่ยน
หน้าตาเป็นอย่างไร ผู้พูดคนหนึ่งถามว่า “งั้นเราตกลงวันอังคารใช่ไหม” ขณะที่อีกคนแทรกว่า “ไม่ครับ วันพฤหัสบดีสะดวก” ข้อความถอดเสียงแสดงบรรทัดเดียวใต้ Speaker 1: “งั้นเราตกลงวันอังคารใช่ไหม ไม่ครับ วันพฤหัสบดีสะดวก” หรือกลับกัน: คนที่เริ่มคึกคักกลางการประชุมปรากฏเป็นทั้ง Speaker 1 และ Speaker 3
เกิดขึ้นเพราะอะไร มีสองงานแยกกันทำงานอยู่เบื้องล่าง การรู้จำเสียงพูดเขียนคำ ส่วนการแยกผู้พูด (diarization) ตัดสินว่าใครพูดเมื่อไร จากว่าเสียงแต่ละเสียงฟังดูอย่างไร ระบบส่วนใหญ่ให้ช่วงเสียงหนึ่งมีผู้พูดเพียงคนเดียว ดังนั้นเมื่อสองคนพูดพร้อมกัน คนหนึ่งจะเสียไป การเปลี่ยนของเสียงบางคน (ตื่นเต้น เหนื่อย อยู่ไกลจากไมโครโฟนขึ้น) อาจทำให้ดูเหมือนเป็นคนใหม่ การแยกผู้พูดกับการรู้จำเสียงพูด อธิบายทั้งสองงานโดยละเอียด
แก้ที่การบันทึก ให้แต่ละคนมีไมโครโฟนของตัวเอง การเปลี่ยนเพียงอย่างเดียวนี้ช่วยเรื่องหลายผู้พูดได้มากกว่าการตั้งค่าใด ๆ ในเวทีเสวนาหรือการประชุมที่มีคำถามจากผู้ฟัง ให้ผู้ดำเนินรายการพูดคำถามซ้ำเข้าไมโครโฟนของตนเองก่อนจะมีการตอบ
แก้ที่ข้อความถอดเสียง เลือกการตั้งค่าป้ายผู้พูด: When Needed (ค่าเริ่มต้น) ติดป้ายบรรทัดเมื่อได้ยินเสียงที่สอง On ติดป้ายทุกบรรทัด Off ไม่ติดเลย ตั้งชื่อผู้พูดแต่ละคนระหว่างหรือหลังการบันทึก ชื่อเป็นชั้นที่วางทับคำ จึงไม่เปลี่ยนตัวข้อความ และใช้กับคนนั้นในทุกการบันทึกของการถอดเสียงนั้น บันทึกผู้พูดที่คุณบันทึกบ่อย แล้วการถอดเสียงครั้งต่อไปจะจำเขาด้วยชื่อ บรรทัดที่รวมสองประโยคไว้ด้วยกันแยกเป็นสองบรรทัดได้: แตะที่ช่องว่างที่บรรทัดใหม่เริ่ม
หน้าตาเป็นอย่างไร “เราติดตั้งบน Kubernetes” กลายเป็น “เราติดตั้งบน Cooper Netties” “คุณเหงียน” กลายเป็น “คุณวิน” ชื่อยากลายเป็นคำสั้น ๆ สามคำ ส่วนที่เหลือของประโยคถูกต้อง
เกิดขึ้นเพราะอะไร ระบบเขียนได้เฉพาะคำที่รู้จัก และชื่อมักปรากฏครั้งเดียวโดยไม่มีอะไรรอบข้างให้คาดเดา เมื่อไม่เคยเห็นคำนั้น ระบบเลือกคำธรรมดาที่ฟังดูใกล้เคียงที่สุด นี่คือกรณีที่ยากที่สุดสำหรับการถอดเสียงศัพท์เทคนิคให้ถูกต้อง: ประโยคไม่ให้เบาะแสเลย ดังนั้นบริบทใด ๆ ก็ช่วยไม่ได้
แก้ที่การบันทึก ให้คำแก่ระบบก่อนที่ผู้พูดจะพูด ใน VocalStack คือ Reference Script: เพิ่มสคริปต์หรือสไลด์ของการบรรยายสด หรือรายการชื่อและคำศัพท์ ก่อนเริ่ม แล้วชื่อและคำจากสคริปต์จะชนะสิ่งที่ฟังผิด ระหว่างการบรรยาย สคริปต์จะตามข้อความถอดเสียงเหมือนเครื่องช่วยพูด (teleprompter) ทุกคำที่สคริปต์แก้จะถูกทำเครื่องหมาย SCRIPT ในรายการการแก้ไข และเลิกทำได้ถ้าผู้พูดพูดอย่างอื่นจริง ๆ
แก้ที่ข้อความถอดเสียง แก้ชื่อหนึ่งครั้งแล้วตรวจที่เหลือด้วยการค้นหา การแก้ไขไปถึงผู้ฟังทุกคนขณะที่การถอดเสียงยังสดอยู่ ในทุกภาษาที่พวกเขาอ่าน และการแก้ไขทุกครั้งอยู่ในรายการและเลิกทำได้ การส่งออก (SRT, PDF, Excel, JSON) รวมการแก้ไขไว้ ดังนั้นคำบรรยายและเอกสารจึงมีการสะกดที่แก้แล้ว
หน้าตาเป็นอย่างไร การบรรยายเปิดด้วยคำทักทายภาษาสเปนและดำเนินต่อเป็นภาษาอังกฤษ แต่ภาษาอังกฤษออกมาเป็นข้อความเลอะเทอะที่ดูเหมือนภาษาสเปน หรือไม่กี่บรรทัดกลางข้อความถอดเสียงภาษาอังกฤษปรากฏเป็นภาษาใกล้เคียง บางระบบเมื่อตั้งภาษาผิดจะเขียนคำแปลคร่าว ๆ แทนสิ่งที่พูด
เกิดขึ้นเพราะอะไร เมื่อไม่ได้ระบุภาษา ระบบต้องตรวจจับจากเสียง มักจากไม่กี่วินาทีแรก คำทักทาย คำอ้างอิง หรือสำเนียงหนักอาจชี้ไปผิดทาง เมื่อเลือกภาษาผิดแล้ว ทุกคำในช่วงนั้นก็ผิดไปพร้อมกัน
แก้ที่การบันทึก ถ้าการบันทึกเป็นภาษาเดียว ให้ระบุภาษา เปิดการตรวจจับไว้เมื่อมีการพูดสองภาษาขึ้นไปจริง ๆ เพื่อให้แต่ละส่วนถูกถอดเสียงในภาษาของตัวเอง การระบุภาษาเดียวจะบังคับให้อีกภาษาต้องเข้าไปอยู่ในภาษานั้น ในการถอดเสียงสด เปลี่ยนภาษาได้ขณะทำงาน และมีผลทันที
แก้ที่ข้อความถอดเสียง บรรทัดที่ได้ยินเป็นภาษาผิดแก้ทีละคำไม่ได้ เพราะไม่มีอะไรในบรรทัดนั้นถูกเลย VocalStack ถอดเสียงบรรทัดนั้นใหม่ได้: เลือกภาษาที่พูดจริง ๆ แล้วเสียงของบรรทัดจะถูกอ่านใหม่ในภาษานั้น ผลลัพธ์แทนที่บรรทัดเหมือนการแก้ไขทั่วไป พร้อมการเลิกทำแบบเดียวกับการแก้ไขอื่น
หน้าตาเป็นอย่างไร “ฟัน” กลายเป็น “พัน” “ซุป” กับ “ชุป” สลับกัน ข้อผิดพลาดกระจายทั่วทั้งการบันทึก และแย่ที่สุดกับผู้พูดทางไกลในสายโทรศัพท์
เกิดขึ้นเพราะอะไร เสียงจำนวนมากที่แยก “ฟ” “ซ” และ “ช” ออกจากกันอยู่ในช่วงความถี่สูง สายโทรศัพท์ไม่ส่งอะไรเลยเกินราว 3.4 kHz และหูฟังบลูทูธมักสลับไมโครโฟนไปโหมดโทรที่ช่วงความถี่แคบกว่ามาก การบีบอัดบิตเรตต่ำของการประชุมทางวิดีโอตัดออกอีก ระบบได้รับเสียงที่เสียงเหล่านั้นหายไปแล้ว และเดาระหว่างคำที่ตอนนี้ฟังเหมือนกัน
แก้ที่การบันทึก ใช้ไมโครโฟนแบบมีสาย หรือหูฟังที่ไมโครโฟนยังอยู่ในโหมดคุณภาพเต็ม บันทึกผู้พูดทางไกลแต่ละคนที่ฝั่งของเขาถ้าทำได้ แทนการบันทึกสายโทรศัพท์ สำหรับงานอีเวนต์ ให้ดึงสัญญาณจากมิกเซอร์เสียง แทนไมโครโฟนของแล็ปท็อปหรือโทรศัพท์ในห้อง: การตั้งค่าสดของ VocalStack รับสายหนึ่งเส้นจากมิกเซอร์ และไมโครโฟนในตัวของโทรศัพท์จับเสียงห้องได้มากกว่า
แก้ที่ข้อความถอดเสียง เสียงที่ไม่เคยถูกบันทึกกู้คืนไม่ได้ ไม่ว่าด้วยเครื่องหรือคน ใช้เครื่องหมายคำที่ไม่แน่ใจเพื่อหาช่วงที่เสียหาย เล่นบรรทัดนั้นเพื่อตรวจ และแก้สิ่งที่คุณได้ยิน ในจุดที่ไม่มีใครบอกได้ว่าพูดอะไร การซ่อนบรรทัดซื่อตรงกว่าการทิ้งคำเดาไว้
หน้าตาเป็นอย่างไร “สิบห้า” กลายเป็น “ห้าสิบ” “หนึ่งดอลลาร์ยี่สิบ” กลายเป็น “120” เมื่อผู้พูดหมายถึงหนึ่งดอลลาร์ยี่สิบเซ็นต์ “วันที่สามเดือนสี่” ออกมาเป็นวันที่ที่สลับลำดับ แต่ละข้อผิดพลาดเป็นเพียงคำเดียว และทุกคำอื่นในประโยคถูกต้อง
เกิดขึ้นเพราะอะไร “สิบห้า” กับ “ห้าสิบ” ต่างกันหลัก ๆ ที่ลำดับและน้ำหนักของพยางค์ และความต่างนี้เป็นสิ่งแรกที่หายไปเมื่อมีเสียงรบกวนหรือผู้พูดพูดเร็ว ตัวเลขที่พูดยังขาดสิ่งที่ตัวเลขที่เขียนต้องมี: หน่วย จุดทศนิยม ลำดับวันกับเดือน ระบบต้องเดารูปแบบ และสิ่งที่เดาคือแบบที่พบบ่อยที่สุด ไม่ใช่แบบของคุณ
แก้ที่การบันทึก ขอให้ผู้พูดพูดตัวเลขเต็ม ๆ พร้อมหน่วย: “หนึ่งดอลลาร์ยี่สิบเซ็นต์” “วันที่สิบห้ามีนาคม” สำหรับการบรรยายที่เตรียมไว้ ให้ใส่ตัวเลขในสคริปต์
แก้ที่ข้อความถอดเสียง ตรวจตัวเลขที่สำคัญทุกตัวด้วยการฟัง ก่อนจะอ้างอิง ส่ง หรือเผยแพร่ข้อความถอดเสียง ตัวเลขที่ผิดอ่านดูเหมือนตัวเลขที่ถูก ดังนั้นไม่มีอะไรบนหน้าจอเตือนคุณ WER วัดอะไร และพลาดอะไรไป อธิบายว่าทำไมตัวเลขผิดตัวเดียวจึงมีต้นทุนมากกว่าสัดส่วนของมันในอัตราข้อผิดพลาด
เมื่อข้อความถอดเสียงมีปัญหามาก ให้แก้ตามลำดับนี้ เพื่อไม่ให้การแก้อย่างหนึ่งถูกการแก้ถัดไปทำลาย:
จากนั้นทำให้การบันทึกครั้งหน้าง่ายขึ้น: ไมโครโฟนหนึ่งตัวต่อผู้พูด ระบุภาษา และสคริปต์ที่มีชื่อต่าง ๆ ข้อผิดพลาดในการถอดเสียงส่วนใหญ่ถูกกำหนดก่อนที่ใครจะกดบันทึก
สำหรับการไต่สวนในศาล การปรึกษาแพทย์ หรืออะไรก็ตามที่คำผิดเพียงคำเดียวมีผลตามมา ให้คนตรวจข้อความถอดเสียงก่อนนำไปใช้ ไม่ว่าระบบไหนเป็นผู้สร้าง หากต้องการดูว่าไฟล์เสียงของคุณเองก่อให้เกิดข้อผิดพลาดแบบไหน ลองบันทึกเสียงใน Dashboard