Karaniwang may isa o dalawang sanhi ang masamang transcript, at ipinapakita ng mga pagkakamali sa pahina kung alin. Pitong karaniwang sanhi ng mga error sa audio transcription: kung ano ang itsura ng bawat isa, bakit ito nangyayari, at ang ayos sa recording at sa transcript.
Bihirang random ang mga error sa audio transcription. Ang transcript na ginagawang "Cooper Netties" ang "Kubernetes", inilalagay ang mga salita ng dalawang tao sa ilalim ng iisang pangalan, o isinusulat ang "fifty" kung saan sinabi ng nagsasalita ang "fifteen" ay nagpapakita sa iyo kung ano ang nagkamali. Bawat sanhi ay may sariling uri ng pagkakamali, at bawat isa ay may sariling ayos. May mga ayos na para sa susunod na recording, at may para sa transcript na hawak mo na.
Nagsisimula ang gabay na ito sa pagkakamali. Hanapin sa listahan sa ibaba ang tumutugma sa transcript mo, saka pumunta sa seksyon nito: kung ano ang itsura ng error, bakit ito nangyayari sa simpleng salita, at ano ang gagawin.
Karamihan ng problema sa transcription ay pasok sa pitong pattern. Itugma ang sintomas sa sanhi:
Madalas na nagpapatong ang dalawang sanhi. Ang bisitang nasa malayo, naka-headset sa maingay na café, at may accent ay magbibigay ng tatlong uri ng error nang sabay. Ayusin muna ang sanhing nakakaapekto sa pinakamaraming linya: kadalasan ang audio, saka ang wika, saka ang mga salita.
Itsura nito. Sa recording na ginawa sa café, ang "Let's move the launch to March" ay lumalabas na "Let's move the lunch to March". Ang salitang natakpan ng pagsara ng pinto ay nawawala. Sa mahabang katahimikang may umuugong na aircon, may lumalabas na linyang walang nagsabi, gaya ng "Thank you for watching."
Bakit ito nangyayari. Hinuhulaan ng speech recognition ang pinakamalamang na mga salita para sa tunog na natanggap. Unang tinatakpan ng ingay ang mahihinang bahagi ng pananalita: ang dulo ng mga salita at ang maiikling salita sa pagitan. Kapag mas kaunti ang tunay na signal, mas umaasa ang hula sa karaniwang kasunod, at mas karaniwang salita ang "lunch" kaysa sa "launch". Sa tuloy-tuloy na ingay na walang pananalita, may mga sistemang nagsusulat pa rin ng sabi-sabing parirala, dahil sinanay silang magsulat ng kahit ano tuwing may naririnig na tunog.
Ayusin sa recording. Ilapit ang microphone sa nagsasalita sa halip na lakasan ang volume. Kapag dinoble ang distansya, bumababa ang direktang tunog ng nagsasalita nang humigit-kumulang 6 dB habang nananatili ang ingay ng silid, kaya mas mahalaga ang lapit kaysa sa anumang setting. Patayin ang mga bentilador at aircon habang nagre-record kung maaari, at mag-record sa silid na may malalambot na ibabaw sa halip na salamin at tile.
Ayusin sa transcript. Sa VocalStack, pangalanan ang sinasalitang wika sa mga maingay na recording sa halip na iwanan sa automatic detection. Sinasabi mismo ng tala ng Dashboard: pinapabuti ng pagpapangalan sa wika ang accuracy sa mga maingay na recording at matinding accent. Para sa live na transcription, tumatanggap ang latency mode na Accuracy ng bahagyang dagdag na delay kapalit ng mas kaunting pagkakamali sa mahirap na audio. Ang mga linyang pinakawalang-katiyakan ang engine (mas mababa sa confidence threshold ng transcription, 0.60 bilang default) ay ipinapakita sa mga nakikinig bilang "Audio unclear" sa halip na hula, at hindi kailanman binabasa nang malakas. Ang linyang puro imbento ay maaaring itago nang mano-mano: ang mga nakatagong linya ay hindi isinasama sa transcript, mga export, subtitle at player.
Itsura nito. Ang "The data shows a thirty percent rise" ay nagiging "The data shows a dirty percent rise". Sumusunod ang mga pagkakamali sa iisang nagsasalita sa buong recording, habang malinis ang mga linya ng iba.
Bakit ito nangyayari. Natututo ang recognition system kung paano tumutunog ang mga salita mula sa pananalitang ipinansanay dito. Kapag iba ang bigkas ng nagsasalita sa isang tunog kumpara sa karamihan ng pananalitang iyon, gaya ng "th" na binibigkas na "d", eksaktong naririnig ng sistema ang sinabi at pinipili ang totoong salitang pinakatugma sa tunog na iyon. Maaari pang palalain ng automatic language detection: ang matinding accent ay maaaring ilipat ang mga pahiwatig tungo sa ibang wika (tingnan ang kung paano gumagana ang automatic language detection).
Ayusin sa recording. Para sa live na talk, magdagdag ng Reference Script bago magsimula (tingnan ang seksyon tungkol sa jargon sa ibaba), para kilala na ang mga salitang malamang na sabihin ng nagsasalita. Nakakatulong ang magandang microphone sa anumang accent, dahil mas maraming bahagi ng bawat tunog ang nakararating sa engine.
Ayusin sa transcript. Pangalanan ang sinasalitang wika para sa recording na iyon. Pagkatapos, gamitin ang Fix tab: kinukulayan at inuunderline ng Mark uncertain words ang mga salitang hindi sigurado ang engine, at maaari mong lakarin nang isa-isa ang mga hindi tiyak na segment sa halip na basahin muli ang lahat. Kung saan may isinaalang-alang na ibang salita ang engine, inaalok nito ang mga iyon bilang mungkahing ayos, kaya kadalasang isang click lang ang pagwawasto ng "dirty" tungo sa "thirty". Hinahayaan ka ng Play just this word na tiyakin sa pandinig bago magpalit.
Itsura nito. Nagtatanong ang isang nagsasalita ng "So we agree on Tuesday?" habang sumisingit ang isa ng "No, Thursday works". Isang linya lang ang ipinapakita ng transcript sa ilalim ng Speaker 1: "So we agree on Tuesday no Thursday works." O kabaligtaran: ang taong naging masigla sa kalagitnaan ng meeting ay lumalabas bilang Speaker 1 at Speaker 3.
Bakit ito nangyayari. May dalawang magkahiwalay na trabahong tumatakbo sa ilalim. Isinusulat ng speech recognition ang mga salita; tinutukoy ng speaker diarization kung sino ang nagsalita at kailan, batay sa tunog ng bawat boses. Karamihan ng sistema ay nagbibigay ng isang nagsasalita sa bawat bahagi ng audio, kaya kapag dalawang tao ang sabay na nagsasalita, natatalo ang isa. Ang pagbabago sa boses ng isang tao (excited, pagod, mas malayo sa microphone) ay maaaring magmukha siyang bagong tao. Ipinapaliwanag nang detalyado ng Speaker diarization vs speech recognition ang dalawang trabaho.
Ayusin sa recording. Bigyan ang bawat tao ng sariling microphone. Mas malaki ang naitutulong ng iisang pagbabagong iyon sa maraming nagsasalita kaysa sa anumang setting. Sa panel o meeting na may mga tanong mula sa audience, hilingin sa moderator na ulitin ang bawat tanong sa sarili niyang microphone bago sagutin.
Ayusin sa transcript. Piliin ang setting ng speaker labels: When Needed (ang default) ay naglalagay ng label kapag may narinig nang pangalawang boses, On ay naglalagay sa bawat linya, Off ay walang nilalagyan. Pangalanan ang bawat nagsasalita habang o pagkatapos ng recording. Ang pangalan ay layer sa ibabaw ng mga salita, kaya hindi nito binabago ang teksto at nalalapat ito sa taong iyon sa bawat recording ng transcription. I-save ang nagsasalitang madalas mong i-record, at makikilala siya sa pangalan ng mga susunod na transcription. Ang linyang pinagsasama ang dalawang pangungusap ay maaaring hatiin sa dalawa: pindutin ang puwang kung saan magsisimula ang bagong linya.
Itsura nito. Ang "We deployed it on Kubernetes" ay nagiging "We deployed it on Cooper Netties". Ang "Ms Nguyen" ay nagiging "Miss Win". Ang pangalan ng gamot ay nagiging tatlong maiikling salitang Ingles. Maayos ang natitirang bahagi ng pangungusap.
Bakit ito nangyayari. Mga salitang kilala lang nito ang maisusulat ng isang sistema, at madalas na minsan lang lumilitaw ang isang pangalan, na walang nasa paligid na pagbabatayan ng hula. Kapag hindi pa nito nakikita ang salita, pipili ito ng mga karaniwang salitang pinakamalapit ang tunog. Ito ang pinakamahirap na kaso para sa tumpak na transcription ng teknikal na terminolohiya: walang pahiwatig ang pangungusap, kaya walang dami ng konteksto ang makaaayos nito.
Ayusin sa recording. Ibigay sa sistema ang mga salita bago ito sabihin ng nagsasalita. Sa VocalStack, ito ang Reference Script: idagdag ang script o mga slide ng live na talk, o listahan ng mga pangalan at termino, bago magsimula, at nananaig ang mga pangalan at termino mula rito laban sa maling narinig. Habang nagtatalumpati, sinusundan ng script ang transcript na parang teleprompter. Bawat salitang itinama ng script ay minarkahan ng SCRIPT sa mga ayos at maaaring i-undo kung iba talaga ang sinabi ng nagsasalita.
Ayusin sa transcript. Itama ang pangalan nang isang beses at suriin ang iba pa gamit ang search. Naaabot ng mga pagwawasto ang bawat nakikinig habang live ang transcription, sa bawat wikang binabasa nila, at nakalista at maaaring i-undo ang bawat pagwawasto. Kasama sa mga export (SRT, PDF, Excel, JSON) ang mga pagwawasto, kaya dala ng mga subtitle at dokumento ang naayos na baybay.
Itsura nito. Nagsisimula ang talk sa pagbati sa Spanish at nagpapatuloy sa English, at lumalabas ang English na parang Spanish na walang saysay. O may ilang linya sa gitna ng English na transcript na lumalabas sa kaugnay na wika. May mga sistemang, kapag nakatakda sa maling wika, nagsusulat ng magaspang na salin sa halip na ang sinabi.
Bakit ito nangyayari. Kapag walang pinangalanang wika, kailangang tukuyin ito ng sistema mula sa tunog, madalas mula sa unang ilang segundo. Maaaring ituro ito sa maling direksyon ng pagbati, sipi o matinding accent. Kapag nakapili na ito ng maling wika, sabay-sabay na mali ang bawat salita sa bahaging iyon.
Ayusin sa recording. Kung iisang wika ang recording, pangalanan ito. Iwanang naka-on ang detection kapag talagang dalawa o higit pang wika ang sinasalita, para ma-transcribe ang bawat bahagi sa sarili nitong wika; pipilitin ng pagpapangalan sa isa ang isa pa na sumunod dito. Sa live na transcription, maaaring palitan ang wika habang tumatakbo ito, at agad na nalalapat ang pagbabago.
Ayusin sa transcript. Hindi maaayos nang salita-por-salita ang linyang narinig sa maling wika, dahil walang tama rito. Maaaring muling i-transcribe ng VocalStack ang linya: piliin ang wikang talagang sinalita, at babasahin muli ang audio ng linya sa wikang iyon. Pinapalitan ng resulta ang linya bilang karaniwang pagwawasto, na may parehong undo gaya ng iba.
Itsura nito. Ang "The fees went up" ay nagiging "The thieves went up". Nagpapalitan ang "Free" at "three". Kumakalat ang mga error sa buong recording, at pinakamalala ito sa nagsasalitang nasa malayo sa tawag.
Bakit ito nangyayari. Marami sa mga tunog na nagpapaiba sa "f", "s" at "th" ay nasa mataas na bahagi ng frequency range. Walang dinadalang higit sa humigit-kumulang 3.4 kHz ang linya ng telepono, at madalas inililipat ng Bluetooth headset ang microphone nito sa call mode na mas makitid ang saklaw. Mas marami pang inaalis ang low-bitrate compression sa mga video call. Tumatanggap ang sistema ng audio na wala na ang mga tunog na iyon, at nanghuhula ito sa pagitan ng mga salitang magkapareho na ang tunog.
Ayusin sa recording. Gumamit ng wired na microphone, o headset na nananatili ang microphone sa full-quality mode. I-record ang bawat nagsasalitang nasa malayo sa kanyang panig kung kaya, sa halip na i-record ang tawag. Para sa event, kunin ang feed mula sa audio mixer sa halip na sa microphone ng laptop o telepono sa silid: isang cable mula sa mixer ang kailangan ng live setup ng VocalStack, at mas maraming silid ang nasasagap ng built-in na microphone ng telepono.
Ayusin sa transcript. Hindi na mababawi, ng makina man o ng tao, ang audio na hindi nakuha. Gamitin ang mga marka ng hindi tiyak na salita para hanapin ang mga nasirang bahagi, patugtugin ang linya para suriin, at itama ang naririnig mo. Kung walang makapagsasabi kung ano ang sinabi, mas tapat ang pagtatago ng linya kaysa sa hula.
Itsura nito. Ang "Fifteen" ay nagiging "fifty". Ang "One twenty" ay nagiging "120" kapag ang ibig sabihin ng nagsasalita ay isang dolyar at bente sentimos. Ang "The third of the fourth" ay lumalabas na petsang mali ang pagkakasunod. Isang salita ang bawat pagkakamali, at tama ang bawat ibang salita sa pangungusap.
Bakit ito nangyayari. Pangunahing magkaiba ang "fifteen" at "fifty" sa pantig na may diin, at iyon ang unang nawawala dahil sa ingay o mabilis na nagsasalita. Wala rin sa binibigkas na mga numero ang kailangan ng mga isinulat: mga unit, decimal point, pagkakasunod ng araw at buwan. Kailangang hulaan ng sistema ang format, at ang hula nito ay ang pinakakaraniwan, hindi ang sa iyo.
Ayusin sa recording. Hilingin sa mga nagsasalita na sabihin nang buo ang mga numero, kasama ang unit: "one dollar twenty", "the fifteenth of March". Para sa inihandang talk, ilagay ang mga numero sa script.
Ayusin sa transcript. Suriin sa pandinig ang bawat mahalagang numero bago sipiin, ipadala o i-publish ang transcript. Mukhang tama ang maling numero, kaya walang nagbababala sa iyo sa pahina. Ipinapaliwanag ng Ano ang sinusukat ng word error rate, at ano ang hindi nito nakikita kung bakit mas malaki ang gastos ng iisang maling numero kaysa sa bahagi nito sa error rate.
Kapag maraming problema ang transcript, ayusin ang mga ito sa pagkakasunod na ito, para walang ayos na mabubura ng susunod:
Pagkatapos, gawing mas madali ang susunod na recording: isang microphone bawat nagsasalita, pinangalanang wika, at script na may mga pangalan. Karamihan ng mga error sa audio transcription ay napagpapasyahan bago pa may pumindot ng record.
Para sa pagdinig sa korte, medical consultation o anumang may kahihinatnan ang isang maling salita, ipasuri sa tao ang transcript bago gamitin, anuman ang sistemang gumawa nito. Para makita kung anong mga error ang nalilikha ng sarili mong audio, subukan ang isang recording sa Dashboard.