Погано розпізнаний транскрипт зазвичай має одну-дві причини, і помилки на сторінці підказують, які саме. Сім поширених причин помилок транскрибування аудіо: як виглядає кожна, чому виникає і як її виправити в записі та в транскрипті.
Помилки транскрибування аудіо рідко бувають випадковими. Транскрипт, який перетворює «Kubernetes» на «Cooper Netties», ставить слова двох людей під одне ім’я або пише «fifty» там, де мовець сказав «fifteen», показує вам, що пішло не так. Кожна причина лишає свій тип помилки, і до кожної є своє виправлення. Одні виправлення стосуються наступного запису, інші транскрипту, який у вас уже є.
Цей посібник виходить від помилки. Знайдіть у списку нижче ту, що відповідає вашому транскрипту, і перейдіть до її розділу: як виглядає помилка, чому вона виникає простими словами і що з нею робити.
Більшість проблем із транскрибуванням належать до семи шаблонів. Зіставте симптом із причиною:
Дві причини часто накладаються. Віддалений гість у гарнітурі в галасливому кафе, який говорить з акцентом, дасть три типи помилок одночасно. Спершу виправляйте причину, що зачіпає найбільше рядків: зазвичай це звук, потім мова, потім слова.
Як це виглядає. У записі, зробленому в кафе, «Let's move the launch to March» повертається як «Let's move the lunch to March». Слово під стукіт дверей зникає. Над довгою тишею, де гуде кондиціонер, з’являється рядок, якого ніхто не казав, наприклад «Thank you for watching.»
Чому це відбувається. Розпізнавання мовлення вгадує найімовірніші слова для звуку, який отримує. Шум спершу накриває тихі частини мовлення: закінчення слів і короткі слова між ними. Коли справжнього сигналу менше, здогад більше спирається на те, що зазвичай іде далі, а «lunch» поширеніше слово, ніж «launch». Над рівним шумом без жодного мовлення деякі системи все одно видають готову фразу, бо їх навчили щось писати щоразу, коли чути звук.
Виправлення в записі. Підсуньте мікрофон ближче до мовця, а не підвищуйте його чутливість. Подвоєння відстані зменшує прямий звук мовця приблизно на 6 дБ, тоді як шум кімнати лишається таким самим, тож близькість важить більше за будь-яке налаштування. Якщо можете, вимкніть вентилятори й кондиціонер на час запису та записуйте в кімнаті з м’якими поверхнями, а не зі склом і плиткою.
Виправлення в транскрипті. У VocalStack для галасливих записів вкажіть мову мовлення замість автоматичного визначення. Про це каже й підказка на самій панелі керування: вказання мови покращує точність на галасливих записах і за сильного акценту. Для транскрибування наживо режим затримки Accuracy приймає трохи більшу затримку в обмін на менше помилок на складному аудіо. Рядки, у яких рушій найменш упевнений (нижче порога впевненості транскрибування, за замовчуванням 0.60), показуються слухачам як «Audio unclear» замість здогаду й ніколи не озвучуються. Рядок, що є чистим вимислом, можна сховати вручну: сховані рядки не потрапляють до транскрипту, експорту, субтитрів і плеєра.
Як це виглядає. «The data shows a thirty percent rise» стає «The data shows a dirty percent rise». Помилки слідують за одним мовцем крізь весь запис, а рядки всіх інших чисті.
Чому це відбувається. Система розпізнавання вчиться, як звучать слова, з мовлення, на якому її навчали. Коли мовець вимовляє звук інакше, ніж більшість цього мовлення, наприклад «th» як «d», система чує саме те, що було сказано, і вибирає справжнє слово, яке найкраще пасує до цього звуку. Автоматичне визначення мови може погіршити справу: сильний акцент може зсунути підказки до зовсім іншої мови (див. як працює автоматичне визначення мови).
Виправлення в записі. Для виступу наживо додайте еталонний скрипт (Reference Script) до початку (див. розділ про жаргон нижче), щоб слова, які мовець імовірно скаже, вже були відомі. Добрий мікрофон допомагає з будь-яким акцентом, бо до рушія доходить більше кожного звуку.
Виправлення в транскрипті. Вкажіть мову мовлення для цього запису. Потім скористайтеся вкладкою Fix: Mark uncertain words підсвічує й підкреслює слова, у яких рушій не був упевнений, а сумнівні сегменти можна проходити по одному замість перечитування всього. Де рушій розглядав інші слова, він пропонує їх як запропоновані виправлення, тож виправити «dirty» на «thirty» зазвичай один клік. Play just this word дає перевірити на слух перед зміною.
Як це виглядає. Один мовець питає «So we agree on Tuesday?», а інший перебиває: «No, Thursday works». Транскрипт показує один рядок під Speaker 1: «So we agree on Tuesday no Thursday works.» Або навпаки: одна людина, яка завелася в середині зустрічі, з’являється як Speaker 1 і Speaker 3.
Чому це відбувається. Під поверхнею працюють два окремі завдання. Розпізнавання мовлення пише слова; діаризація мовців вирішує, хто й коли говорив, за тим, як звучить кожен голос. Більшість систем дають кожній ділянці аудіо одного мовця, тож коли двоє говорять одночасно, один програє. Зміна голосу (збуджений, втомлений, далі від мікрофона) може зробити людину схожою на нову. Діаризація мовців проти розпізнавання мовлення докладно пояснює обидва завдання.
Виправлення в записі. Дайте кожному власний мікрофон. Ця одна зміна дає для кількох мовців більше за будь-яке налаштування. На панельній дискусії чи зустрічі з питаннями з залу попросіть модератора повторювати кожне питання у свій мікрофон, перш ніж на нього відповідають.
Виправлення в транскрипті. Виберіть налаштування міток мовців: When Needed (за замовчуванням) позначає рядки, щойно чути другий голос, On позначає кожен рядок, Off не позначає жодного. Назвіть кожного мовця під час запису або після нього. Ім’я є шаром над словами, тож воно ніколи не змінює текст і застосовується до цієї людини в усіх записах транскрибування. Збережіть мовця, якого записуєте часто, і наступні транскрипції впізнають його за іменем. Рядок, у якому злипаються два речення, можна розділити надвоє: торкніться проміжку, де починається новий рядок.
Як це виглядає. «We deployed it on Kubernetes» стає «We deployed it on Cooper Netties». «Ms Nguyen» стає «Miss Win». Назва ліків перетворюється на три короткі англійські слова. Решта речення в порядку.
Чому це відбувається. Система може писати лише слова, які знає, а ім’я часто трапляється один раз, без оточення, з якого його можна передбачити. Коли вона ніколи не бачила слова, вона вибирає звичайні слова, що звучать найближче. Це найважчий випадок для точного транскрибування технічної термінології: речення не дає підказки, тож жоден контекст цього не виправить.
Виправлення в записі. Дайте системі слова до того, як мовець їх скаже. У VocalStack це еталонний скрипт (Reference Script): додайте до початку сценарій чи слайди виступу наживо або список імен і термінів, і імена та терміни з нього переважать над тим, що почули неправильно. Під час виступу скрипт іде за транскриптом, як телесуфлер. Кожне слово, яке скрипт виправив, позначене серед виправлень як SCRIPT і його можна скасувати, якщо мовець справді сказав щось інше.
Виправлення в транскрипті. Виправте ім’я один раз і перевірте решту пошуком. Виправлення доходять до всіх слухачів, поки транскрибування триває наживо, в кожній мові, якою вони читають, і кожне виправлення внесене до списку й може бути скасоване. Експорти (SRT, PDF, Excel, JSON) містять виправлення, тож субтитри й документи несуть виправлений правопис.
Як це виглядає. Виступ починається з іспанського привітання й триває англійською, і англійська виходить як нісенітниця, схожа на іспанську. Або кілька рядків посеред англійського транскрипту з’являються спорідненою мовою. Деякі системи, налаштовані на неправильну мову, пишуть приблизний переклад замість сказаного.
Чому це відбувається. Коли мову не вказано, система має визначити її за звуком, часто за перші кілька секунд. Привітання, цитата чи сильний акцент можуть направити її хибно. Щойно вона вибрала неправильну мову, кожне слово на цій ділянці хибне разом.
Виправлення в записі. Якщо запис одномовний, вкажіть мову. Залиште визначення ввімкненим, коли справді звучать дві чи більше мов, щоб кожна частина транскрибувалася власною мовою; вказання однієї змусило б іншу вміститися в неї. У транскрибуванні наживо мову можна змінити під час роботи, і зміна діє одразу.
Виправлення в транскрипті. Рядок, почутий не тією мовою, не виправити по слову, бо в ньому немає нічого правильного. VocalStack може транскрибувати рядок знову: виберіть мову, якою його справді сказано, і аудіо рядка буде прочитане знову цією мовою. Результат замінює рядок як звичайне виправлення з таким самим скасуванням, як у будь-якого іншого.
Як це виглядає. «The fees went up» стає «The thieves went up». «Free» і «three» міняються місцями. Помилки розповсюджуються на весь запис і найгірші для віддаленого мовця під час дзвінка.
Чому це відбувається. Багато звуків, що відрізняють «f», «s» і «th», лежать у високій частині діапазону частот. Телефонна лінія не передає нічого вище приблизно 3.4 kHz, а Bluetooth-гарнітура часто перемикає мікрофон у режим дзвінка з набагато вужчим діапазоном. Стиснення з низьким бітрейтом у відеодзвінках прибирає ще більше. Система отримує аудіо, в якому цих звуків уже немає, і вгадує між словами, що тепер звучать однаково.
Виправлення в записі. Користуйтеся дротовим мікрофоном або гарнітурою, мікрофон якої лишається в режимі повної якості. Якщо можете, записуйте кожного віддаленого мовця з його боку, а не записуйте сам дзвінок. Для події беріть сигнал із мікшерного пульта, а не з мікрофона ноутбука чи телефона в залі: налаштування наживо у VocalStack бере один кабель із пульта, а вбудований мікрофон телефона вловлює більше залу.
Виправлення в транскрипті. Аудіо, яке ніколи не було захоплене, не відновити, ні машині, ні людині. Скористайтеся позначками сумнівних слів, щоб знайти пошкоджені ділянки, відтворіть рядок для перевірки й виправте те, що чуєте. Де ніхто не може сказати, що було сказано, чесніше сховати рядок, ніж лишити здогад.
Як це виглядає. «Fifteen» стає «fifty». «One twenty» стає «120», коли мовець мав на увазі один долар двадцять. «The third of the fourth» виходить датою в неправильному порядку. Кожна помилка це одне слово, а всі інші слова в реченні правильні.
Чому це відбувається. «Fifteen» і «fifty» відрізняються переважно тим, який склад наголошений, і ця різниця втрачається першою від шуму чи швидкого мовця. Вимовлені числа також опускають те, що потрібне письмовим: одиниці, десяткові роздільники, порядок дня й місяця. Система мусить вгадати формат, і її здогад найпоширеніший, а не ваш.
Виправлення в записі. Просіть мовців називати цифри повністю, з одиницею: «one dollar twenty», «the fifteenth of March». У підготовленому виступі внесіть цифри до скрипту.
Виправлення в транскрипті. Перевіряйте на слух кожну важливу цифру, перш ніж транскрипт цитують, надсилають чи публікують. Неправильне число читається так само, як правильне, тож ніщо на сторінці вас не попередить. Що вимірює частота помилок у словах і що вона пропускає пояснює, чому одна хибна цифра коштує більше, ніж її частка в частоті помилок.
Коли в транскрипті багато проблем, виправляйте їх у такому порядку, щоб жодне виправлення не було скасоване наступним:
Потім полегшіть наступний запис: мікрофон на мовця, вказана мова й скрипт з іменами. Більшість помилок транскрибування аудіо вирішується до того, як хтось натисне запис.
Для судового слухання, медичної консультації чи будь-чого, де одне хибне слово має наслідки, нехай людина перевірить транскрипт, перш ніж його використають, яка б система його не створила. Щоб побачити, які з цих помилок дає ваше власне аудіо, спробуйте запис на панелі керування.