Một bản phiên âm tệ thường chỉ có một hoặc hai nguyên nhân, và chính các lỗi trên trang cho bạn biết đó là gì. Bảy nguyên nhân phổ biến gây lỗi phiên âm âm thanh: mỗi loại trông thế nào, vì sao xảy ra, và cách sửa ngay trong bản ghi lẫn trong bản phiên âm.
Lỗi phiên âm âm thanh hiếm khi là ngẫu nhiên. Một bản phiên âm biến "Kubernetes" thành "Cooper Netties", xếp lời của hai người dưới một tên, hay viết "fifty" ở chỗ người nói đã nói "fifteen" đang cho bạn thấy điều gì đã trục trặc. Mỗi nguyên nhân để lại một kiểu lỗi riêng, và mỗi kiểu có cách sửa riêng. Một số cách sửa thuộc về lần ghi âm tới, một số thuộc về bản phiên âm bạn đang có.
Hướng dẫn này bắt đầu từ chính lỗi. Hãy tìm trong danh sách dưới đây lỗi khớp với bản phiên âm của bạn, rồi chuyển đến phần của nó: lỗi trông ra sao, vì sao xảy ra theo cách dễ hiểu, và nên làm gì.
Phần lớn vấn đề phiên âm rơi vào bảy dạng. Hãy ghép triệu chứng với nguyên nhân:
Hai nguyên nhân thường chồng lên nhau. Một khách mời từ xa dùng tai nghe trong quán cà phê ồn ào, nói giọng vùng miền, sẽ gây ra cả ba loại lỗi cùng lúc. Hãy sửa nguyên nhân ảnh hưởng đến nhiều dòng nhất trước: thường là âm thanh, rồi đến ngôn ngữ, rồi đến từ ngữ.
Trông như thế nào. Trong bản ghi quay ở quán cà phê, "Let's move the launch to March" trở về thành "Let's move the lunch to March". Một từ nằm dưới tiếng cửa đóng sầm biến mất. Trong một quãng im lặng dài chỉ có tiếng máy lạnh ù ù, xuất hiện một dòng không ai nói, chẳng hạn "Thank you for watching."
Vì sao xảy ra. Nhận dạng giọng nói đoán những từ có khả năng nhất cho âm thanh nó nhận được. Tiếng ồn che phần nhỏ nhẹ của lời nói trước: phần cuối từ và những từ ngắn nằm giữa. Khi tín hiệu thật ít đi, phép đoán dựa nhiều hơn vào thứ thường theo sau, và "lunch" là từ phổ biến hơn "launch". Trên nền tiếng ồn đều đặn mà không có lời nói nào, một số hệ thống vẫn tạo ra một cụm câu quen thuộc, vì chúng được huấn luyện để viết ra thứ gì đó mỗi khi nghe thấy âm thanh.
Sửa trong bản ghi. Hãy đưa micro lại gần người nói thay vì tăng âm lượng. Khoảng cách tăng gấp đôi làm giảm âm trực tiếp của người nói khoảng 6 dB trong khi tiếng ồn của căn phòng vẫn như cũ, nên độ gần quan trọng hơn mọi cài đặt. Hãy tắt quạt và máy lạnh khi ghi âm nếu có thể, và ghi trong phòng có bề mặt mềm thay vì kính và gạch men.
Sửa trong bản phiên âm. Trong VocalStack, với bản ghi ồn hãy chỉ định ngôn ngữ nói thay vì để tự động nhận diện. Chính ghi chú trong Bảng điều khiển cũng nói vậy: chỉ định ngôn ngữ giúp tăng độ chính xác trên bản ghi ồn và giọng nặng. Với phiên âm trực tiếp, chế độ độ trễ Accuracy chấp nhận chậm hơn một chút để đổi lấy ít lỗi hơn trên âm thanh khó. Những dòng mà công cụ kém chắc chắn nhất (dưới ngưỡng tin cậy của bản phiên âm, mặc định 0.60) được hiển thị cho người nghe là "Audio unclear" thay vì một phép đoán, và không bao giờ được đọc thành tiếng. Một dòng hoàn toàn do bịa ra có thể được ẩn thủ công: các dòng bị ẩn bị loại khỏi bản phiên âm, các tệp xuất, phụ đề và trình phát.
Trông như thế nào. "The data shows a thirty percent rise" trở thành "The data shows a dirty percent rise". Các lỗi bám theo một người nói suốt bản ghi, trong khi dòng của những người khác sạch sẽ.
Vì sao xảy ra. Hệ thống nhận dạng học cách các từ phát ra âm thanh từ lời nói mà nó được huấn luyện. Khi một người nói phát âm một âm khác với phần lớn lời nói đó, chẳng hạn "th" được nói thành "d", hệ thống nghe đúng những gì đã nói và chọn từ thật khớp nhất với âm đó. Tự động nhận diện ngôn ngữ có thể làm tệ hơn: giọng nặng có thể đẩy các dấu hiệu sang hẳn một ngôn ngữ khác (xem cách nhận diện ngôn ngữ tự động hoạt động).
Sửa trong bản ghi. Với bài nói trực tiếp, hãy thêm Reference Script trước khi bắt đầu (xem phần thuật ngữ bên dưới), để những từ người nói có thể sẽ nói đã được biết trước. Micro tốt giúp ích cho mọi giọng, vì nhiều phần hơn của mỗi âm đến được công cụ.
Sửa trong bản phiên âm. Hãy chỉ định ngôn ngữ nói cho bản ghi đó. Rồi dùng tab Fix: Mark uncertain words tô màu và gạch chân những từ mà công cụ chưa chắc, và bạn có thể lần lượt duyệt từng đoạn chưa chắc thay vì đọc lại toàn bộ. Khi công cụ từng cân nhắc các từ khác, nó đưa chúng ra làm gợi ý sửa, nên sửa "dirty" thành "thirty" thường chỉ cần một cú nhấp. Play just this word cho phép bạn nghe để kiểm tra trước khi đổi.
Trông như thế nào. Một người hỏi "So we agree on Tuesday?" trong khi người khác chen vào "No, Thursday works". Bản phiên âm hiển thị một dòng duy nhất dưới Speaker 1: "So we agree on Tuesday no Thursday works." Hoặc ngược lại: một người bị kích động giữa buổi họp xuất hiện thành Speaker 1 và Speaker 3.
Vì sao xảy ra. Bên dưới có hai việc riêng biệt đang chạy. Nhận dạng giọng nói viết ra các từ; phân tách người nói quyết định ai nói khi nào, dựa vào cách mỗi giọng vang lên. Hầu hết hệ thống gán một người nói cho mỗi đoạn âm thanh, nên khi hai người nói cùng lúc, một người sẽ bị thiệt. Sự thay đổi trong giọng của ai đó (phấn khích, mệt mỏi, xa micro hơn) có thể khiến họ trông như một người mới. Phân tách người nói so với nhận dạng giọng nói giải thích chi tiết cả hai việc.
Sửa trong bản ghi. Hãy cho mỗi người một micro riêng. Chỉ thay đổi này thôi đã giúp nhiều người nói hơn bất kỳ cài đặt nào. Ở buổi tọa đàm hoặc cuộc họp có câu hỏi từ khán giả, hãy nhờ người điều phối nhắc lại từng câu hỏi vào micro của mình trước khi câu hỏi được trả lời.
Sửa trong bản phiên âm. Chọn cài đặt nhãn người nói: When Needed (mặc định) gắn nhãn dòng khi nghe thấy giọng thứ hai, On gắn nhãn mọi dòng, Off không gắn nhãn dòng nào. Hãy đặt tên cho từng người nói trong hoặc sau khi ghi âm. Tên là một lớp phủ lên các từ, nên không bao giờ thay đổi văn bản, và áp dụng cho người đó trong mọi bản ghi của phiên âm. Hãy lưu người nói mà bạn thường ghi âm, và các phiên âm sau đó sẽ nhận ra họ theo tên. Một dòng gộp hai câu có thể được tách làm đôi: nhấn vào khoảng trống nơi dòng mới bắt đầu.
Trông như thế nào. "We deployed it on Kubernetes" thành "We deployed it on Cooper Netties". "Ms Nguyen" thành "Miss Win". Tên một loại thuốc biến thành ba từ tiếng Anh ngắn. Phần còn lại của câu vẫn ổn.
Vì sao xảy ra. Hệ thống chỉ có thể viết những từ nó biết, và một cái tên thường chỉ xuất hiện một lần, chẳng có gì xung quanh để dự đoán nó. Khi chưa từng thấy từ đó, nó chọn những từ thông thường nghe gần nhất. Đây là trường hợp khó nhất để phiên âm chính xác thuật ngữ chuyên môn: câu không đưa ra manh mối nào, nên không lượng ngữ cảnh nào sửa được.
Sửa trong bản ghi. Hãy đưa các từ cho hệ thống trước khi người nói nói ra. Trong VocalStack đó là Reference Script: thêm kịch bản hoặc bài trình chiếu của buổi nói trực tiếp, hoặc danh sách tên và thuật ngữ, trước khi bắt đầu, và các tên cùng thuật ngữ trong đó sẽ thắng thứ bị nghe nhầm. Trong buổi nói, kịch bản bám theo bản phiên âm như máy nhắc chữ. Mỗi từ mà kịch bản đã sửa được đánh dấu SCRIPT trong số các lần sửa và có thể hoàn tác nếu người nói thực sự đã nói điều khác.
Sửa trong bản phiên âm. Hãy sửa tên một lần rồi kiểm tra những chỗ còn lại bằng tìm kiếm. Các lần sửa đến mọi người nghe trong khi phiên âm đang trực tiếp, bằng mọi ngôn ngữ họ đang đọc, và mỗi lần sửa đều được liệt kê và có thể hoàn tác. Các tệp xuất (SRT, PDF, Excel, JSON) bao gồm các lần sửa, nên phụ đề và tài liệu mang chính tả đã được sửa.
Trông như thế nào. Một bài nói mở đầu bằng lời chào tiếng Tây Ban Nha rồi tiếp tục bằng tiếng Anh, và phần tiếng Anh ra thành chuỗi vô nghĩa trông như tiếng Tây Ban Nha. Hoặc vài dòng giữa bản phiên âm tiếng Anh hiện ra bằng một ngôn ngữ họ hàng. Một số hệ thống, khi được đặt sai ngôn ngữ, viết ra một bản dịch sơ sài thay vì điều đã được nói.
Vì sao xảy ra. Khi không chỉ định ngôn ngữ, hệ thống phải phát hiện từ âm thanh, thường từ vài giây đầu. Một lời chào, một đoạn trích dẫn hay giọng nặng có thể dẫn nó đi sai hướng. Một khi đã chọn nhầm ngôn ngữ, mọi từ trong đoạn đó sai cùng nhau.
Sửa trong bản ghi. Nếu bản ghi chỉ có một ngôn ngữ, hãy chỉ định nó. Hãy để bật tính năng phát hiện khi thực sự có hai ngôn ngữ trở lên được nói, để mỗi phần được phiên âm bằng ngôn ngữ riêng; chỉ định một thứ tiếng sẽ ép phần kia vào nó. Với phiên âm trực tiếp, ngôn ngữ có thể được đổi khi đang chạy, và thay đổi có hiệu lực ngay.
Sửa trong bản phiên âm. Một dòng bị nghe thành sai ngôn ngữ không thể sửa từng từ, vì không có gì trong đó đúng. VocalStack có thể phiên âm lại dòng đó: hãy chọn ngôn ngữ thực sự được nói, và âm thanh của dòng sẽ được đọc lại bằng ngôn ngữ ấy. Kết quả thay thế dòng như một lần sửa thông thường, với cách hoàn tác giống mọi lần sửa khác.
Trông như thế nào. "The fees went up" thành "The thieves went up". "Free" và "three" bị đổi chỗ. Lỗi lan ra suốt bản ghi, và tệ nhất ở người nói từ xa trong cuộc gọi.
Vì sao xảy ra. Nhiều âm giúp phân biệt "f", "s" và "th" nằm ở vùng tần số cao. Đường dây điện thoại không truyền gì trên khoảng 3.4 kHz, và tai nghe Bluetooth thường chuyển micro của nó sang chế độ gọi với dải hẹp hơn nhiều. Nén tốc độ bit thấp trong cuộc gọi video còn loại bỏ nhiều hơn nữa. Hệ thống nhận được âm thanh mà những âm ấy đã mất, và nó đoán giữa các từ giờ nghe giống hệt nhau.
Sửa trong bản ghi. Hãy dùng micro có dây, hoặc tai nghe có micro vẫn ở chế độ chất lượng đầy đủ. Nếu có thể, hãy ghi âm từng người nói từ xa ở phía của họ thay vì ghi cuộc gọi. Với sự kiện, hãy lấy nguồn từ bàn trộn âm thanh thay vì micro máy tính xách tay hay điện thoại trong phòng: thiết lập trực tiếp của VocalStack nhận một dây từ bàn trộn, còn micro tích hợp của điện thoại thu nhiều âm của căn phòng hơn.
Sửa trong bản phiên âm. Âm thanh chưa bao giờ được ghi lại thì không thể khôi phục, bởi máy hay bởi người. Hãy dùng dấu từ chưa chắc để tìm các đoạn bị hỏng, phát dòng đó để kiểm tra, và sửa những gì bạn nghe được. Khi không ai biết được điều gì đã nói, ẩn dòng đó trung thực hơn là để lại một phép đoán.
Trông như thế nào. "Fifteen" thành "fifty". "One twenty" thành "120" trong khi người nói muốn nói một đô la hai mươi xu. "The third of the fourth" ra thành một ngày sai thứ tự. Mỗi lỗi chỉ là một từ, còn mọi từ khác trong câu đều đúng.
Vì sao xảy ra. "Fifteen" và "fifty" khác nhau chủ yếu ở âm tiết nào được nhấn, và sự khác biệt đó là thứ đầu tiên bị mất vì tiếng ồn hoặc người nói nhanh. Số được nói ra cũng thiếu những gì số được viết cần: đơn vị, dấu thập phân, thứ tự ngày và tháng. Hệ thống phải đoán định dạng, và phép đoán của nó là dạng phổ biến nhất, không phải dạng bạn có trong đầu.
Sửa trong bản ghi. Hãy nhờ người nói đọc số đầy đủ, kèm đơn vị: "one dollar twenty", "the fifteenth of March". Với bài nói đã chuẩn bị, hãy đưa các con số vào kịch bản.
Sửa trong bản phiên âm. Hãy nghe kiểm tra mọi con số quan trọng trước khi bản phiên âm được trích dẫn, gửi đi hay công bố. Một con số sai đọc lên giống như con số đúng, nên không có gì trên trang cảnh báo bạn. WER đo lường điều gì và bỏ sót điều gì giải thích vì sao một con số sai tốn kém hơn phần của nó trong tỷ lệ lỗi.
Khi bản phiên âm có nhiều vấn đề, hãy sửa theo thứ tự này, để không lần sửa nào bị lần sau hoàn tác:
Sau đó hãy làm cho lần ghi âm tiếp theo dễ hơn: một micro cho mỗi người nói, ngôn ngữ được chỉ định, và một kịch bản có các tên trong đó. Phần lớn lỗi phiên âm âm thanh được quyết định trước khi ai đó bấm ghi âm.
Với phiên điều trần, buổi khám bệnh hoặc bất cứ việc gì mà một từ sai gây hậu quả, hãy nhờ một người kiểm tra bản phiên âm trước khi dùng, dù hệ thống nào đã tạo ra nó. Để xem âm thanh của riêng bạn gây ra những lỗi nào trong số này, hãy thử một bản ghi trong Bảng điều khiển.