Klank na teks transkribeer: gratis metodes en wenke

'n Transkripsie-enjin hoor nooit woorde soos jy nie. Dit sny die golfvorm in oorvleuelende rame van ongeveer 25 millisekondes en maak van elke stukkie 'n spektrogram, 'n kaart van watter frekwensies op daardie oomblik hard is. Die akoestiese model kyk na daardie kaart en skat watter spraakklanke teenwoordig is: die sisklank van 'n s, die knal van 'n t, die vokaalvorme wat ship van sheep onderskei. Op sy eie lewer dit 'n stroom waarskynlike klanke, nie leesbare teks nie.

Die taalmodel herstel baie hiervan. Dit weet watter woordreekse in werklike sinne waarskynlik is, so wanneer die klanke recognize speech of wreck a nice beach kan wees, laat die konteks die weegskaal oorhel. Ouer stelsels het hierdie twee dele apart gehou en op beperkte, noukeurig voorgelese materiaal afgerig, daarom het dikteersagteware van die 2010's oor aksente en informele praat gestruikel.

In September 2022 het OpenAI Whisper vrygestel, 'n oop model wat op ongeveer 680 000 uur se meertalige klank van die web afgerig is. Dit voeg die akoestiese en taaldele in een netwerk saam wat 30-sekonde-vensters lees en direk teks met leestekens skryf. Modelle van hierdie soort het spraak met aksente, gemengde woordeskat en slordige werklike opnames baie bruikbaarder gemaak, en die meeste gratis transkripsiedienste vandag, insluitend blaaiergereedskap, gebruik iets soortgelyks. Hulle raai steeds, en wanneer die klank onduidelik is, raai hulle vlot, wat hul foute moeiliker om raak te sien maak.

Akkuraatheid word gewoonlik as woordfoutkoers gemeet: die deel van woorde wat verruil, weggelaat of bygevoeg is in vergelyking met 'n noukeurige menslike transkrip. 'n Foutkoers van 5% beteken een fout elke twintig woorde, wat klein klink totdat jy sien dat die foute saamdrom op die woorde wat saak maak, soos 'n van, 'n produkkode of 'n syfer in 'n begrotingsgesprek.

Die faktore hieronder is rofweg gelys in die volgorde waarin hulle skade doen. Let op dat byna almal besluit word wanneer die opname gemaak word, nie wanneer dit getranskribeer word nie. Om 'n foon van die middel van 'n tafel tot binne armlengte van die spreker te skuif, doen dikwels meer as enige instelling wat jy daarna kan verander.

Die meeste opnames kan presies soos hulle is ingaan. Voorbereiding loon in drie gevalle: die lêer is te lank of te groot, die spraak is onder stilte of musiek begrawe, of die vlak is so laag dat jy die volume heeltemal moet opdraai om dit te hoor. 'n Lang stil stuk aan die begin is meer as vermorste tyd, want outo-opsporing bepaal die taal uit die eerste 30 sekondes en kan na kamergeraas of 'n inleidingswysie raai. Om die opname tot die deel met spraak te sny, of Begin by te stel om dit oor te slaan, voorkom dit.

Formaatomskakeling is selde nodig. iPhone Voice Memos is M4A (AAC-klank), Android-opnemers lewer M4A, AAC of 3GP, en oproepopnemers lewer dikwels AMR; almal kan direk opgelaai word. Om 'n saamgeperste lêer na WAV om te skakel herstel nie detail wat tydens opname weggegooi is nie, soos die vergelyking in ons gids oor MP3, WAV, FLAC en AAC verduidelik, so skakel net om wanneer 'n gereedskap die formaat weier. Verdeel 'n opname van etlike ure by natuurlike breekpunte soos 'n koffiepouse of 'n onderwerpwisseling, sodat elke deel onder die oplaaigrens bly en makliker is om na te lees.

Kies die uitvoer volgens wat daarna gebeur. As jy die transkrip gaan lees, aanhaal of deursoek, is gewone teks of Word reg; Word hou paragrawe, tydstempels en sprekeretikette gereed vir redigering, en PDF is vir 'n vaste kopie wat niemand moet verander nie. As die woorde oor 'n video op die skerm verskyn, het jy 'n onderskriflêer nodig: SRT of VTT breek die spraak in kort segmente, elk met 'n begin- en eindtyd, en die reëllengte bepaal hoeveel op die skerm pas. Tweeënveertig karakters per reël is die algemene uitsaaistandaard.

SRT en VTT dra dieselfde inligting met klein verskille. SRT, van die ou SubRip-program, nommer elke segment en skryf tye met 'n komma (00:01:15,000). WebVTT is die W3C-formaat vir HTML5-video; dit begin met 'n WEBVTT-opskrif, gebruik 'n punt in die tye en laat stilering en posisionering toe. YouTube, Vimeo, Premiere Pro en DaVinci Resolve aanvaar albei. JSON met tydsaanduidings per woord is vir ontwikkelaars wat soektogte, karaoke-agtige uitlig of hul eie onderskrifuitleg bou.

Voordat jy iets oplaai, kyk wat jou eie toestelle reeds doen. Apple het in iOS 18 transkripte by die Voice Memos-app gevoeg, so 'n opname op 'n onlangse iPhone kan sy teks reg in die app wys. Google se Recorder-app op Pixel-fone transkribeer sedert 2019 tydens opname, heeltemal op die toestel, en kan sprekers uitmekaar ken. In Microsoft 365 het Word vir die web 'n Transkribeer-opdrag langs Dikteer wat opgelaaide MP3-, M4A-, WAV- en MP4-lêers aanvaar, met 'n maandelikse toelae oplaai-minute. Google Docs Stemtik (onder Tools, in Chrome) luister net na 'n lewendige mikrofoon; dit kan nie 'n bestaande lêer lees nie.

Vergaderplatforms is 'n ander bron. Zoom, Microsoft Teams en Google Meet kan 'n transkrip van 'n oproep lewer wanneer transkripsie aangeskakel is en jou plan of organisasie dit toelaat, en assistente soos Otter.ai sluit by vergaderings aan om notas te neem. Dit is gerieflik vir oproepe wat jy aanbied, maar elkeen werk net binne sy eie app, het almal se toestemming nodig om op te neem, en voer in sy eie formate uit. Vir 'n lêer wat jy reeds het, soos 'n ou onderhoud, 'n lesingopname of 'n stemnota wat iemand anders aangestuur het, is 'n lêergebaseerde transkribeerder gewoonlik die eenvoudiger roete.

'n Blaaiergereedskap dek wat die ingeboude opsies uitlaat: enige lêer van enige toestel, onderskrifuitvoere en tale wat jou foon nie ondersteun nie. Op die klank-na-teks-omskakelaar voeg jy die lêer by, laat Gesproke taal op outo-opsporing of kies die taal self, kies 'n Uitvoer, en skakel Tydstempels of Sprekeretikette aan as jy dit nodig het. Stemmemo's van 'n iPhone het hul eie M4A na teks-bladsy, en podcast- of opnemerlêers het MP3 na teks; albei gebruik dieselfde enjin. Elke lêer mag tot 95 MB wees, ongeveer 'n uur en 'n half se 128 kbps MP3. Vir iets langer, gebruik Begin by en Eindig by om in dele te transkribeer, of sny die opname eers.

Stel eerlike verwagtinge. 'n Enkele spreker op 'n redelike mikrofoon in 'n stil kamer kom gewoonlik 90–95% korrek of beter uit, dikwels goed genoeg om na 'n ligte redigering te publiseer. 'n Foon op 'n tafel in 'n besige restaurant, 'n konferensie-oproep met onderbrekings, of 'n paneel waar mense mekaar onderbreek, kan baie laer val, met hele sinne wat ontbreek. Sprekeretikette is betroubaar wanneer stemme duidelik verskil en mense beurte neem, en hulle verwar twee eenderse stemme meer as wat jy sou verwag.

Lees na met die klank oop, nie net uit die teks nie, want moderne modelle skryf grammatikale sinne selfs wanneer hulle verkeerd is. Kontroleer elke eienaam, want 'n model kan nie weet dat jou kollega dit Caitlin of Katelyn spel nie. Kontroleer elke getal: vyftien en vyftig, datums, pryse en persentasies word maklik verkeerd gehoor. Kyk uit vir homofone soos their/there, affect/effect en complement/compliment, en vir selfversekerde opvulling waar die klank onduidelik was. Tydstempels maak dit vinnig, want jy kan na die presiese oomblik spring waarop 'n twyfelagtige reël gesê is.

'n Opname dra dikwels meer persoonlike inligting as 'n dokument: stemme, name, gesondheidsbesonderhede, salarissyfers. Voordat jy oplaai, weet waarheen die lêer gaan en hoe lank dit bly. By UltKit word oplaaie op die bediener verwerk en 30 minute ná verwerking outomaties uitgevee; daar is geen rekening nie, so niks is aan jou naam gekoppel nie. Pixel Recorder werk vanlyn, so die klank verlaat nooit die foon nie. Vir enigiets wat deur 'n vertroulikheidsooreenkoms of mediese of regsprivilegie gedek word, kyk eers na jou organisasie se beleid; sommige vereis goedgekeurde, gekontrakteerde dienste.

Taalondersteuning is breed maar ongelyk. Die transkribeerder dek 33 tale, onder meer Engels, Spaans, Frans, Duits, Portugees, Arabies, Hindi, Japannees, Koreaans, Chinees en Oekraïens, en die beste resultate kom in die tale met die meeste afrigtingsdata. Outo-opsporing kies een taal per lêer. As 'n vergadering tussen twee tale wissel, transkribeer elke stuk apart met die taal met die hand gestel. Die transkrip word altyd in die gesproke taal geskryf; vertaling is 'n aparte stap wat jy daarna op die teks doen.

Die meeste mislukte transkripte kom neer op 'n handvol oorsake, en die regstelling is gewoonlik in die lêer of een instelling eerder as om 'n ander diens te probeer. As die klank self te swak is vir jou om gemaklik te volg, sal die masjien ewe veel sukkel, en 'n kort handmatige transkrip van die sleutelgedeeltes kan vinniger wees as om 'n lang outomatiese een reg te stel.