Səsi mətnə çevirmək: pulsuz üsullar və dəqiqlik

Mətnə çevirmə mühərriki sözləri sizin kimi eşitmir. O, dalğa formasını təxminən 25 millisaniyəlik üst-üstə düşən kadrlara bölür və hər dilimi spektroqrama çevirir; bu, həmin anda hansı tezliklərin güclü olduğunu göstərən xəritədir. Akustik model bu xəritəyə baxıb hansı nitq səslərinin olduğunu təxmin edir: s-in fısıltısı, t-nin partlayışı, ship ilə sheep-i ayıran sait formaları. Tək başına bu, oxunaqlı mətn yox, ehtimal olunan səslər axını verir.

Dil modeli bunun çox hissəsini düzəldir. O, real cümlələrdə hansı söz ardıcıllıqlarının ehtimal olunduğunu bilir, ona görə səslər recognize speech və ya wreck a nice beach ola bilərsə, kontekst həll edir. Köhnə sistemlər bu iki hissəni ayrı saxlayır və məhdud, diqqətlə oxunmuş materialla öyrədirdi; buna görə də 2010-cu illərin diktə proqramları ləhcələrdə və danışıq dilində büdrəyirdi.

2022-ci ilin sentyabrında OpenAI veb-dən toplanmış təxminən 680 000 saatlıq çoxdilli səslə öyrədilmiş açıq model olan Whisper-i təqdim etdi. O, akustik və dil hissələrini bir şəbəkədə birləşdirir, 30 saniyəlik pəncərələri oxuyur və durğu işarələri ilə mətni birbaşa yazır. Bu ailədən olan modellər ləhcəli nitqi, qarışıq lüğəti və səs-küylü real yazıları xeyli yararlı etdi; bu gün pulsuz xidmətlərin çoxu, o cümlədən brauzer alətləri, buna bənzər model işlədir. Yenə də onlar təxmin edir və səs aydın olmayanda təxmini səlis edirlər, bu da səhvləri görməyi çətinləşdirir.

Dəqiqlik adətən söz xətası dərəcəsi ilə ölçülür: diqqətlə hazırlanmış insan mətni ilə müqayisədə dəyişdirilən, buraxılan və ya uydurulan sözlərin payı. 5% xəta hər iyirmi sözdə bir səhv deməkdir. Bu, kiçik görünür, lakin səhvlərin soyadı, məhsul kodu, büdcə müzakirəsindəki rəqəm kimi vacib sözlərdə cəmləşdiyini görənə qədər.

Aşağıdakı amillər təxminən zərər dərəcəsi sırası ilə verilib. Nəzər yetirin ki, onların demək olar hamısı yazı çəkilərkən müəyyən olunur, mətnə çevriləndə yox. Telefonu masanın ortasından danışanın qol uzunluğu məsafəsinə yaxınlaşdırmaq sonradan dəyişə biləcəyiniz hər hansı ayardan çox şey verir.

Yazıların çoxunu olduğu kimi yükləmək olar. Hazırlıq üç halda səmərəlidir: fayl çox uzun və ya böyükdür, nitq sükut və ya musiqi altında qalıb, yaxud səs o qədər aşağıdır ki, eşitmək üçün səsi tam artırmaq lazım gəlir. Əvvəldəki uzun səssiz hissə sadəcə itirilmiş vaxt deyil, çünki avtomatik aşkarlama dili ilk 30 saniyədən müəyyən edir və otaq küyündən ya giriş melodiyasından yanlış təxmin edə bilər. Yazını nitq olan hissəyə qədər qısaltmaq və ya Başlanğıc təyin edib onu keçmək bunun qarşısını alır.

Format çevirməsi nadir hallarda lazım olur. iPhone Voice Memos faylları M4A (AAC səs) formatındadır, Android yazıcıları M4A, AAC və ya 3GP, zəng yazıcıları isə çox vaxt AMR yaradır; bunların hamısını birbaşa yükləmək olar. Sıxılmış faylı WAV-a çevirmək yazılarkən itirilmiş detalları geri qaytarmır, bunu MP3, WAV, FLAC və AAC bələdçimizdəki müqayisə izah edir, ona görə yalnız alət formatı qəbul etmədikdə çevirin. Saatlarla davam edən yazını fasilə və ya mövzu dəyişməsi kimi təbii yerlərdə bölün ki, hər hissə yükləmə limitindən kiçik qalsın və yoxlamaq asan olsun.

Nəticəni sonra nə olacağına görə seçin. Mətni oxuyacaq, sitat gətirəcək və ya axtaracaqsınızsa, sadə mətn və ya Word uyğundur; Word abzasları, zaman işarələrini və danışan işarələrini redaktə üçün saxlayır, PDF isə kimsənin dəyişməməli olduğu sabit nüsxə göndərmək üçündür. Sözlər videonun üzərində ekranda görünəcəksə, altyazı faylı lazımdır: SRT və ya VTT nitqi hər biri başlanğıc və son vaxtlı qısa hissələrə bölür, sətir uzunluğu isə ekrana nəyin sığacağını müəyyən edir. Hər sətirdə qırx iki simvol yayım üçün geniş yayılmış standartdır.

SRT və VTT eyni məlumatı kiçik fərqlərlə daşıyır. Köhnə SubRip proqramından gələn SRT hər hissəni nömrələyir və vaxtları vergüllə yazır (00:01:15,000). WebVTT HTML5 video üçün W3C formatıdır; WEBVTT başlığı ilə başlayır, vaxtlarda nöqtə işlədir, üslub və mövqe verməyə imkan yaradır. YouTube, Vimeo, Premiere Pro və DaVinci Resolve hər ikisini qəbul edir. Söz səviyyəli vaxtlı JSON axtarış, karaoke tipli vurğulama və ya öz altyazı düzümünü quran tərtibatçılar üçündür.

Nəsə yükləmədən əvvəl cihazlarınızın artıq nə etdiyini yoxlayın. Apple iOS 18-də Voice Memos tətbiqinə mətn çevirməsi əlavə edib, ona görə yeni iPhone-da çəkilmiş yazının mətni birbaşa tətbiqdə görünə bilər. Pixel telefonlarında Google Recorder 2019-dan bəri yazı zamanı tamamilə cihazda mətnə çevirir və danışanları ayıra bilir. Microsoft 365-də veb üçün Word-də Dictate yanında Transcribe əmri var; o, yüklənmiş MP3, M4A, WAV və MP4 fayllarını aylıq yükləmə dəqiqələri limiti ilə qəbul edir. Google Docs Voice typing (Tools menyusunda, Chrome-da) yalnız canlı mikrofonu dinləyir; mövcud faylı oxuya bilməz.

Görüş platformaları da mənbədir. Zoom, Microsoft Teams və Google Meet mətnə çevirmə aktiv edildikdə və planınız ya təşkilatınız icazə verdikdə zəngin mətnini yarada bilər, Otter.ai kimi köməkçilər isə qeyd aparmaq üçün görüşlərə qoşulur. Bunlar özünüzün təşkil etdiyiniz zənglər üçün rahatdır, lakin hər biri yalnız öz tətbiqində işləyir, yazmaq üçün hamının razılığını tələb edir və öz formatlarında ixrac edir. Əlinizdə artıq olan fayl üçün, məsələn köhnə müsahibə, mühazirə yazısı və ya başqasının göndərdiyi səs qeydi üçün, fayl əsaslı çevirici adətən daha sadə yoldur.

Brauzer aləti daxili imkanların əhatə etmədiyi şeyləri təmin edir: istənilən cihazdan istənilən fayl, altyazı nəticələri və telefonunuzun dəstəkləmədiyi dillər. Səsdən mətnə çevirici səhifəsində faylı əlavə edin, Danışıq dili üçün avtomatik aşkarlamanı saxlayın və ya dili özünüz seçin, Nəticə təyin edin və lazım olsa Zaman işarələri və ya Danışanların işarələnməsi seçimini aktiv edin. iPhone səs qeydlərinin öz M4A-dan mətnə səhifəsi, podkast və yazıcı faylları üçün isə MP3-dən mətnə səhifəsi var; hər ikisi eyni mühərriklə işləyir. Hər fayl 95 MB-a qədər ola bilər, bu, təxminən 128 kbps MP3-ün bir yarım saatıdır. Daha uzun yazılar üçün hissə-hissə çevirmək məqsədilə Başlanğıc və Son seçimlərindən istifadə edin və ya əvvəlcə yazını kəsin.

Gözləntiləri real saxlayın. Sakit otaqda yaxşı mikrofonla tək danışanın yazısı adətən 90–95% düzgün və ya daha yaxşı çıxır, çox vaxt yüngül redaktədən sonra dərc üçün kifayət edir. Qələbəlik restoranda masa üstündəki telefon, kəsilmələri olan konfrans zəngi və ya insanların bir-birinin sözünü kəsdiyi panel xeyli aşağı nəticə verə bilər, bütöv cümlələr düşə bilər. Danışanların işarələnməsi səslər aydın fərqləndikdə və insanlar növbə ilə danışdıqda etibarlıdır, iki oxşar səsi isə gözlədiyinizdən tez-tez qarışdırır.

Yoxlamanı yalnız mətnə baxaraq yox, səs açıq halda aparın, çünki müasir modellər yanlış olanda belə qrammatik cümlələr yazır. Hər xüsusi adı yoxlayın, çünki model həmkarınızın adı Caitlin yoxsa Katelyn yazdığını bilə bilməz. Hər rəqəmi yoxlayın: fifteen ilə fifty, tarixlər, qiymətlər və faizlər asanlıqla səhv eşidilir. their/there, affect/effect və complement/compliment kimi omofonlara və səs aydın olmayanda əmin görünən doldurucu sözlərə diqqət edin. Zaman işarələri bunu sürətləndirir, çünki şübhəli sətrin səsləndiyi dəqiq ana keçə bilərsiniz.

Səs yazısı çox vaxt sənəddən daha çox şəxsi məlumat daşıyır: səslər, adlar, sağlamlıq təfərrüatları, maaş rəqəmləri. Yükləməzdən əvvəl faylın hara getdiyini və nə qədər qaldığını bilin. UltKit-də yüklənənlər serverdə emal olunur və emaldan 30 dəqiqə sonra avtomatik silinir; hesab olmadığı üçün heç nə adınızla əlaqələndirilmir. Pixel Recorder oflayn işləyir, ona görə səs telefondan çıxmır. Məxfilik razılaşması və ya tibbi və hüquqi toxunulmazlıq altında olan hər şey üçün əvvəlcə təşkilatınızın siyasətini yoxlayın; bəziləri təsdiq edilmiş, müqaviləli xidmətlər tələb edir.

Dil dəstəyi genişdir, lakin qeyri-bərabərdir. Çevirici 33 dili əhatə edir, onların arasında ingilis, ispan, fransız, alman, portuqal, ərəb, hind, yapon, koreya, çin və ukrayna dilləri var, ən yaxşı nəticələr isə ən çox öyrədilmə məlumatı olan dillərdə alınır. Avtomatik aşkarlama hər fayl üçün bir dil seçir. Görüş iki dil arasında keçərsə, hər hissəni dili əllə təyin edərək ayrıca çevirin. Mətn həmişə danışılan dildə yazılır; tərcümə sonradan mətn üzərində aparılan ayrıca addımdır.

Uğursuz mətnlərin çoxu bir neçə səbəbə bağlıdır və düzəliş adətən başqa xidmət sınamaqda yox, faylda və ya bir ayardadır. Səsin özü rahat dinləyə bilməyəcəyiniz qədər pisdirsə, maşın da eyni dərəcədə çətinlik çəkəcək və əsas hissələrin qısa əllə mətni uzun avtomatik mətni düzəltməkdən tez ola bilər.