Jak převést zvuk na text zdarma: postupy a tipy na přesnost

Přepisovací systém neslyší slova tak jako vy. Zvukovou vlnu rozdělí na překrývající se úseky dlouhé zhruba 25 milisekund a z každého vytvoří spektrogram, mapu toho, které frekvence jsou v daném okamžiku hlasité. Akustický model si tuto mapu prohlédne a odhadne, jaké řečové zvuky v ní jsou: syčení hlásky s, ráz hlásky t, tvary samohlásek, podle nichž se liší ship a sheep. Samo o sobě to dává jen proud pravděpodobných zvuků, nikoli čitelný text.

Velkou část toho napraví jazykový model. Ví, které posloupnosti slov jsou ve skutečných větách pravděpodobné, takže když zvuky mohou znamenat recognize speech i wreck a nice beach, rozhodne kontext. Starší systémy tyto dvě části oddělovaly a trénovaly je na omezeném, pečlivě čteném materiálu, proto diktovací software z roku 2010 klopýtal u přízvuků a běžné mluvy.

V září 2022 uvolnila společnost OpenAI model Whisper, otevřený model trénovaný zhruba na 680 000 hodinách vícejazyčného zvuku z internetu. Spojuje akustickou a jazykovou část do jedné sítě, která čte 30sekundová okna a rovnou píše text s interpunkcí. Modely tohoto typu výrazně zlepšily použitelnost u přízvuků, smíšené slovní zásoby a nepořádných reálných nahrávek a většina bezplatných přepisovacích služeb dnes, včetně nástrojů v prohlížeči, používá něco podobného. Pořád ale hádají, a když je zvuk nejasný, hádají plynule, takže jejich chyby hůře odhalíte.

Přesnost se obvykle měří jako chybovost slov: podíl slov, která byla zaměněna, vynechána nebo vymyšlena oproti pečlivému lidskému přepisu. Chybovost 5 % znamená jednu chybu na dvacet slov, což zní málo, dokud si neuvědomíte, že chyby se hromadí u důležitých slov, jako je příjmení, kód produktu nebo číslo v rozpočtu.

Faktory níže jsou seřazeny zhruba podle toho, jak moc škodí. Všimněte si, že téměř všechny se rozhodují při pořizování nahrávky, ne při přepisu. Posunout telefon ze středu stolu na délku paže od mluvčího často pomůže víc než jakékoli nastavení později.

Většinu nahrávek lze nahrát tak, jak jsou. Příprava se vyplatí ve třech případech: soubor je příliš dlouhý nebo velký, řeč je zasypaná tichem či hudbou, nebo je hlasitost tak nízká, že musíte zesílit na maximum. Dlouhé ticho na začátku je víc než ztracený čas, protože automatické rozpoznání jazyka vychází z prvních 30 sekund a může hádat podle hluku místnosti nebo úvodní znělky. Vyhnete se tomu ořezáním nahrávky na část s řečí nebo nastavením Začátek.

Převod formátu je potřeba zřídka. Hlasové poznámky iPhonu jsou M4A (zvuk AAC), rekordéry v Androidu vytvářejí M4A, AAC nebo 3GP a záznamy hovorů často AMR; všechny lze nahrát přímo. Převod komprimovaného souboru do WAV nevrátí detaily ztracené při nahrávání, jak vysvětluje srovnání v našem průvodci MP3, WAV, FLAC a AAC, takže převádějte, jen když nástroj formát odmítne. Nahrávku trvající hodiny rozdělte v přirozených místech, například při přestávce nebo změně tématu, aby každá část vešla do limitu a lépe se kontrolovala.

Výstup volte podle toho, co bude dál. Pokud budete přepis číst, citovat nebo v něm hledat, hodí se prostý text nebo Word; Word zachová odstavce, časové značky a označení mluvčích pro úpravy a PDF slouží k odeslání pevné kopie, kterou nikdo nemá měnit. Pokud se slova mají zobrazit na obrazovce přes video, potřebujete soubor titulků: SRT nebo VTT dělí řeč na krátké titulky, každý s časem začátku a konce, a délka řádku určuje, kolik se vejde na obrazovku. Čtyřicet dva znaků na řádek je běžný vysílací standard.

SRT a VTT nesou stejné informace s drobnými rozdíly. SRT ze starého programu SubRip čísl, každý titulek a zapisuje časy s čárkou (00:01:15,000). WebVTT je formát W3C pro video v HTML5; začíná hlavičkou WEBVTT, v časech používá tečku a umožňuje stylování a umístění. YouTube, Vimeo, Premiere Pro i DaVinci Resolve přijímají oba. JSON s časováním po slovech je pro vývojáře, kteří tvoří vyhledávání, zvýrazňování ve stylu karaoke nebo vlastní rozvržení titulků.

Než cokoli nahrajete, zjistěte, co už umí vaše zařízení. Apple přidal přepisy do aplikace Hlasové poznámky v iOS 18, takže nahrávka z novějšího iPhonu může zobrazit text přímo v aplikaci. Aplikace Recorder od Googlu na telefonech Pixel přepisuje při nahrávání od roku 2019, zcela v zařízení, a umí rozlišit mluvčí. V Microsoft 365 má Word pro web příkaz Přepsat vedle Diktovat, který přijímá nahrané soubory MP3, M4A, WAV a MP4 s měsíčním limitem minut. Hlasové psaní v Dokumentech Google (v nabídce Nástroje, v Chrome) poslouchá jen živý mikrofon; existující soubor přečíst neumí.

Dalším zdrojem jsou platformy pro schůzky. Zoom, Microsoft Teams a Google Meet umí vytvořit přepis hovoru, pokud je přepis zapnutý a váš tarif či organizace to dovoluje, a asistenti jako Otter.ai se připojují ke schůzkám a dělají poznámky. Pro hovory, které pořádáte, je to pohodlné, ale každý funguje jen ve své aplikaci, vyžaduje souhlas všech s nahráváním a exportuje do vlastních formátů. Pro soubor, který už máte, například starý rozhovor, záznam přednášky nebo hlasovou zprávu přeposlanou od někoho jiného, bývá jednodušší přepisovač souborů.

Nástroj v prohlížeči pokryje to, co vestavěné možnosti vynechávají: libovolný soubor z jakéhokoli zařízení, výstupy titulků a jazyky, které telefon nepodporuje. V převodníku zvuku na text přidejte soubor, ponechte Mluvený jazyk na automatickém rozpoznání nebo jazyk zvolte sami, vyberte Výstup a zapněte Časové značky či Označení mluvčích, pokud je potřebujete. Hlasové poznámky z iPhonu mají vlastní stránku M4A na text, podcasty a soubory z rekordérů MP3 na text; oba používají stejný systém. Každý soubor může mít až 95 MB, zhruba hodinu a půl MP3 při 128 kb/s. U delších nahrávek použijte Začátek a Konec a přepisujte po částech, nebo nahrávku nejdřív ostříhejte.

Mějte realistická očekávání. Jeden mluvčí na slušném mikrofonu v tichu obvykle dosáhne 90–95 % správně nebo víc, často dost dobře na zveřejnění po lehké úpravě. Telefon na stole v rušné restauraci, konferenční hovor s výpadky nebo panel, kde si lidé skáčou do řeči, může skončit mnohem níž, i s celými chybějícími větami. Označení mluvčích je spolehlivé, když se hlasy zřetelně liší a lidé se střídají; dva podobné hlasy mísí častěji, než byste čekali.

Kontrolujte s otevřeným zvukem, ne jen podle textu, protože moderní modely píší gramaticky správné věty, i když jsou chybné. Ověřte každé vlastní jméno, protože model nemůže vědět, že kolegyně se píše Caitlin nebo Katelyn. Ověřte každé číslo: patnáct a padesát, data, ceny a procenta se snadno přeslechnou. Dávejte pozor na slova znějící stejně, jako their/there, affect/effect a complement/compliment, i na sebejistou vatu tam, kde byl zvuk nejasný. Časové značky to urychlují, protože skočíte přesně na místo, kde zazněl pochybný řádek.

Nahrávka často nese víc osobních informací než dokument: hlasy, jména, zdravotní údaje, platy. Než nahrajete, vězte, kam soubor putuje a jak dlouho zůstane. V UltKit se nahrané soubory zpracovávají na serveru a 30 minut po zpracování se automaticky smažou; účet neexistuje, takže nic není spojeno s vaším jménem. Pixel Recorder funguje offline, zvuk tedy telefon neopustí. U všeho, co kryje smlouva o mlčenlivosti nebo lékařské či právní tajemství, si nejdřív ověřte zásady své organizace; některé vyžadují schválené smluvní služby.

Podpora jazyků je široká, ale nerovnoměrná. Přepisovač pokrývá 33 jazyků, mimo jiné angličtinu, španělštinu, francouzštinu, němčinu, portugalštinu, arabštinu, hindštinu, japonštinu, korejštinu, čínštinu a ukrajinštinu, a nejlepší výsledky přicházejí v jazycích s nejvíce trénovacími daty. Automatické rozpoznání vybere jeden jazyk na soubor. Pokud schůzka přechází mezi dvěma jazyky, přepište každý úsek zvlášť s ručně nastaveným jazykem. Přepis je vždy psán v jazyce, kterým se mluvilo; překlad je samostatný krok, který provedete potom na textu.

Většina nezdařených přepisů má několik příčin a oprava bývá v souboru nebo v jednom nastavení, ne v hledání jiné služby. Pokud je zvuk tak špatný, že mu sami sotva rozumíte, bude mít potíže i stroj a krátký ruční přepis klíčových pasáží může být rychlejší než opravování dlouhého automatického.