Ήχος σε κείμενο: δωρεάν απομαγνητοφώνηση και συμβουλές

Ένας μηχανισμός απομαγνητοφώνησης δεν ακούει τις λέξεις όπως εσείς. Κόβει το ηχητικό κύμα σε επικαλυπτόμενα πλαίσια διάρκειας περίπου 25 χιλιοστών του δευτερολέπτου και μετατρέπει κάθε τμήμα σε φασματογράφημα, έναν χάρτη των συχνοτήτων που ακούγονται έντονα εκείνη τη στιγμή. Το ακουστικό μοντέλο εξετάζει τον χάρτη και εκτιμά ποιοι φθόγγοι υπάρχουν: το σφύριγμα ενός s, το απότομο t, τα σχήματα των φωνηέντων που ξεχωρίζουν το ship από το sheep. Από μόνο του αυτό δίνει μια ροή πιθανών ήχων, όχι αναγνώσιμο κείμενο.

Το γλωσσικό μοντέλο διορθώνει μεγάλο μέρος του προβλήματος. Γνωρίζει ποιες ακολουθίες λέξεων είναι πιθανές σε πραγματικές προτάσεις, οπότε όταν οι ήχοι μπορεί να είναι recognize speech ή wreck a nice beach, το περιβάλλον κρίνει. Τα παλαιότερα συστήματα κρατούσαν τα δύο μέρη χωριστά και τα εκπαίδευαν σε περιορισμένο, προσεκτικά εκφωνημένο υλικό· γι' αυτό το λογισμικό υπαγόρευσης της δεκαετίας του 2010 δυσκολευόταν με προφορές και χαλαρή ομιλία.

Τον Σεπτέμβριο του 2022 η OpenAI κυκλοφόρησε το Whisper, ένα ανοικτό μοντέλο εκπαιδευμένο σε περίπου 680.000 ώρες πολύγλωσσου ήχου από το διαδίκτυο. Συνδυάζει το ακουστικό και το γλωσσικό μέρος σε ένα δίκτυο που διαβάζει παράθυρα 30 δευτερολέπτων και γράφει απευθείας κείμενο με σημεία στίξης. Τα μοντέλα αυτής της οικογένειας έκαναν την ομιλία με προφορά, το μικτό λεξιλόγιο και τις ατημέλητες ηχογραφήσεις πολύ πιο εύχρηστες, και οι περισσότερες δωρεάν υπηρεσίες σήμερα, μαζί με τα εργαλεία του προγράμματος περιήγησης, χρησιμοποιούν κάτι παρόμοιο. Εξακολουθούν όμως να μαντεύουν, και όταν ο ήχος δεν είναι καθαρός μαντεύουν με ευφράδεια, κάτι που κάνει τα λάθη δυσκολότερα στον εντοπισμό.

Η ακρίβεια μετριέται συνήθως με το ποσοστό σφάλματος λέξεων: το μερίδιο των λέξεων που αντικαταστάθηκαν, παραλείφθηκαν ή επινοήθηκαν σε σύγκριση με μια προσεκτική ανθρώπινη μεταγραφή. Ποσοστό 5% σημαίνει ένα λάθος ανά είκοσι λέξεις, που ακούγεται μικρό μέχρι να παρατηρήσετε ότι τα λάθη συγκεντρώνονται στις λέξεις που μετράνε, όπως ένα επώνυμο, ένας κωδικός προϊόντος ή ένα ποσό σε συζήτηση για προϋπολογισμό.

Οι παράγοντες παρακάτω παρατίθενται περίπου με τη σειρά που βλάπτουν. Σχεδόν όλοι καθορίζονται κατά την ηχογράφηση, όχι κατά την απομαγνητοφώνηση. Αν μετακινήσετε το κινητό από το μέσο του τραπεζιού σε απόσταση μπράτσου από τον ομιλητή, συχνά κερδίζετε περισσότερα από οποιαδήποτε ρύθμιση αλλάξετε μετά.

Οι περισσότερες ηχογραφήσεις μπορούν να ανέβουν όπως είναι. Η προετοιμασία αποδίδει σε τρεις περιπτώσεις: το αρχείο είναι υπερβολικά μεγάλο ή μακρύ, η ομιλία χάνεται κάτω από σιωπή ή μουσική, ή η στάθμη είναι τόσο χαμηλή που πρέπει να ανεβάσετε στο μέγιστο την ένταση για να ακούσετε. Ένα μεγάλο διάστημα σιωπής στην αρχή δεν είναι μόνο χαμένος χρόνος, επειδή η αυτόματη ανίχνευση αποφασίζει τη γλώσσα από τα πρώτα 30 δευτερόλεπτα και μπορεί να μαντέψει από τον θόρυβο του χώρου ή ένα εισαγωγικό jingle. Αν κόψετε την ηχογράφηση στο τμήμα με ομιλία ή ορίσετε Έναρξη στο για να το παρακάμψετε, το αποφεύγετε.

Η μετατροπή μορφής χρειάζεται σπάνια. Τα Voice Memos του iPhone είναι M4A (ήχος AAC), οι συσκευές εγγραφής του Android παράγουν M4A, AAC ή 3GP και οι εφαρμογές εγγραφής κλήσεων συχνά AMR· όλα μπορούν να ανεβούν απευθείας. Η μετατροπή ενός συμπιεσμένου αρχείου σε WAV δεν επαναφέρει λεπτομέρειες που χάθηκαν κατά την εγγραφή, όπως εξηγεί η σύγκριση στον οδηγό μας για MP3, WAV, FLAC και AAC, γι' αυτό μετατρέψτε μόνο όταν ένα εργαλείο απορρίπτει τη μορφή. Για ηχογράφηση που διαρκεί ώρες, χωρίστε την σε φυσικά διαλείμματα, όπως ένα διάλειμμα για καφέ ή αλλαγή θέματος, ώστε κάθε μέρος να μένει κάτω από το όριο μεταφόρτωσης και να διορθώνεται ευκολότερα.

Διαλέξτε την έξοδο ανάλογα με το τι θα κάνετε στη συνέχεια. Αν θα διαβάσετε, θα παραθέσετε ή θα αναζητήσετε στο κείμενο, κατάλληλο είναι το απλό κείμενο ή το Word· το Word διατηρεί παραγράφους, χρονοσημάνσεις και ετικέτες ομιλητών διατεταγμένες για επεξεργασία, ενώ το PDF είναι για να στείλετε ένα σταθερό αντίγραφο που κανείς δεν πρέπει να αλλάξει. Αν τα λόγια θα εμφανίζονται στην οθόνη πάνω από βίντεο, χρειάζεστε αρχείο υποτίτλων: τα SRT ή VTT χωρίζουν την ομιλία σε σύντομες ενότητες, καθεμία με ώρα έναρξης και λήξης, και το μήκος γραμμής καθορίζει πόσο χωράει στην οθόνη. Τα σαράντα δύο χαρακτήρες ανά γραμμή είναι το συνηθισμένο πρότυπο της τηλεόρασης.

Τα SRT και VTT μεταφέρουν τις ίδιες πληροφορίες με μικρές διαφορές. Το SRT, από το παλιό πρόγραμμα SubRip, αριθμεί κάθε ενότητα και γράφει τις ώρες με κόμμα (00:01:15,000). Το WebVTT είναι η μορφή του W3C για βίντεο HTML5· ξεκινά με την επικεφαλίδα WEBVTT, χρησιμοποιεί τελεία στις ώρες και επιτρέπει μορφοποίηση και τοποθέτηση. Τα YouTube, Vimeo, Premiere Pro και DaVinci Resolve δέχονται και τα δύο. Το JSON με χρόνους ανά λέξη προορίζεται για προγραμματιστές που φτιάχνουν αναζήτηση, επισήμανση τύπου καραόκε ή δική τους διάταξη υποτίτλων.

Πριν ανεβάσετε οτιδήποτε, δείτε τι κάνουν ήδη οι συσκευές σας. Η Apple πρόσθεσε μεταγραφές στην εφαρμογή Voice Memos με το iOS 18, οπότε μια ηχογράφηση από πρόσφατο iPhone μπορεί να δείχνει το κείμενό της μέσα στην εφαρμογή. Η εφαρμογή Recorder της Google στα κινητά Pixel απομαγνητοφωνεί κατά την εγγραφή από το 2019, εξ ολοκλήρου στη συσκευή, και ξεχωρίζει τους ομιλητές. Στο Microsoft 365, το Word για το web έχει εντολή Απομαγνητοφώνηση δίπλα στην Υπαγόρευση, που δέχεται αρχεία MP3, M4A, WAV και MP4 με μηνιαίο όριο λεπτών μεταφόρτωσης. Η Φωνητική πληκτρολόγηση των Έγγραφα Google (στα Εργαλεία, στο Chrome) ακούει μόνο ζωντανό μικρόφωνο· δεν μπορεί να διαβάσει υπάρχον αρχείο.

Οι πλατφόρμες σύσκεψης είναι άλλη πηγή. Τα Zoom, Microsoft Teams και Google Meet μπορούν να δώσουν μεταγραφή της κλήσης όταν είναι ενεργοποιημένη η απομαγνητοφώνηση και το επιτρέπει το πακέτο ή ο οργανισμός σας, ενώ βοηθοί όπως το Otter.ai μπαίνουν στις συσκέψεις για να κρατούν σημειώσεις. Είναι βολικά για κλήσεις που διοργανώνετε εσείς, αλλά το καθένα λειτουργεί μόνο μέσα στη δική του εφαρμογή, χρειάζεται τη συναίνεση όλων για την εγγραφή και εξάγει στις δικές του μορφές. Για ένα αρχείο που ήδη έχετε, όπως μια παλιά συνέντευξη, μια ηχογράφηση διάλεξης ή ένα φωνητικό μήνυμα που σας προώθησε κάποιος, ένας μεταγραφέας αρχείων είναι συνήθως ο απλούστερος δρόμος.

Ένα εργαλείο στο πρόγραμμα περιήγησης καλύπτει ό,τι αφήνουν έξω οι ενσωματωμένες επιλογές: οποιοδήποτε αρχείο από οποιαδήποτε συσκευή, εξόδους υποτίτλων και γλώσσες που δεν υποστηρίζει το κινητό σας. Στον μετατροπέα ήχου σε κείμενο, προσθέστε το αρχείο, αφήστε την Ομιλούμενη γλώσσα στην αυτόματη ανίχνευση ή επιλέξτε τη γλώσσα μόνοι σας, διαλέξτε Έξοδος και ενεργοποιήστε τις Χρονοσημάνσεις ή τις Ετικέτες ομιλητών αν τις χρειάζεστε. Τα φωνητικά σημειώματα από iPhone έχουν τη δική τους σελίδα M4A σε κείμενο και τα αρχεία podcast ή συσκευών εγγραφής το MP3 σε κείμενο· και τα δύο χρησιμοποιούν τον ίδιο μηχανισμό. Κάθε αρχείο μπορεί να φτάνει τα 95 MB, περίπου μιάμιση ώρα MP3 στα 128 kbps. Για μεγαλύτερα, χρησιμοποιήστε Έναρξη στο και Λήξη στο για να απομαγνητοφωνήσετε σε μέρη ή κόψτε πρώτα την ηχογράφηση.

Έχετε ρεαλιστικές προσδοκίες. Ένας ομιλητής με αξιοπρεπές μικρόφωνο σε ήσυχο χώρο βγαίνει συνήθως 90–95% σωστός ή καλύτερα, συχνά αρκετά καλός για δημοσίευση μετά από μια ελαφριά επεξεργασία. Ένα κινητό σε τραπέζι πολυσύχναστου εστιατορίου, μια τηλεδιάσκεψη με διακοπές ή μια συζήτηση όπου οι άνθρωποι διακόπτουν ο ένας τον άλλον μπορεί να πέσει πολύ χαμηλότερα, με ολόκληρες προτάσεις να λείπουν. Οι ετικέτες ομιλητών είναι αξιόπιστες όταν οι φωνές διαφέρουν καθαρά και οι άνθρωποι μιλούν εκ περιτροπής, και μπερδεύουν δύο παρόμοιες φωνές συχνότερα απ' ό,τι θα περιμένατε.

Διορθώστε με ανοιχτό τον ήχο, όχι μόνο από το κείμενο, επειδή τα σύγχρονα μοντέλα γράφουν γραμματικά σωστές προτάσεις ακόμη κι όταν είναι λάθος. Ελέγξτε κάθε κύριο όνομα, αφού το μοντέλο δεν μπορεί να ξέρει ότι ο συνάδελφός σας το γράφει Caitlin ή Katelyn. Ελέγξτε κάθε αριθμό: τα fifteen και fifty, οι ημερομηνίες, οι τιμές και τα ποσοστά ακούγονται εύκολα λάθος. Προσέξτε τα ομόηχα όπως their/there, affect/effect και complement/compliment, καθώς και το σίγουρο «γέμισμα» όπου ο ήχος ήταν ασαφής. Οι χρονοσημάνσεις το κάνουν γρήγορο, γιατί μπορείτε να πάτε ακριβώς στη στιγμή που ειπώθηκε μια αμφίβολη γραμμή.

Μια ηχογράφηση περιέχει συχνά περισσότερα προσωπικά δεδομένα από ένα έγγραφο: φωνές, ονόματα, στοιχεία υγείας, μισθούς. Πριν ανεβάσετε το αρχείο, μάθετε πού καταλήγει και για πόση ώρα παραμένει. Στο UltKit, τα αρχεία επεξεργάζονται στον διακομιστή και διαγράφονται αυτόματα 30 λεπτά μετά την επεξεργασία· δεν υπάρχει λογαριασμός, επομένως τίποτα δεν συνδέεται με το όνομά σας. Το Pixel Recorder λειτουργεί εκτός σύνδεσης, οπότε ο ήχος δεν φεύγει ποτέ από το τηλέφωνο. Για οτιδήποτε καλύπτεται από συμφωνία εμπιστευτικότητας ή από ιατρικό ή νομικό απόρρητο, ελέγξτε πρώτα την πολιτική του οργανισμού σας· ορισμένοι απαιτούν εγκεκριμένες υπηρεσίες με σύμβαση.

Η υποστήριξη γλωσσών είναι ευρεία αλλά άνιση. Ο μεταγραφέας καλύπτει 33 γλώσσες, μεταξύ των οποίων αγγλικά, ισπανικά, γαλλικά, γερμανικά, πορτογαλικά, αραβικά, ινδικά (hindi), ιαπωνικά, κορεατικά, κινεζικά και ουκρανικά, και τα καλύτερα αποτελέσματα προκύπτουν στις γλώσσες με τα περισσότερα δεδομένα εκπαίδευσης. Η αυτόματη ανίχνευση επιλέγει μία γλώσσα ανά αρχείο. Αν μια σύσκεψη εναλλάσσεται ανάμεσα σε δύο γλώσσες, μεταγράψτε κάθε τμήμα χωριστά, ορίζοντας τη γλώσσα με το χέρι. Η μεταγραφή γράφεται πάντα στη γλώσσα που ειπώθηκε· η μετάφραση είναι ξεχωριστό βήμα που κάνετε μετά, πάνω στο κείμενο.

Οι περισσότερες αποτυχημένες μεταγραφές οφείλονται σε λίγες αιτίες, και η λύση βρίσκεται συνήθως στο αρχείο ή σε μία ρύθμιση, όχι στην αλλαγή υπηρεσίας. Αν ο ήχος είναι τόσο κακός που δεν μπορείτε να τον παρακολουθήσετε άνετα, το μηχάνημα θα δυσκολευτεί το ίδιο, και μια σύντομη χειρόγραφη μεταγραφή των βασικών σημείων μπορεί να είναι ταχύτερη από τη διόρθωση μιας μεγάλης αυτόματης.