Audioa testu bihurtu: doako bideak eta zehaztasun-aholkuak

Transkripzio-motor batek ez ditu hitzak zuk bezala entzuten. Uhin-forma 25 milisegundoko markoetan zatitzen du, elkarren gainean jarrita, eta zati bakoitza espektrograma bihurtzen du: une horretan zein maiztasun diren indartsuak erakusten duen mapa. Eredu akustikoak mapa horri begiratu eta zein hizketa-soinu dauden kalkulatzen du: s baten txistua, t baten eztanda, ship eta sheep bereizten dituzten bokal-formak. Berez, horrek soinu probableen jario bat ematen du, ez irakur daitekeen testu bat.

Hizkuntza-ereduak gehiena zuzentzen du. Badaki zein hitz-segida diren probableak benetako esaldietan; beraz, soinuak recognize speech edo wreck a nice beach izan daitezkeenean, testuinguruak erabakitzen du. Sistema zaharrek bi zati hauek bereizita zeuzkaten, eta material mugatu eta arretaz irakurrian entrenatzen zituzten; horregatik 2010eko hamarkadako diktatu-softwareak estropezu egiten zuen azentuekin eta hizketa lasaiarekin.

2022ko irailean OpenAIk Whisper kaleratu zuen, webetik bildutako 680.000 ordu inguruko audio eleaniztunekin entrenatutako eredu irekia. Zati akustikoa eta linguistikoa sare bakar batean biltzen ditu, 30 segundoko leihoak irakurtzen ditu eta testua zuzenean idazten du, puntuazioarekin. Familia horretako ereduek azentudun hizketa, hiztegi nahasia eta benetako grabaketa nahasiak askoz erabilgarriago egin zituzten, eta gaur egungo doako transkripzio-zerbitzu gehienek, nabigatzaileko tresnak barne, antzeko zerbait erabiltzen dute. Hala ere asmatu egiten dute, eta audioa argia ez denean modu arruntean asmatzen dute, eta horrek akatsak ikustea zailtzen du.

Zehaztasuna hitz-errore tasa gisa neurtu ohi da: giza transkripzio zzzehatz batekin alderatuta, ordezkatu, ahaztu edo asmatu diren hitzen proportzioa. %5eko errore-tasak hogei hitzeko akats bat esan nahi du; txikia dirudi, baina akatsak garrantzitsuenak diren hitzetan pilatzen dira: abizen batean, produktu-kode batean edo aurrekontu-eztabaida bateko zifra batean.

Beheko faktoreak gutxi gorabehera kaltearen arabera daude ordenatuta. Ia guztiak grabatzean erabakitzen dira, ez transkribatzean. Telefonoa mahaiaren erdian utzi beharrean hizlariaren eskura jartzeak, askotan, geroago aldatu dezakezun ezarpen batek baino gehiago egiten du.

Grabaketa gehienak dauden bezala igo daitezke. Prestaketak hiru egoeratan balio du: fitxategia luzeegia edo handiegia da, hizketa isiltasunaren edo musikaren azpian dago, edo maila hain da baxua non bolumena gehienera igo behar baita. Hasierako isilune luze bat denbora galtzea baino gehiago da, auto-detektatzeak hizkuntza lehen 30 segundoetatik erabakitzen baitu eta gelako zaratatik edo sarrerako jingle batetik asma baitezake. Grabaketa hizketa dagoen zatira murrizteak, edo Hasiera ezartzeak hura saltatzeko, hori saihesten du.

Formatu-bihurketa gutxitan behar da. iPhone-ko Voice Memos M4A dira (AAC audioa), Android-eko grabagailuek M4A, AAC edo 3GP sortzen dituzte, eta dei-grabagailuek askotan AMR; guztiak zuzenean igo daitezke. Fitxategi konprimatu bat WAV bihurtzeak ez ditu grabatzean galdutako xehetasunak berreskuratzen, MP3, WAV, FLAC eta AAC gida honetako alderaketak azaltzen duen bezala; beraz, bihurtu tresna batek formatua onartzen ez badu bakarrik. Ordu luzeko grabaketa bat bada, zatitu ezazu etenaldi naturaletan, kafe-etenaldian edo gai-aldaketan, zati bakoitza igoera-mugaren azpian egon dadin eta zuzentzeko errazagoa izan dadin.

Aukeratu irteera hurrengo urratsaren arabera. Transkripzioa irakurri, aipatu edo bilatuko baduzu, testu hutsa edo Word egokia da; Wordek paragrafoak, denbora-markak eta hizlarien etiketak editatzeko moduan mantentzen ditu, eta PDF besteek aldatu behar ez duten kopia finko bat bidaltzeko da. Hitzak bideo baten gainean pantailan agertuko badira, azpititulu-fitxategia behar duzu: SRT edo VTT formatuek hizketa zati laburretan banatzen dute, bakoitzak hasiera eta amaiera ordua duela, eta lerro-luzerak pantailan zenbat sartzen den zehazten du. Lerroko berrogeita bi karaktere da emisio-estandar arrunta.

SRT eta VTT formatuek informazio bera daramate, desberdintasun txikiekin. SRT, SubRip programa zaharrekoa, zati bakoitza zenbakitzen du eta orduak komaz idazten ditu (00:01:15,000). WebVTT HTML5 bideorako W3C formatua da; WEBVTT goiburuarekin hasten da, orduetan puntua erabiltzen du eta estiloa eta kokapena onartzen ditu. YouTube, Vimeo, Premiere Pro eta DaVinci Resolve-k biak onartzen dituzte. Hitz-mailako denborak dituen JSON bilaketak, karaoke estiloko nabarmentzeak edo azpititulu-diseinu propioak egiten dituzten garatzaileentzat da.

Ezer igo aurretik, begiratu zure gailuek zer egiten duten jada. Applek transkripzioak gehitu zituen Voice Memos aplikazioan iOS 18rekin, beraz iPhone berri batean egindako grabaketak testua aplikazioan bertan erakutsi dezake. Pixel telefonoetako Google Recorder-ek 2019tik transkribatzen du grabatzen den bitartean, osorik gailuan, eta hizlariak bereiz ditzake. Microsoft 365en, Word webekoak Transkribatu komandoa du Diktatu ondoan, eta MP3, M4A, WAV eta MP4 fitxategiak onartzen ditu, hileroko igoera-minutuen kupo batekin. Google Docs-en Ahots bidezko idazketak (Tresnak menuan, Chrome-n) mikrofono zuzena soilik entzuten du; ezin du lehendik dagoen fitxategi bat irakurri.

Bilera-plataformak beste iturri bat dira. Zoom, Microsoft Teams eta Google Meet-ek deiaren transkripzioa sor dezakete transkripzioa aktibatuta dagoenean eta zure planak edo erakundeak onartzen duenean, eta Otter.ai bezalako laguntzaileak bileretara sartzen dira oharrak hartzeko. Zuk antolatutako deietarako erosoak dira, baina bakoitzak bere aplikazioan soilik funtzionatzen du, guztien baimena behar du grabatzeko eta bere formatuetan esportatzen du. Dagoeneko duzun fitxategi baterako, adibidez elkarrizketa zahar bat, ikasgai baten grabaketa bat edo norbaitek birbidalitako ahots-ohar bat, fitxategietan oinarritutako transkribatzailea izan ohi da bide errazena.

Nabigatzaileko tresnak integratutako aukerek uzten dutena betetzen du: edozein gailuko edozein fitxategi, azpititulu-irteerak eta zure telefonoak onartzen ez dituen hizkuntzak. Audioa testu bihurgailuan, gehitu fitxategia, utzi Hitz egindako hizkuntza auto-detektatzean edo aukeratu hizkuntza zeuk, aukeratu Irteera bat eta aktibatu Denbora-markak edo Hizlarien etiketak behar badituzu. iPhone-ko ahots-oharrek M4A testu bihurtu orri propioa dute, eta podcast edo grabagailuko fitxategiek MP3 testu bihurtu; biek motor bera erabiltzen dute. Fitxategi bakoitzak 95 MB izan ditzake gehienez, 128 kbpseko MP3 baten ordu eta erdi inguru. Luzeagoa bada, erabili Hasiera eta Amaiera zatika transkribatzeko, edo moztu grabaketa lehenago.

Espero ezazu zerbait zintzoa. Mikrofono on batean hizlari bakar batek, gela lasai batean, %90–95 zuzen edo hobeto lortzen du normalean, askotan argitaratzeko moduko, edit arin baten ondoren. Jatetxe lanpetu bateko mahai gaineko telefonoak, mozketak dituen konferentzia-deiak edo jendea elkarri eteten dion mahai-inguruak askoz beheragoko emaitza eman dezake, esaldi osoak falta direla. Hizlarien etiketak fidagarriak dira ahotsak argi bereizten direnean eta jendeak txandaka hitz egiten duenean; antzeko bi ahots pentsatzen duzun baino maizago nahasten dituzte.

Zuzendu audioa irekita, ez testutik soilik, eredu modernoek esaldi gramatikalak idazten dituztelako oker daudenean ere. Egiaztatu izen propio guztiak, ereduak ezin baitu jakin zure lankideak Caitlin edo Katelyn idazten duen. Egiaztatu zenbaki guztiak: hamabost eta berrogeita hamar, datak, prezioak eta ehunekoak erraz gaizki entzuten dira. Adi homofonoekin, adibidez their/there, affect/effect eta complement/compliment, eta audioa argia ez zen tokietako betegarri seguruekin. Denbora-markek azkartu egiten dute lan hau, zalantzazko lerroa esan zen unera zuzenean salto egin baitezakezu.

Grabaketa batek dokumentu batek baino informazio pertsonal gehiago eraman dezake: ahotsak, izenak, osasun-datuak, soldata-zifrak. Igo aurretik, jakin fitxategia nora doan eta zenbat denbora geratzen den. UltKit-en, igoerak zerbitzarian prozesatzen dira eta prozesatu eta 30 minutura automatikoki ezabatzen dira; ez dago konturik, beraz ez dago ezer zure izenarekin lotuta. Pixel Recorder konexiorik gabe dabil, beraz audioa ez da telefonotik ateratzen. Konfidentzialtasun-akordio batek edo sekretu mediko edo juridikoak babesten duen edozein gauzatarako, egiaztatu lehenik zure erakundearen politika; batzuek baimendutako zerbitzu kontratatuak eskatzen dituzte.

Hizkuntzen euskarria zabala da baina irregularra. Transkribatzaileak 33 hizkuntza ditu, tartean ingelesa, gaztelania, frantsesa, alemana, portugesa, arabiera, hindia, japoniera, koreera, txinera eta ukraniera, eta emaitzarik onenak entrenamendu-datu gehien dituzten hizkuntzetan lortzen dira. Auto-detektatzeak hizkuntza bat aukeratzen du fitxategiko. Bilera bat bi hizkuntzen artean mugitzen bada, transkribatu zati bakoitza bereizita hizkuntza eskuz ezarrita. Transkripzioa beti hitz egindako hizkuntzan idazten da; itzulpena geroago testuarekin egiten duzun urrats bereizia da.

Huts egindako transkripzio gehienak kausa gutxi batzuetara biltzen dira, eta konponbidea normalean fitxategian edo ezarpen batean dago, beste zerbitzu bat probatzean baino. Audioa bera txarregia bada zuk erosoki jarraitzeko, makinak ere zailtasun bera izango du, eta pasarte nagusien eskuzko transkripzio labur bat azkarragoa izan daiteke transkripzio automatiko luze bat zuzentzea baino.