تبدیل صدا به متن: روش‌های رایگان و نکات افزایش دقت

موتور تبدیل گفتار به متن هرگز کلمات را مثل شما نمی‌شنود. شکل موج را به قاب‌های همپوشان حدود ۲۵ میلی‌ثانیه‌ای برش می‌دهد و هر برش را به یک طیف‌نگار (اسپکتروگرام) تبدیل می‌کند؛ نقشه‌ای که نشان می‌دهد در آن لحظه کدام فرکانس‌ها بلندند. مدل صوتی این نقشه را می‌بیند و برآورد می‌کند چه آواهایی وجود دارند: ویِ «س»، انفجار «ت»، و شکل واکه‌هایی که یک کلمه را از کلمهٔ دیگر جدا می‌کنند. این مدل به‌تنهایی فقط رشته‌ای از آواهای محتمل می‌دهد، نه متن خواندنی.

مدل زبانی بخش بزرگی از این مشکل را برطرف می‌کند. می‌داند چه دنباله‌ای از کلمات در جمله‌های واقعی محتمل است؛ پس وقتی آواها می‌توانند دو عبارت متفاوت باشند، بافت جمله کفه را سنگین می‌کند. سامانه‌های قدیمی این دو بخش را جدا نگه می‌داشتند و با مواد محدود و با دقت خوانده‌شده آموزش می‌دادند؛ برای همین نرم‌افزارهای دیکته دههٔ ۲۰۱۰ با لهجه و گفتار محاوره‌ای به مشکل می‌خوردند.

در سپتامبر ۲۰۱۱ نه؛ در سپتامبر 2022 شرکت OpenAI مدل متن‌باز Whisper را منتشر کرد که با حدود 680,000 ساعت صدای چندزبانهٔ جمع‌آوری‌شده از وب آموزش دیده بود. این مدل بخش صوتی و زبانی را در یک شبکه ادغام می‌کند، پنجره‌های ۳۰ ثانیه‌ای را می‌خواند و مستقیماً متن را با علائم نگارشی می‌نویسد. مدل‌های این خانواده گفتار لهجه‌دار، واژگان آمیخته و ضبط‌های آشفتهٔ دنیای واقعی را بسیار قابل‌استفاده‌تر کردند و بیشتر سرویس‌های رایگان امروز، از جمله ابزارهای مرورگری، چیزی شبیه آن را اجرا می‌کنند. با این حال هنوز حدس می‌زنند و وقتی صدا نامفهوم است، روان حدس می‌زنند؛ برای همین تشخیص اشتباهاتشان سخت‌تر است.

دقت را معمولاً با نرخ خطای کلمه می‌سنجند: سهم کلماتی که در مقایسه با رونوشت دقیق انسانی جابه‌جا، حذف یا ساخته شده‌اند. نرخ خطای 5% یعنی یک اشتباه در هر بیست کلمه؛ کم به نظر می‌رسد تا وقتی که ببینید اشتباهات روی کلمات مهم جمع می‌شوند، مثل نام خانوادگی، کد محصول یا رقمی در بحث بودجه.

عوامل زیر تقریباً به ترتیب میزان آسیبشان فهرست شده‌اند. توجه کنید که تقریباً همهٔ آن‌ها هنگام ضبط تعیین می‌شوند، نه هنگام تبدیل به متن. نزدیک کردن گوشی از وسط میز به فاصلهٔ یک دست از گوینده اغلب بیش از هر تنظیمی که بعداً بدهید اثر دارد.

بیشتر ضبط‌ها را می‌شود همان‌طور که هست بارگذاری کرد. آماده‌سازی در سه حالت ارزش دارد: فایل بسیار طولانی یا حجیم است، گفتار زیر سکوت یا موسیقی گم شده، یا سطح صدا آن‌قدر پایین است که باید ولوم را تا آخر بالا ببرید. سکوت طولانی در ابتدا فقط اتلاف وقت نیست، چون تشخیص خودکار زبان را از ۳۰ ثانیهٔ اول تعیین می‌کند و ممکن است از روی نویز اتاق یا موسیقی آغازین حدس بزند. بریدن ضبط تا بخش دارای گفتار، یا تنظیم شروع از برای رد شدن از آن، جلوی این مشکل را می‌گیرد.

تبدیل فرمت به‌ندرت لازم است. یادداشت‌های صوتی آیفون M4A (صدای AAC) هستند، ضبط‌کننده‌های اندروید M4A، AAC یا 3GP تولید می‌کنند و ضبط تماس اغلب AMR است؛ همهٔ این‌ها را می‌توان مستقیم بارگذاری کرد. تبدیل فایل فشرده به WAV جزئیاتی را که هنگام ضبط از بین رفته برنمی‌گرداند، همان‌طور که مقایسهٔ راهنمای ما دربارهٔ MP3، WAV، FLAC و AAC توضیح می‌دهد؛ پس فقط وقتی ابزاری فرمت را نپذیرفت تبدیل کنید. برای ضبطی چندساعته، آن را در وقفه‌های طبیعی مثل زنگ تفریح یا تغییر موضوع تقسیم کنید تا هر بخش زیر حد بارگذاری بماند و بازبینی‌اش آسان‌تر شود.

خروجی را بر اساس کار بعدی انتخاب کنید. اگر قرار است متن را بخوانید، نقل کنید یا در آن جست‌وجو کنید، متن ساده یا Word مناسب است؛ Word پاراگراف‌ها، مهر زمانی و برچسب گوینده را برای ویرایش مرتب نگه می‌دارد و PDF برای ارسال نسخه‌ای ثابت است که کسی نباید تغییرش دهد. اگر قرار است کلمات روی ویدیو در صفحه نمایش داده شوند، فایل زیرنویس لازم دارید: SRT یا VTT گفتار را به نشانه‌های کوتاه با زمان شروع و پایان تقسیم می‌کنند و طول خط تعیین می‌کند چه مقدار در صفحه جا شود. چهل‌ودو نویسه در هر خط استاندارد رایج پخش تلویزیونی است.

SRT و VTT اطلاعات یکسانی دارند با تفاوت‌های کوچک. SRT، از برنامهٔ قدیمی SubRip، هر نشانه را شماره می‌زند و زمان را با ویرگول می‌نویسد (00:01:15,000). WebVTT قالب W3C برای ویدیوی HTML5 است؛ با سرایند WEBVTT شروع می‌شود، در زمان‌ها از نقطه استفاده می‌کند و استایل‌دهی و جای‌گذاری را می‌پذیرد. YouTube، Vimeo، Premiere Pro و DaVinci Resolve هر دو را قبول می‌کنند. JSON با زمان‌بندی در سطح کلمه برای توسعه‌دهندگانی است که جست‌وجو، هایلایت به سبک کارائوکه یا چیدمان زیرنویس خودشان را می‌سازند.

پیش از بارگذاری هر چیزی، ببینید دستگاه‌های خودتان چه کاری از قبل انجام می‌دهند. اپل در iOS 18 قابلیت متن پیاده‌شده را به برنامهٔ Voice Memos افزود، پس ضبطی که روی آیفون جدید انجام شده می‌تواند متنش را همان‌جا نشان دهد. برنامهٔ Recorder گوگل روی گوشی‌های Pixel از سال 2019 هنگام ضبط، کاملاً روی دستگاه، متن می‌نویسد و می‌تواند گوینده‌ها را از هم تشخیص دهد. در Microsoft 365، Word برای وب دستور تبدیل گفتار به متن را کنار Dictate دارد که فایل‌های MP3، M4A، WAV و MP4 بارگذاری‌شده را با سهمیهٔ ماهانهٔ دقیقه می‌پذیرد. Voice typing در Google Docs (زیر منوی Tools، در Chrome) فقط به میکروفون زنده گوش می‌دهد و نمی‌تواند فایل موجود را بخواند.

پلتفرم‌های جلسه منبع دیگری هستند. Zoom، Microsoft Teams و Google Meet در صورت روشن بودن رونویسی و مجاز بودن توسط طرح یا سازمان شما می‌توانند متن تماس را تولید کنند و دستیارهایی مثل Otter.ai برای یادداشت‌برداری به جلسه‌ها می‌پیوندند. این‌ها برای تماس‌هایی که خودتان برگزار می‌کنید راحت‌اند، اما هر کدام فقط درون برنامهٔ خودشان کار می‌کنند، برای ضبط به رضایت همه نیاز دارند و با قالب‌های خودشان خروجی می‌دهند. برای فایلی که از قبل دارید، مثل مصاحبهٔ قدیمی، ضبط یک سخنرانی یا پیام صوتی‌ای که کسی دیگر فرستاده، ابزار مبتنی بر فایل معمولاً ساده‌تر است.

ابزار مرورگری آنچه را گزینه‌های داخلی کم دارند پوشش می‌دهد: هر فایل از هر دستگاه، خروجی زیرنویس و زبان‌هایی که گوشی شما پشتیبانی نمی‌کند. در مبدل صدا به متن فایل را اضافه کنید، زبان گفتار را روی تشخیص خودکار بگذارید یا زبان را خودتان انتخاب کنید، یک خروجی برگزینید و در صورت نیاز مهر زمانی یا برچسب گوینده را روشن کنید. یادداشت‌های صوتی آیفون صفحهٔ جداگانهٔ M4A به متن دارند و فایل‌های پادکست یا ضبط‌کننده MP3 به متن؛ هر دو همان موتور را اجرا می‌کنند. هر فایل می‌تواند تا 95 MB باشد، یعنی تقریباً یک ساعت و نیم MP3 با 128 kbps. برای فایل طولانی‌تر، از شروع از و پایان در برای تبدیل بخش‌به‌بخش استفاده کنید یا اول ضبط را ببرید.

انتظار واقع‌بینانه داشته باشید. یک گوینده با میکروفون مناسب در اتاق ساکت معمولاً 90–95% درست یا بهتر درمی‌آید و اغلب پس از ویرایشی سبک برای انتشار کافی است. گوشی روی میز در رستوران شلوغ، تماس کنفرانسی با قطعی، یا میزگردی که افراد حرف هم را قطع می‌کنند می‌تواند خیلی پایین‌تر بیاید و جمله‌هایی کامل جا بیفتد. برچسب گوینده وقتی صداها کاملاً متفاوتند و افراد نوبتی صحبت می‌کنند قابل‌اعتماد است و دو صدای مشابه را بیش از انتظار با هم اشتباه می‌گیرد.

بازبینی را با باز بودن صدا انجام دهید، نه فقط از روی متن، چون مدل‌های امروزی حتی وقتی اشتباه می‌کنند جمله‌های درست‌نویسی‌شده می‌نویسند. هر نام خاص را بررسی کنید، چون مدل نمی‌داند همکار شما نامش را چگونه می‌نویسد. هر عدد را بررسی کنید: «پانزده» و «پنجاه»، تاریخ‌ها، قیمت‌ها و درصدها به‌راحتی اشتباه شنیده می‌شوند. مراقب کلمات هم‌آوا و نیز جمله‌های پرکنندهٔ مطمئن در جاهایی باشید که صدا نامفهوم بوده است. مهر زمانی این کار را سریع می‌کند، چون می‌توانید به لحظهٔ دقیق گفته شدن یک خط مشکوک بروید.

یک فایل صوتی اغلب اطلاعات شخصی بیشتری از یک سند دارد: صدا، نام‌ها، جزئیات سلامت، ارقام حقوق. پیش از بارگذاری بدانید فایل به کجا می‌رود و چه مدت می‌ماند. در UltKit فایل‌های بارگذاری‌شده روی سرور پردازش می‌شوند و ۳۰ دقیقه پس از پردازش به‌طور خودکار حذف می‌شوند؛ حساب کاربری وجود ندارد، پس هیچ چیز به نام شما گره نمی‌خورد. Pixel Recorder آفلاین کار می‌کند و صدا هرگز گوشی را ترک نمی‌کند. برای هر چیزی که مشمول توافق‌نامه محرمانگی یا مصونیت پزشکی یا حقوقی است، ابتدا سیاست سازمان خود را بررسی کنید؛ برخی سازمان‌ها فقط خدمات تأییدشده و قراردادی را مجاز می‌دانند.

پشتیبانی از زبان‌ها گسترده است اما یکنواخت نیست. این ابزار ۳۳ زبان را پوشش می‌دهد، از جمله انگلیسی، اسپانیایی، فرانسوی، آلمانی، پرتغالی، عربی، هندی، ژاپنی، کره‌ای، چینی و اوکراینی، و بهترین نتایج در زبان‌هایی است که داده آموزشی بیشتری دارند. تشخیص خودکار برای هر فایل یک زبان انتخاب می‌کند. اگر جلسه‌ای بین دو زبان جابه‌جا می‌شود، هر بخش را جداگانه و با تنظیم دستی زبان تبدیل کنید. متن همیشه به همان زبانی نوشته می‌شود که گفته شده است؛ ترجمه مرحله‌ای جداست که بعداً روی متن انجام می‌دهید.

بیشتر تبدیل‌های ناموفق به چند دلیل محدود برمی‌گردند و راه‌حل معمولاً در فایل یا یک تنظیم است، نه امتحان کردن سرویسی دیگر. اگر کیفیت صدا آن‌قدر بد است که خودتان هم به‌راحتی نمی‌توانید دنبالش کنید، ماشین هم به همان اندازه به مشکل می‌خورد و نوشتن دستی بخش‌های مهم ممکن است از اصلاح یک متن خودکار طولانی سریع‌تر باشد.