Hang szöveggé alakítása: ingyenes módszerek és tippek

Az átíró motor nem úgy hallja a szavakat, mint Ön. A hullámformát átfedő, nagyjából 25 milliszekundumos keretekre vágja, és mindegyikből spektrogramot készít, vagyis térképet arról, mely frekvenciák hangosak az adott pillanatban. Az akusztikus modell ezt a térképet nézi, és megbecsüli, milyen beszédhangok szólalnak meg: az sz sziszegését, a t pattanását, a magánhangzók alakját, amely megkülönbözteti például a ship és a sheep szót. Ebből önmagában valószínű hangok sora lesz, nem olvasható szöveg.

A nyelvi modell ezt nagyrészt kijavítja. Tudja, mely szósorok valószínűek valódi mondatokban, így ha a hangok jelenthetnék azt is, hogy recognize speech, és azt is, hogy wreck a nice beach, a szövegkörnyezet dönt. A régebbi rendszerek ezt a két részt külön kezelték, és korlátozott, gondosan felolvasott anyagon tanították, ezért botladoztak a 2010-es évek diktálóprogramjai az akcentusokon és a hétköznapi beszéden.

2022 szeptemberében az OpenAI kiadta a Whisper nyílt modellt, amelyet nagyjából 680 000 órányi, a webről gyűjtött többnyelvű hanganyagon tanítottak. Az akusztikai és a nyelvi részt egyetlen hálózatba olvasztja, amely 30 másodperces ablakokat olvas, és közvetlenül írásjelekkel ellátott szöveget ír. Az ilyen modellek sokkal használhatóbbá tették az akcentusos beszédet, a vegyes szókincset és a zajos, valós felvételeket, és ma a legtöbb ingyenes átíró szolgáltatás, a böngészős eszközök is, valami hasonlót futtat. Azért még mindig tippelnek, és ha a hang nem tiszta, gördülékenyen tippelnek, így a hibáikat nehezebb észrevenni.

A pontosságot általában szóhibaaránnyal mérik: azon szavak hányadával, amelyeket felcseréltek, kihagytak vagy kitaláltak egy gondos emberi átirathoz képest. Az 5%-os hibaarány húsz szavanként egy hibát jelent, ami kevésnek hangzik, amíg észre nem veszi, hogy a hibák éppen a fontos szavakra tömörülnek: egy vezetéknévre, egy termékkódra vagy egy költségvetési szám­ra.

Az alábbi tényezők nagyjából abban a sorrendben szerepelnek, ahogy ártanak. Szinte mindegyikről a felvétel készítésekor dől el, nem az átíráskor. Ha a telefont az asztal közepéről a beszélő karnyújtásnyi közelébe teszi, az gyakran többet ér bármilyen utólagos beállításnál.

A legtöbb felvétel pontosan úgy mehet be, ahogy van. Az előkészítés három esetben térül meg: a fájl túl hosszú vagy túl nagy, a beszédet csend vagy zene temeti be, vagy a szint olyan alacsony, hogy teljes hangerőn kell hallgatni. Az elején lévő hosszú csend több, mint elvesztegetett idő, mert az automatikus felismerés az első 30 másodpercből dönti el a nyelvet, és tippelhet a szobazajból vagy egy bevezető dallamból. Ezt elkerüli, ha a felvételt a beszédes részre vágja, vagy a Kezdés beállítással átugorja.

Formátumátalakításra ritkán van szükség. Az iPhone Hangjegyzetek M4A (AAC hang) fájlok, az Androidos felvevők M4A, AAC vagy 3GP formátumot adnak, a hívásrögzítők gyakran AMR-t; mindez közvetlenül feltölthető. A tömörített fájl WAV-vá alakítása nem állítja vissza a felvételkor elveszett részleteket, ahogy az MP3, WAV, FLAC és AAC útmutatónk összehasonlítása elmagyarázza, ezért csak akkor alakítson át, ha egy eszköz nem fogadja el a formátumot. Többórás felvételt vágjon természetes szüneteknél, például kávészünetnél vagy témaváltásnál, hogy minden rész a feltöltési korlát alatt maradjon, és könnyebb legyen átnézni.

A kimenetet aszerint válassza, mi történik ezután. Ha az átiratot olvasni, idézni vagy keresni fogja, a sima szöveg vagy a Word való; a Word szerkesztésre alkalmasan őrzi a bekezdéseket, időbélyegeket és beszélőjelöléseket, a PDF pedig rögzített másolatot küld, amelyet senki ne módosítson. Ha a szöveg videó fölött jelenik meg a képernyőn, feliratfájl kell: az SRT vagy a VTT a beszédet rövid feliratokra bontja, mindegyiknek van kezdő és záró ideje, a sorhossz pedig meghatározza, mennyi fér a képernyőre. A sorokonként negyvenkét karakter az elterjedt televíziós szabvány.

Az SRT és a VTT ugyanazt az információt hordozza kis eltérésekkel. Az SRT, a régi SubRip programból, megszámozza a feliratokat, és vesszővel írja az időket (00:01:15,000). A WebVTT a W3C formátuma HTML5 videóhoz; WEBVTT fejléccel kezdődik, az időkben pontot használ, és stílust meg pozicionálást is enged. A YouTube, a Vimeo, a Premiere Pro és a DaVinci Resolve mindkettőt elfogadja. A szószintű időzítésű JSON fejlesztőknek való, akik keresést, karaoke-szerű kiemelést vagy saját feliratelrendezést építenek.

Mielőtt bármit feltöltene, nézze meg, mit tudnak már a saját eszközei. Az Apple az iOS 18-ban átiratot adott a Hangjegyzetek apphoz, így egy új iPhone-nal készült felvétel szövege közvetlenül az appban látható. A Google Recorder appja a Pixel telefonokon 2019 óta ír át felvétel közben, teljesen a készüléken, és meg tudja különböztetni a beszélőket. A Microsoft 365-ben a webes Word Átírás parancsot kínál a Diktálás mellett, amely feltöltött MP3, M4A, WAV és MP4 fájlokat fogad havi feltöltési perckerettel. A Google Docs Hangalapú gépelés (Eszközök menü, Chrome-ban) csak élő mikrofont hallgat; meglévő fájlt nem tud olvasni.

Másik forrás a megbeszélés-platformok. A Zoom, a Microsoft Teams és a Google Meet átiratot tud készíteni a hívásról, ha az átírás be van kapcsolva, és a csomagja vagy a szervezete engedi, az olyan asszisztensek pedig, mint az Otter.ai, csatlakoznak a megbeszélésekhez jegyzetelni. Ezek az Ön által szervezett hívásoknál kényelmesek, de mindegyik csak a saját appján belül működik, mindenki beleegyezése kell a rögzítéshez, és saját formátumokban exportál. Egy már meglévő fájlhoz, például régi interjúhoz, előadásfelvételhez vagy valaki által továbbított hangüzenethez általában egyszerűbb a fájlalapú átíró.

A böngészős eszköz azt pótolja, amit a beépített megoldások kihagynak: bármilyen eszközről származó fájlt, feliratkimeneteket és olyan nyelveket, amelyeket a telefonja nem támogat. A hang szöveggé alakítása oldalon adja hozzá a fájlt, hagyja a Beszélt nyelv mezőt automatikus felismerésen, vagy válassza ki a nyelvet, válasszon Kimenetet, és kapcsolja be az Időbélyegek vagy a Beszélők jelölése opciót, ha kell. Az iPhone hangjegyzeteknek külön M4A szöveggé oldaluk van, a podcast- és felvevőfájloknak pedig MP3 szöveggé; mindkettő ugyanazt a motort futtatja. Egy fájl legfeljebb 95 MB lehet, ami nagyjából másfél óra 128 kbps-es MP3. Hosszabb anyagnál a Kezdés és a Befejezés beállítással részletekben írja át, vagy előbb vágja le a felvételt.

Reális elvárásokkal induljon. Egyetlen beszélő, jó mikrofon, csendes szoba mellett az eredmény általában 90–95%-ban vagy jobban pontos, gyakran könnyű átszerkesztés után közölhető. Egy forgalmas étteremben az asztalon hagyott telefon, egy akadozó konferenciahívás vagy egymás szavába vágó panelbeszélgetés ennél sokkal gyengébb lehet, egész mondatok hiányozhatnak. A beszélők jelölése megbízható, ha a hangok jól különböznek és felváltva beszélnek, két hasonló hangot viszont a vártnál gyakrabban összekever.

Nyitott hanggal olvassa át, ne csak a szövegből, mert a modern modellek akkor is nyelvtanilag helyes mondatokat írnak, ha tévednek. Ellenőrizzen minden tulajdonnevet, mert a modell nem tudhatja, hogy a kollégája Caitlin vagy Katelyn alakban írja. Ellenőrizzen minden számot: a tizenöt és az ötven, a dátumok, árak és százalékok könnyen félrehallhatók. Figyeljen a hasonlóan hangzó szavakra (their/there, affect/effect, complement/compliment), és a magabiztos töltelékszövegre ott, ahol a hang nem volt tiszta. Az időbélyegekkel ez gyors, mert pontosan arra a pillanatra ugorhat, ahol a kétes sor elhangzott.

A felvétel gyakran több személyes adatot hordoz, mint egy dokumentum: hangokat, neveket, egészségügyi részleteket, fizetési adatokat. Feltöltés előtt tudja meg, hová kerül a fájl, és meddig marad ott. Az UltKit-en a feltöltések a szerveren kerülnek feldolgozásra, és a feldolgozás után 30 perccel automatikusan törlődnek; nincs fiók, így semmi sem kötődik az Ön nevéhez. A Pixel Recorder offline működik, így a hang soha nem hagyja el a telefont. Titoktartási megállapodás, orvosi vagy jogi titok alá eső anyagnál előbb nézze meg a szervezete szabályzatát; néhány helyen jóváhagyott, szerződött szolgáltatás kötelező.

A nyelvi támogatás széles, de nem egyenletes. Az átíró 33 nyelvet fed le, köztük az angolt, spanyolt, franciát, németet, portugált, arabot, hindit, japánt, koreait, kínait és ukránt, a legjobb eredmény pedig a legtöbb tanítóadattal rendelkező nyelveken születik. Az automatikus felismerés fájlonként egy nyelvet választ. Ha egy megbeszélés két nyelv között vált, írja át külön az egyes szakaszokat, kézzel beállított nyelvvel. Az átirat mindig azon a nyelven készül, amelyen beszéltek; a fordítás külön lépés, amelyet utólag a szövegen végez el.

A legtöbb sikertelen átirat néhány okra vezethető vissza, és a megoldás általában a fájlban vagy egy beállításban van, nem egy másik szolgáltatás kipróbálásában. Ha a hang önmagában is túl rossz ahhoz, hogy kényelmesen követni lehessen, a gép is ugyanúgy megküzd vele, és a kulcsrészek rövid kézi leírása gyorsabb lehet, mint egy hosszú automatikus átirat javítása.