Hljóð í texta: ókeypis leiðir og ráð um nákvæmni

Umritunarvél heyrir orð ekki eins og þú. Hún sker hljóðbylgjuna í skarast ramma sem eru um 25 millisekúndur að lengd og breytir hverjum bút í litróf, kort sem sýnir hvaða tíðnir eru háværar á þeirri stundu. Hljóðlíkanið skoðar kortið og metur hvaða talhljóð eru til staðar: hvæsið í s, sprenginguna í t, sérhljóðana sem greina ship frá sheep. Eitt og sér skilar það straumi af líklegum hljóðum en ekki læsilegum texta.

Tungumálslíkanið lagar mikið af því. Það veit hvaða orðaraðir eru líklegar í raunverulegum setningum, svo þegar hljóðin gætu verið recognize speech eða wreck a nice beach ræður samhengið úrslitum. Eldri kerfi höfðu þessa tvo hluta aðskilda og þjálfuðu þá á takmörkuðu, vandlega upplestu efni, og þess vegna áttu ritunarforrit 2010-áranna erfitt með hreim og óformlegt tal.

Í september 2022 gaf OpenAI út Whisper, opið líkan sem þjálfað var á um 680.000 klukkustundum af fjöltyngdu hljóði af vefnum. Það sameinar hljóð- og tungumálshlutana í eitt net sem les 30 sekúndna glugga og skrifar texta með greinarmerkjum beint. Líkön af þessari gerð gerðu tal með hreim, blandaðan orðaforða og ófullkomnar upptökur úr raunveruleikanum mun nothæfari, og flestar ókeypis umritunarþjónustur í dag, þar á meðal vafratól, keyra eitthvað svipað. Þau giska þó enn, og þegar hljóðið er óskýrt giska þau lipurlega, sem gerir mistökin erfiðari að koma auga á.

Nákvæmni er yfirleitt mæld sem orðavillutíðni: hlutfall orða sem var skipt út, sleppt eða bætt við miðað við vandaða mannlega uppskrift. 5% villutíðni þýðir ein mistök á hver tuttugu orð, sem hljómar lítið þar til maður tekur eftir að mistökin safnast á mikilvægustu orðin, eins og ættarnafn, vörunúmer eða tölu í umræðu um fjárhagsáætlun.

Þættirnir hér á eftir eru taldir upp nokkurn veginn í þeirri röð sem þeir skaða mest. Takið eftir að nær allir ráðast þegar upptakan er gerð, ekki þegar hún er umrituð. Að færa síma frá miðju borði í armlengd frá þeim sem talar gerir oft meira en nokkur stilling sem hægt er að breyta eftir á.

Flestar upptökur má senda inn eins og þær eru. Undirbúningur borgar sig í þremur tilvikum: skráin er of löng eða stór, talið er grafið undir þögn eða tónlist, eða hljóðstyrkurinn er svo lágur að þú þarft að skrúfa hann í botn til að heyra. Löng þögn í byrjun er meira en tímasóun, því sjálfvirk greining ákveður tungumálið út frá fyrstu 30 sekúndunum og getur giskað út frá herbergishljóði eða stefi í upphafi. Að skera upptökuna niður í þann hluta sem inniheldur tal, eða stilla Byrja við til að sleppa honum, kemur í veg fyrir það.

Sniðbreytingar eru sjaldan nauðsynlegar. Raddminnisblöð í iPhone eru M4A (AAC-hljóð), upptökuforrit í Android skila M4A, AAC eða 3GP og símtalaupptökur skila oft AMR; allt þetta má hlaða beint upp. Að umbreyta þjappaðri skrá í WAV endurheimtir ekki smáatriði sem glötuðust við upptöku, eins og samanburðurinn í leiðbeiningum okkar um MP3, WAV, FLAC og AAC útskýrir, svo umbreyttu aðeins ef tól hafnar sniðinu. Upptöku sem varir í klukkustundir skaltu skipta á náttúrulegum hléum, svo sem kaffihléi eða efnisskiptum, svo hver hluti haldist undir hleðslumörkunum og sé auðveldari að yfirfara.

Veldu úttak eftir því hvað gerist næst. Ef þú ætlar að lesa, vitna í eða leita í uppskriftinni hentar einfaldur texti eða Word; Word heldur málsgreinum, tímastimplum og merkingum ræðumanna uppsettum til klippingar, og PDF er til að senda fast eintak sem enginn á að breyta. Ef orðin eiga að birtast á skjá yfir myndbandi þarftu skjátextaskrá: SRT eða VTT skipta talinu í stuttar skjátextalínur, hverja með upphafs- og lokatíma, og línulengdin ræður því hve mikið kemst á skjáinn. Fjörutíu og tveir stafir á línu er algengur útsendingarstaðall.

SRT og VTT bera sömu upplýsingar með litlum mun. SRT, úr gamla SubRip-forritinu, númerar hverja skjátextalínu og skrifar tíma með kommu (00:01:15,000). WebVTT er W3C-snið fyrir HTML5-myndband; það byrjar á WEBVTT-haus, notar punkt í tímum og leyfir stíl og staðsetningu. YouTube, Vimeo, Premiere Pro og DaVinci Resolve taka við hvoru tveggja. JSON með tímasetningum á orðastigi er fyrir forritara sem smíða leit, karókí-áherslur eða eigin uppsetningu skjátexta.

Áður en þú hleður einhverju upp skaltu athuga hvað tækin þín gera nú þegar. Apple bætti uppskriftum við Voice Memos í iOS 18, svo upptaka úr nýlegum iPhone getur sýnt textann beint í forritinu. Recorder-forrit Google í Pixel-símum hefur umritað á meðan tekið er upp frá 2019, alfarið í tækinu, og getur greint ræðumenn í sundur. Í Microsoft 365 er í Word á vefnum skipunin Umrita við hliðina á Dictate sem tekur við MP3-, M4A-, WAV- og MP4-skrám með mánaðarlegum kvóta af upphleðslumínútum. Voice typing í Google Docs (undir Tools, í Chrome) hlustar aðeins á lifandi hljóðnema; það getur ekki lesið skrá sem þegar er til.

Fundarkerfi eru önnur uppspretta. Zoom, Microsoft Teams og Google Meet geta búið til uppskrift af símtali þegar kveikt er á umritun og áskrift þín eða stofnun leyfir það, og aðstoðarforrit á borð við Otter.ai taka þátt í fundum til að skrá punkta. Þetta er þægilegt fyrir símtöl sem þú heldur sjálf(ur), en hvert virkar aðeins innan eigin forrits, krefst samþykkis allra fyrir upptöku og flytur út á eigin sniðum. Fyrir skrá sem þú átt nú þegar, svo sem gamalt viðtal, fyrirlestraupptöku eða raddskilaboð sem einhver annar áframsendi, er skráarumritari yfirleitt einfaldari leið.

Vafratól nær yfir það sem innbyggðu leiðirnar skilja eftir: hvaða skrá sem er úr hvaða tæki sem er, skjátextaúttök og tungumál sem síminn þinn styður ekki. Á hljóð í texta breytinum bætirðu við skránni, skilur Talað tungumál eftir á sjálfvirkri greiningu eða velur tungumálið sjálf(ur), velur Úttak og kveikir á Tímastimplar eða Merkingar ræðumanna ef þú þarft. Raddminnisblöð úr iPhone hafa sína eigin síðu, M4A í texta, og podcast- eða upptökutækjaskrár hafa MP3 í texta; báðar nota sömu vélina. Hver skrá má vera allt að 95 MB, um það bil einn og hálfur tími af 128 kbps MP3. Fyrir allt lengra skaltu nota Byrja við og Enda við til að umrita í hlutum, eða klippa upptökuna fyrst.

Gerðu raunhæfar væntingar. Einn ræðumaður á þokkalegum hljóðnema í hljóðlátu herbergi skilar yfirleitt 90–95% réttu eða betur, oft nógu góðu til að birta eftir létta yfirlestur. Sími á borði á troðfullum veitingastað, símafundur með truflunum eða pallborð þar sem fólk grípur fram í getur farið mun neðar, með heilar setningar vantar. Merkingar ræðumanna eru áreiðanlegar þegar raddir eru greinilega ólíkar og fólk talar til skiptis, en þær ruglast oftar en búast mætti við á tveimur áþekkum röddum.

Yfirfarðu með hljóðið opið, ekki eingöngu út frá textanum, því nútímalíkön skrifa málfræðilega réttar setningar jafnvel þegar þær eru rangar. Athugaðu hvert einasta sérnafn, því líkanið getur ekki vitað að samstarfsmaður þinn ritar það Caitlin eða Katelyn. Athugaðu hverja tölu: fimmtán og fimmtíu, dagsetningar, verð og prósentur er auðvelt að misheyra. Gættu að samhljóða orðum eins og their/there, affect/effect og complement/compliment, og að sjálfsöruggu uppfyllingarefni þar sem hljóðið var óskýrt. Tímastimplar flýta þessu, því þú getur stokkið á nákvæmlega þá stund sem vafasöm lína var sögð.

Upptaka geymir oft meiri persónuupplýsingar en skjal: raddir, nöfn, heilsufarsupplýsingar, launatölur. Áður en þú hleður upp skaltu vita hvert skráin fer og hve lengi hún helst. Hjá UltKit er upphleðslum unnið á þjóninum og þeim eytt sjálfkrafa 30 mínútum eftir vinnslu; enginn aðgangur er til, svo ekkert er tengt nafni þínu. Pixel Recorder vinnur án nettengingar, svo hljóðið fer aldrei úr símanum. Fyrir allt sem fellur undir trúnaðarsamning eða læknis- eða lögfræðileynd skaltu athuga stefnu stofnunar þinnar fyrst; sumar krefjast samþykktrar þjónustu með samningi.

Tungumálastuðningur er breiður en misjafn. Umritarinn nær yfir 33 tungumál, þar á meðal ensku, spænsku, frönsku, þýsku, portúgölsku, arabísku, hindí, japönsku, kóresku, kínversku og úkraínsku, og bestur árangur næst á tungumálum með mest þjálfunargögn. Sjálfvirk greining velur eitt tungumál fyrir hverja skrá. Ef fundur færist á milli tveggja tungumála skaltu umrita hvern kafla fyrir sig með tungumálið stillt handvirkt. Uppskriftin er alltaf skrifuð á því tungumáli sem var talað; þýðing er sérstakt skref sem þú gerir á textanum á eftir.

Flestar misheppnaðar uppskriftir stafa af fáeinum orsökum, og lausnin liggur yfirleitt í skránni eða einni stillingu frekar en í að prófa aðra þjónustu. Ef hljóðið sjálft er of lélegt til að þú getir fylgst vel með því mun vélin eiga jafn erfitt, og stutt handvirk uppskrift lykilkafla getur verið fljótlegri en að leiðrétta langa sjálfvirka.