Audio ke Teks: Cara Transkripsi Percuma dan Tip Ketepatan

Enjin transkripsi tidak mendengar perkataan seperti anda. Ia memotong gelombang bunyi kepada bingkai bertindih sepanjang kira-kira 25 milisaat dan menukar setiap potongan kepada spektrogram, peta frekuensi yang kuat pada saat itu. Model akustik meneliti peta itu dan menganggar bunyi pertuturan yang hadir: desis s, letusan t, bentuk vokal yang membezakan ship daripada sheep. Dengan sendirinya ini hanya menghasilkan aliran bunyi yang mungkin, bukan teks yang boleh dibaca.

Model bahasa membetulkan sebahagian besarnya. Ia tahu urutan perkataan yang lazim dalam ayat sebenar, jadi apabila bunyi boleh jadi recognize speech atau wreck a nice beach, konteks menentukan pilihan. Sistem lama mengasingkan kedua-dua bahagian ini dan melatihnya dengan bahan terhad yang dibaca dengan teliti, itulah sebabnya perisian dikte pada tahun 2010-an tersangkut pada loghat dan perbualan santai.

Pada September 2022 OpenAI mengeluarkan Whisper, model terbuka yang dilatih dengan kira-kira 680,000 jam audio berbilang bahasa yang dikumpulkan dari web. Ia menggabungkan bahagian akustik dan bahasa dalam satu rangkaian yang membaca tetingkap 30 saat dan terus menulis teks berserta tanda baca. Model dalam keluarga ini menjadikan pertuturan berloghat, kosa kata bercampur dan rakaman dunia sebenar yang berselerak jauh lebih mudah digunakan, dan kebanyakan perkhidmatan transkripsi percuma hari ini, termasuk alat pelayar, menjalankan sesuatu yang serupa. Namun ia tetap meneka, dan apabila audio tidak jelas, ia meneka dengan lancar, menjadikan kesilapannya lebih sukar dikesan.

Ketepatan lazimnya diukur sebagai kadar ralat perkataan: peratusan perkataan yang ditukar, tertinggal atau direka berbanding transkrip manusia yang teliti. Kadar ralat 5% bermakna satu kesilapan setiap dua puluh perkataan, kedengaran kecil sehingga anda sedar kesilapan itu tertumpu pada perkataan penting, seperti nama keluarga, kod produk atau angka dalam perbincangan bajet.

Faktor di bawah disenaraikan mengikut urutan kesannya. Perhatikan bahawa hampir semuanya ditentukan semasa rakaman dibuat, bukan semasa ditranskripsi. Mengalihkan telefon dari tengah meja ke jarak sejangkauan tangan daripada penutur sering memberi kesan lebih besar daripada mana-mana tetapan yang boleh anda ubah kemudian.

Kebanyakan rakaman boleh dimuat naik seperti sedia ada. Persediaan berguna dalam tiga keadaan: fail terlalu panjang atau besar, pertuturan tenggelam dalam kesunyian atau muzik, atau aras bunyi begitu rendah sehingga anda perlu menguatkan volum sepenuhnya untuk mendengarnya. Kesunyian yang panjang pada permulaan bukan sekadar membuang masa, kerana pengesanan automatik menentukan bahasa daripada 30 saat pertama dan mungkin meneka berdasarkan bunyi bilik atau muzik pembukaan. Memotong rakaman kepada bahagian yang ada pertuturan, atau menetapkan Mula pada untuk melangkaunya, mengelakkan masalah itu.

Penukaran format jarang diperlukan. Memo Suara iPhone ialah M4A (audio AAC), perakam Android menghasilkan M4A, AAC atau 3GP, dan perakam panggilan sering menghasilkan AMR; semuanya boleh dimuat naik terus. Menukar fail termampat kepada WAV tidak memulihkan butiran yang telah dibuang semasa rakaman dibuat, seperti yang dijelaskan dalam perbandingan di panduan kami tentang MP3, WAV, FLAC dan AAC, jadi tukar hanya apabila sesuatu alat menolak formatnya. Untuk rakaman berjam-jam, bahagikan pada jeda semula jadi seperti waktu rehat atau pertukaran topik, supaya setiap bahagian kekal di bawah had muat naik dan lebih mudah disemak.

Pilih output berdasarkan apa yang berlaku seterusnya. Jika anda akan membaca, memetik atau mencari dalam transkrip, teks biasa atau Word sesuai; Word mengekalkan perenggan, cap masa dan label penutur untuk suntingan, dan PDF untuk menghantar salinan tetap yang tidak patut diubah. Jika perkataan akan dipaparkan pada skrin di atas video, anda memerlukan fail sari kata: SRT atau VTT memecahkan pertuturan kepada petikan pendek, masing-masing dengan masa mula dan tamat, dan panjang baris menentukan berapa banyak yang muat pada skrin. Empat puluh dua aksara setiap baris ialah piawaian siaran yang biasa.

SRT dan VTT membawa maklumat yang sama dengan sedikit perbezaan. SRT, daripada program SubRip lama, menomborkan setiap petikan dan menulis masa dengan koma (00:01:15,000). WebVTT ialah format W3C untuk video HTML5; ia bermula dengan pengepala WEBVTT, menggunakan titik dalam masa dan membenarkan penggayaan serta penempatan. YouTube, Vimeo, Premiere Pro dan DaVinci Resolve menerima kedua-duanya. JSON dengan masa peringkat perkataan ialah untuk pembangun yang membina carian, penyerlahan gaya karaoke atau reka letak sari kata sendiri.

Sebelum memuat naik apa-apa, semak apa yang sudah boleh dilakukan peranti anda. Apple menambah transkrip pada aplikasi Voice Memos dalam iOS 18, jadi rakaman daripada iPhone terkini boleh memaparkan teksnya terus dalam aplikasi. Aplikasi Recorder Google pada telefon Pixel telah membuat transkripsi semasa merakam sejak 2019, sepenuhnya pada peranti, dan boleh membezakan penutur. Dalam Microsoft 365, Word untuk web mempunyai arahan Transkripsi di sebelah Dictate yang menerima fail MP3, M4A, WAV dan MP4 yang dimuat naik dengan kuota minit muat naik bulanan. Voice typing Google Docs (di bawah Tools, dalam Chrome) hanya mendengar mikrofon langsung; ia tidak boleh membaca fail sedia ada.

Platform mesyuarat ialah sumber lain. Zoom, Microsoft Teams dan Google Meet boleh menghasilkan transkrip panggilan apabila transkripsi dihidupkan dan pelan atau organisasi anda membenarkannya, dan pembantu seperti Otter.ai menyertai mesyuarat untuk mencatat nota. Ini mudah untuk panggilan yang anda adakan, tetapi setiap satu hanya berfungsi dalam aplikasinya sendiri, memerlukan persetujuan semua orang untuk merakam, dan mengeksport dalam formatnya sendiri. Untuk fail yang sudah anda ada, seperti temu bual lama, rakaman kuliah atau nota suara yang dimajukan oleh orang lain, penstranskrip berasaskan fail biasanya lebih mudah.

Alat pelayar melengkapkan apa yang tidak ada pada pilihan terbina dalam: mana-mana fail daripada mana-mana peranti, output sari kata, dan bahasa yang tidak disokong telefon anda. Pada penukar audio ke teks, tambah fail, biarkan Bahasa pertuturan pada Auto-detect atau pilih bahasa sendiri, pilih Output, dan hidupkan Cap masa atau Label penutur jika perlu. Memo suara daripada iPhone mempunyai halaman M4A ke teks tersendiri, dan fail podcast atau perakam mempunyai MP3 ke teks; kedua-duanya menggunakan enjin yang sama. Setiap fail boleh sehingga 95 MB, kira-kira sejam setengah MP3 128 kbps. Untuk yang lebih panjang, gunakan Mula pada dan Tamat pada untuk mentranskripsi secara berperingkat, atau potong rakaman dahulu.

Jangan terlalu berharap. Seorang penutur dengan mikrofon yang baik di bilik senyap biasanya menghasilkan ketepatan 90–95% atau lebih, selalunya cukup baik untuk diterbitkan selepas suntingan ringan. Telefon di atas meja di restoran sibuk, panggilan persidangan yang terputus-putus, atau panel yang peserta saling mencelah boleh jatuh jauh lebih rendah, dengan keseluruhan ayat tercicir. Label penutur boleh dipercayai apabila suara jelas berbeza dan orang bergilir bercakap, dan ia mengelirukan dua suara yang serupa lebih kerap daripada yang dijangka.

Semak dengan audio terbuka, bukan daripada teks sahaja, kerana model moden menulis ayat yang tatabahasanya betul walaupun salah. Semak setiap nama khas, kerana model tidak tahu rakan sekerja anda mengeja Caitlin atau Katelyn. Semak setiap nombor: fifteen dan fifty, tarikh, harga dan peratusan mudah tersalah dengar. Perhatikan homofon seperti their/there, affect/effect dan complement/compliment, serta ayat isian yang yakin di tempat audio tidak jelas. Cap masa mempercepat semakan, kerana anda boleh melompat ke saat tepat baris yang diragui itu dituturkan.

Rakaman sering membawa lebih banyak maklumat peribadi daripada dokumen: suara, nama, butiran kesihatan, angka gaji. Sebelum memuat naik, ketahui ke mana fail pergi dan berapa lama ia disimpan. Di UltKit, muat naik diproses di pelayan dan dipadam secara automatik 30 minit selepas pemprosesan; tiada akaun, jadi tiada apa yang dikaitkan dengan nama anda. Pixel Recorder berfungsi tanpa sambungan internet, jadi audio tidak pernah meninggalkan telefon. Untuk apa-apa yang dilindungi perjanjian kerahsiaan atau keistimewaan perubatan atau undang-undang, semak dasar organisasi anda dahulu; sebahagian memerlukan perkhidmatan yang diluluskan dan berkontrak.

Sokongan bahasa luas tetapi tidak sekata. Penstranskrip ini meliputi 33 bahasa, antaranya Inggeris, Sepanyol, Perancis, Jerman, Portugis, Arab, Hindi, Jepun, Korea, Cina dan Ukraine, dan hasil terbaik diperoleh dalam bahasa yang mempunyai data latihan paling banyak. Pengesanan automatik memilih satu bahasa bagi setiap fail. Jika mesyuarat bertukar antara dua bahasa, transkripsikan setiap bahagian secara berasingan dengan bahasa ditetapkan sendiri. Transkrip sentiasa ditulis dalam bahasa yang dituturkan; terjemahan ialah langkah berasingan yang anda lakukan kemudian pada teks.

Kebanyakan transkrip yang gagal berpunca daripada beberapa sebab, dan penyelesaiannya biasanya pada fail atau satu tetapan, bukan dengan mencuba perkhidmatan lain. Jika audio terlalu teruk untuk anda ikuti dengan selesa, mesin juga akan bergelut, dan transkrip manual ringkas bagi bahagian penting mungkin lebih cepat daripada membetulkan transkrip automatik yang panjang.