Transcriere audio în text: metode gratuite și sfaturi

Un motor de transcriere nu aude cuvintele ca dumneavoastră. Împarte unda sonoră în cadre suprapuse de aproximativ 25 de milisecunde și transformă fiecare felie într-o spectrogramă, o hartă a frecvențelor puternice în acel moment. Modelul acustic analizează harta și estimează ce sunete de vorbire sunt prezente: șuieratul unui s, explozia unui t, formele vocalelor care deosebesc ship de sheep. Singur, acesta produce un șir de sunete probabile, nu text lizibil.

Modelul lingvistic rezolvă o mare parte din problemă. Știe ce secvențe de cuvinte sunt probabile în propoziții reale, așa că atunci când sunetele pot însemna recognize speech sau wreck a nice beach, contextul înclină balanța. Sistemele mai vechi țineau cele două părți separate și le antrenau pe material limitat, citit cu grijă, de aceea programele de dictare din anii 2010 se încurcau la accente și la vorbirea relaxată.

În septembrie 2022, OpenAI a lansat Whisper, un model deschis antrenat pe aproximativ 680.000 de ore de audio multilingv colectat de pe web. Acesta îmbină părțile acustică și lingvistică într-o singură rețea care citește ferestre de 30 de secunde și scrie direct text cu punctuație. Modelele din această familie au făcut vorbirea cu accent, vocabularul mixt și înregistrările imperfecte din viața reală mult mai utilizabile, iar majoritatea serviciilor gratuite de transcriere de azi, inclusiv instrumentele din browser, folosesc ceva similar. Totuși, ele ghicesc, iar când sunetul e neclar ghicesc fluent, ceea ce face greșelile mai greu de observat.

Acuratețea se măsoară de obicei prin rata de erori la nivel de cuvânt: ponderea cuvintelor înlocuite, omise sau inventate față de o transcriere umană atentă. O rată de eroare de 5% înseamnă o greșeală la fiecare douăzeci de cuvinte, ceea ce pare puțin până observați că greșelile se adună tocmai pe cuvintele importante, precum un nume de familie, un cod de produs sau o cifră dintr-o discuție despre buget.

Factorii de mai jos sunt enumerați aproximativ în ordinea în care strică rezultatul. Observați că aproape toți se decid la momentul înregistrării, nu al transcrierii. Mutarea telefonului din mijlocul mesei la o distanță de un braț de vorbitor face adesea mai mult decât orice setare pe care o puteți schimba ulterior.

Majoritatea înregistrărilor pot fi încărcate exact așa cum sunt. Pregătirea merită în trei situații: fișierul e prea lung sau prea mare, vorbirea e acoperită de liniște sau muzică ori nivelul e atât de scăzut încât trebuie să dați volumul la maximum ca să auziți. O porțiune lungă de liniște la început înseamnă mai mult decât timp pierdut, pentru că detectarea automată alege limba din primele 30 de secunde și poate ghici după zgomotul camerei sau după un jingle de intro. Tăierea înregistrării până la partea cu vorbire sau setarea Începe la pentru a o sări evită problema.

Conversia formatului este rareori necesară. Memo-urile vocale de pe iPhone sunt M4A (audio AAC), reportofoanele Android produc M4A, AAC sau 3GP, iar aplicațiile de înregistrare a apelurilor produc adesea AMR; toate pot fi încărcate direct. Convertirea unui fișier comprimat în WAV nu readuce detaliile pierdute la înregistrare, după cum explică comparația din ghidul nostru despre MP3, WAV, FLAC și AAC, așa că convertiți doar dacă un instrument refuză formatul. Pentru o înregistrare de câteva ore, împărțiți-o la pauze naturale, precum o pauză de cafea sau o schimbare de subiect, astfel încât fiecare parte să rămână sub limita de încărcare și să fie mai ușor de corectat.

Alegeți rezultatul după ce urmează. Dacă veți citi, cita sau căuta în transcriere, textul simplu sau Word sunt potrivite; Word păstrează paragrafele, marcajele temporale și etichetele pentru vorbitori așezate pentru editare, iar PDF-ul e pentru a trimite o copie fixă pe care nimeni nu ar trebui s-o modifice. Dacă cuvintele vor apărea pe ecran peste un video, aveți nevoie de un fișier de subtitrare: SRT sau VTT împart vorbirea în replici scurte, fiecare cu timp de început și de sfârșit, iar lungimea liniei decide cât încape pe ecran. Patruzeci și două de caractere pe linie este standardul obișnuit în televiziune.

SRT și VTT conțin aceleași informații, cu mici diferențe. SRT, de la vechiul program SubRip, numerotează fiecare replică și scrie timpii cu virgulă (00:01:15,000). WebVTT este formatul W3C pentru video HTML5; începe cu un antet WEBVTT, folosește punct în timpi și permite stilizare și poziționare. YouTube, Vimeo, Premiere Pro și DaVinci Resolve le acceptă pe amândouă. JSON cu timpi la nivel de cuvânt este pentru dezvoltatorii care construiesc căutare, evidențiere în stil karaoke sau propria aranjare a subtitrărilor.

Înainte de a încărca ceva, verificați ce fac deja dispozitivele dumneavoastră. Apple a adăugat transcrieri în aplicația Voice Memos din iOS 18, așa că o înregistrare făcută pe un iPhone recent își poate afișa textul chiar în aplicație. Aplicația Recorder de la Google de pe telefoanele Pixel transcrie în timpul înregistrării din 2019, integral pe dispozitiv, și poate deosebi vorbitorii. În Microsoft 365, Word pentru web are o comandă Transcrie lângă Dictează, care acceptă fișiere MP3, M4A, WAV și MP4 încărcate, cu o limită lunară de minute de încărcare. Voice typing din Google Docs (la Tools, în Chrome) ascultă doar un microfon în direct; nu poate citi un fișier existent.

Platformele de întâlniri sunt o altă sursă. Zoom, Microsoft Teams și Google Meet pot produce o transcriere a unui apel când transcrierea este activată și planul sau organizația o permite, iar asistenți precum Otter.ai se alătură întâlnirilor pentru a lua notițe. Sunt comode pentru apelurile pe care le găzduiți, dar fiecare funcționează doar în aplicația proprie, necesită acordul tuturor pentru înregistrare și exportă în formatele proprii. Pentru un fișier pe care îl aveți deja, precum un interviu mai vechi, o înregistrare de curs sau un mesaj vocal primit de la altcineva, un transcriptor bazat pe fișiere este de obicei varianta mai simplă.

Un instrument din browser acoperă ce lasă pe dinafară opțiunile integrate: orice fișier de pe orice dispozitiv, rezultate de tip subtitrare și limbi pe care telefonul dumneavoastră nu le acceptă. În convertorul audio în text, adăugați fișierul, lăsați Limba vorbită pe detectare automată sau alegeți limba singur, alegeți un Rezultat și activați Marcaje temporale sau Etichete pentru vorbitori dacă aveți nevoie de ele. Memo-urile vocale de pe iPhone au propria pagină M4A în text, iar fișierele de podcast sau de reportofon au MP3 în text; ambele folosesc același motor. Fiecare fișier poate avea până la 95 MB, aproximativ o oră și jumătate de MP3 la 128 kbps. Pentru înregistrări mai lungi, folosiți Începe la și Se termină la ca să transcrieți pe părți sau tăiați înregistrarea mai întâi.

Aveți așteptări realiste. Un singur vorbitor la un microfon decent, într-o cameră liniștită, iese de obicei corect în proporție de 90–95% sau mai bine, adesea suficient pentru publicare după o ușoară editare. Un telefon pus pe masă într-un restaurant aglomerat, o conferință telefonică cu întreruperi sau o dezbatere în care oamenii se întrerup pot da rezultate mult mai slabe, cu propoziții întregi lipsă. Etichetele pentru vorbitori sunt fiabile când vocile diferă clar și oamenii vorbesc pe rând, dar încurcă două voci asemănătoare mai des decât v-ați aștepta.

Corectați cu fișierul audio deschis, nu doar după text, pentru că modelele moderne scriu propoziții corecte gramatical chiar și când sunt greșite. Verificați fiecare nume propriu, pentru că modelul nu are de unde să știe că un coleg îl scrie Caitlin sau Katelyn. Verificați fiecare număr: cincisprezece și cincizeci, datele, prețurile și procentele se aud ușor greșit. Atenție la omofone precum their/there, affect/effect și complement/compliment, precum și la umplutura rostită cu siguranță acolo unde sunetul era neclar. Marcajele temporale fac verificarea rapidă, pentru că puteți sări exact la momentul în care a fost rostită o replică îndoielnică.

O înregistrare conține adesea mai multe informații personale decât un document: voci, nume, detalii despre sănătate, salarii. Înainte de a încărca, aflați unde ajunge fișierul și cât timp rămâne acolo. Pe UltKit, fișierele încărcate sunt procesate pe server și șterse automat la 30 de minute după procesare; nu există cont, deci nimic nu este legat de numele dumneavoastră. Pixel Recorder funcționează offline, așa că sunetul nu părăsește telefonul. Pentru orice este acoperit de un acord de confidențialitate sau de secret medical ori profesional, verificați mai întâi politica organizației; unele cer servicii aprobate, cu contract.

Suportul pentru limbi este larg, dar inegal. Transcriptorul acoperă 33 de limbi, printre care engleza, spaniola, franceza, germana, portugheza, araba, hindi, japoneza, coreeana, chineza și ucraineana, iar cele mai bune rezultate apar în limbile cu cele mai multe date de antrenare. Detectarea automată alege o singură limbă per fișier. Dacă o întâlnire trece între două limbi, transcrieți fiecare porțiune separat, cu limba setată manual. Transcrierea este scrisă mereu în limba vorbită; traducerea este un pas separat, făcut ulterior pe text.

Majoritatea transcrierilor eșuate se explică prin câteva cauze, iar remedierea ține de obicei de fișier sau de o setare, nu de încercarea altui serviciu. Dacă sunetul în sine e prea slab ca să-l urmăriți comod, mașina se va chinui la fel de mult, iar o transcriere manuală scurtă a pasajelor esențiale poate fi mai rapidă decât corectarea uneia automate lungi.