Ako prepísať zvuk na text: postupy zadarmo | UltKit

Prepisovací systém nepočuje slová tak ako vy. Zvukovú vlnu rozreže na prekrývajúce sa úseky dlhé asi 25 milisekúnd a každý premení na spektrogram, mapu toho, ktoré frekvencie sú v danom okamihu hlasné. Akustický model sa na túto mapu pozrie a odhadne, aké hlásky v nej sú: syčanie s, výbuch t, tvary samohlások, podľa ktorých rozoznáte ship od sheep. Samo osebe to dáva len prúd pravdepodobných zvukov, nie čitateľný text.

Väčšinu z toho napraví jazykový model. Vie, ktoré postupnosti slov sú v skutočných vetách pravdepodobné, takže keď zvuky môžu znamenať recognize speech alebo wreck a nice beach, rozhodne kontext. Staršie systémy tieto dve časti držali oddelene a trénovali ich na obmedzenom, starostlivo predčítanom materiáli, preto diktovací softvér z 2010-tych rokov zlyhával pri prízvuku a bežnej reči.

V septembri 2022 vydal OpenAI model Whisper, otvorený model trénovaný na približne 680 000 hodinách viacjazyčného zvuku z webu. Akustickú a jazykovú časť spája do jednej siete, ktorá číta 30-sekundové okná a rovno píše text s interpunkciou. Modely tejto rodiny výrazne zlepšili použiteľnosť pri reči s prízvukom, zmiešanej slovnej zásobe a nepodarených nahrávkach z bežného života a väčšina bezplatných prepisovacích služieb dnes, vrátane nástrojov v prehliadači, používa niečo podobné. Stále však hádajú, a keď je zvuk nejasný, hádajú plynulo, takže ich chyby je ťažšie spozorovať.

Presnosť sa zvyčajne meria ako chybovosť slov: podiel slov, ktoré boli zamenené, vynechané alebo vymyslené v porovnaní so starostlivým ľudským prepisom. Chybovosť 5 % znamená jednu chybu na dvadsať slov, čo znie málo, kým si nevšimnete, že chyby sa sústreďujú práve na dôležité slová, ako priezvisko, kód produktu alebo číslo z rozpočtovej diskusie.

Nasledujúce faktory sú zoradené približne podľa toho, ako veľmi škodia. Všimnite si, že takmer všetky sa rozhodujú pri nahrávaní, nie pri prepise. Presunutie telefónu zo stredu stola na dosah ruky od rečníka často pomôže viac než akékoľvek nastavenie, ktoré môžete zmeniť potom.

Väčšinu nahrávok možno nahrať presne tak, ako sú. Príprava sa oplatí v troch prípadoch: súbor je príliš dlhý alebo veľký, reč je zahltená tichom alebo hudbou, alebo je hlasitosť taká nízka, že musíte zosilniť na maximum. Dlhé ticho na začiatku nie je len stratený čas, lebo automatická detekcia určuje jazyk z prvých 30 sekúnd a môže sa rozhodnúť podľa šumu v miestnosti alebo úvodnej znelky. Vyhnete sa tomu orezaním nahrávky na časť s rečou alebo nastavením Začiatok tak, aby sa ticho preskočilo.

Konverzia formátu je potrebná zriedka. Hlasové poznámky iPhonu sú M4A (zvuk AAC), rekordéry v Androide vytvárajú M4A, AAC alebo 3GP a nahrávače hovorov často AMR; všetky sa dajú nahrať priamo. Prevod komprimovaného súboru do WAV nevráti detaily, ktoré sa stratili pri nahrávaní, ako vysvetľuje porovnanie v našom sprievodcovi MP3, WAV, FLAC a AAC, preto prevádzajte len vtedy, keď nástroj formát odmietne. Nahrávku dlhú niekoľko hodín rozdeľte na prirodzených miestach, napríklad pri prestávke alebo zmene témy, aby každá časť bola pod limitom nahrávania a ľahšie sa kontrolovala.

Výstup vyberte podľa toho, čo bude nasledovať. Ak budete prepis čítať, citovať alebo v ňom vyhľadávať, vhodný je čistý text alebo Word; Word zachová odseky, časové značky a označenie rečníkov v podobe vhodnej na úpravy a PDF je na odoslanie pevnej kópie, ktorú nikto nemá meniť. Ak sa slová zobrazia na obrazovke nad videom, potrebujete súbor titulkov: SRT alebo VTT rozdelia reč na krátke titulky, každý so začiatkom a koncom, a dĺžka riadku určuje, koľko sa zmestí na obrazovku. Štyridsaťdva znakov na riadok je bežný vysielací štandard.

SRT a VTT nesú rovnaké informácie s malými rozdielmi. SRT, zo starého programu SubRip, čísluje každý titulok a časy píše s čiarkou (00:01:15,000). WebVTT je formát W3C pre video HTML5; začína hlavičkou WEBVTT, v časoch používa bodku a umožňuje štýlovanie a polohovanie. YouTube, Vimeo, Premiere Pro aj DaVinci Resolve prijímajú oba. JSON s časmi na úrovni slov je pre vývojárov, ktorí budú tvoriť vyhľadávanie, zvýrazňovanie ako v karaoke alebo vlastné rozloženie titulkov.

Pred nahrávaním čohokoľvek skontrolujte, čo už vaše zariadenia vedia. Apple pridal prepisy do aplikácie Hlasové poznámky v iOS 18, takže nahrávka z novšieho iPhonu môže zobraziť text priamo v aplikácii. Aplikácia Recorder od Googlu na telefónoch Pixel prepisuje počas nahrávania od roku 2019, celkom v zariadení, a vie rozlíšiť rečníkov. V Microsoft 365 má Word pre web príkaz Prepísať vedľa Diktovať, ktorý prijíma nahrané súbory MP3, M4A, WAV a MP4 s mesačným limitom minút. Hlasové písanie v Dokumentoch Google (v Nástrojoch, v Chrome) počúva len živý mikrofón; existujúci súbor prečítať nevie.

Ďalším zdrojom sú platformy na schôdze. Zoom, Microsoft Teams a Google Meet vedia vytvoriť prepis hovoru, keď je zapnutý prepis a váš plán alebo organizácia to dovoľuje, a asistenti ako Otter.ai sa pripájajú na schôdze a robia poznámky. Sú pohodlné pri hovoroch, ktoré organizujete, no každý funguje len vo svojej aplikácii, vyžaduje súhlas všetkých s nahrávaním a exportuje vo vlastných formátoch. Pri súbore, ktorý už máte, napríklad starý rozhovor, nahrávka prednášky alebo hlasová správa od niekoho iného, je zvyčajne jednoduchšia cesta prepisovač súborov.

Nástroj v prehliadači pokryje to, čo vstavané možnosti nechávajú bokom: ľubovoľný súbor z ľubovoľného zariadenia, výstupy titulkov a jazyky, ktoré váš telefón nepodporuje. V prevodníku zvuku na text pridajte súbor, nechajte Hovorený jazyk na automatickej detekcii alebo vyberte jazyk sami, zvoľte Výstup a zapnite Časové značky alebo Označenie rečníkov, ak ich potrebujete. Hlasové poznámky z iPhonu majú vlastnú stránku M4A na text a súbory z podcastov či rekordérov MP3 na text; oba používajú rovnaký systém. Každý súbor môže mať do 95 MB, zhruba hodinu a pol MP3 pri 128 kb/s. Pri dlhších nahrávkach použite Začiatok a Koniec a prepisujte po častiach, alebo najprv nahrávku orežte.

Majte realistické očakávania. Jeden rečník na slušnom mikrofóne v tichej miestnosti zvyčajne dosiahne 90–95 % správnosti alebo viac, často dosť na publikovanie po ľahkej úprave. Telefón na stole v rušnej reštaurácii, konferenčný hovor s výpadkami alebo diskusia, v ktorej si ľudia skáču do reči, môžu klesnúť oveľa nižšie a chýbať môžu celé vety. Označenie rečníkov je spoľahlivé, keď sa hlasy jasne líšia a ľudia sa striedajú, a dva podobné hlasy si mýli častejšie, než by ste čakali.

Kontrolujte pri otvorenom zvuku, nielen z textu, lebo moderné modely píšu gramaticky správne vety, aj keď sú nesprávne. Skontrolujte každé vlastné meno, pretože model nemôže vedieť, že váš kolega ho píše Caitlin alebo Katelyn. Skontrolujte každé číslo: fifteen a fifty, dátumy, ceny a percentá sa ľahko zle počujú. Dávajte pozor na homofóny ako their/there, affect/effect a complement/compliment a na sebavedomé výplne tam, kde bol zvuk nejasný. Časové značky to urýchlia, lebo môžete skočiť presne na miesto, kde zaznela pochybná veta.

Nahrávka často obsahuje viac osobných údajov než dokument: hlasy, mená, zdravotné údaje, platy. Pred nahraním vedzte, kam súbor ide a ako dlho tam zostane. V UltKit sa nahraté súbory spracúvajú na serveri a 30 minút po spracovaní sa automaticky vymažú; účet neexistuje, takže nič nie je viazané na vaše meno. Pixel Recorder funguje offline, takže zvuk telefón neopustí. Pri všetkom, na čo sa vzťahuje dohoda o mlčanlivosti alebo lekárske či právne tajomstvo, najprv skontrolujte pravidlá svojej organizácie; niektoré vyžadujú schválené zmluvné služby.

Podpora jazykov je široká, ale nerovnomerná. Prepisovač pokrýva 33 jazykov, medzi nimi angličtinu, španielčinu, francúzštinu, nemčinu, portugalčinu, arabčinu, hindčinu, japončinu, kórejčinu, čínštinu a ukrajinčinu, a najlepšie výsledky dáva v jazykoch s najväčším množstvom trénovacích dát. Automatická detekcia vyberie jeden jazyk na súbor. Ak sa schôdza presúva medzi dvoma jazykmi, každý úsek prepíšte zvlášť a jazyk nastavte ručne. Prepis je vždy v jazyku, ktorým sa hovorilo; preklad je samostatný krok, ktorý robíte potom na texte.

Väčšina neúspešných prepisov má niekoľko príčin a oprava je zvyčajne v súbore alebo v jednom nastavení, nie v skúšaní inej služby. Ak je zvuk taký slabý, že mu sami nepohodlne rozumiete, stroj bude mať rovnaké problémy a krátky ručný prepis kľúčových častí môže byť rýchlejší než opravovanie dlhého automatického.