Zvok v besedilo: brezplačni načini in nasveti za natančnost

Prepisovalnik besed ne sliši tako kot vi. Zvočni val razreže na prekrivajoče se okvirje dolžine približno 25 milisekund in vsakega pretvori v spektrogram, zemljevid frekvenc, ki so v tistem trenutku glasne. Akustični model si ta zemljevid ogleda in oceni, kateri govorni glasovi so prisotni: sikanje glasu s, poks glasu t, oblike samoglasnikov, po katerih ločimo ship od sheep. Sam po sebi to da tok verjetnih glasov, ne berljivega besedila.

Večino tega popravi jezikovni model. Ve, katera zaporedja besed so v resničnih stavkih verjetna, zato ko bi glasovi lahko pomenili recognize speech ali wreck a nice beach, odloči kontekst. Starejši sistemi so ta dva dela ločevali in ju učili na omejenem, skrbno prebranem gradivu, zato so programi za narekovanje iz leta 2010 in naprej zatajili pri naglasih in sproščenem govoru.

Septembra 2022 je OpenAI izdal Whisper, odprt model, naučen na približno 680.000 urah večjezičnega zvoka iz spleta. Akustični in jezikovni del združuje v eno omrežje, ki bere 30-sekundna okna in neposredno piše besedilo z ločili. Modeli te družine so naglašen govor, mešan besedni zaklad in neurejene posnetke iz resničnega življenja naredili precej bolj uporabne, večina brezplačnih storitev prepisovanja danes, vključno s spletnimi orodji, uporablja nekaj podobnega. Še vedno ugibajo, ko pa je zvok nejasen, ugibajo tekoče, zato njihove napake težje opazite.

Natančnost se običajno meri z deležem napačnih besed: delež besed, ki so bile zamenjane, izpuščene ali izmišljene v primerjavi s skrbnim človeškim prepisom. Pet odstotkov napak pomeni eno napako na dvajset besed, kar se zdi malo, dokler ne opazite, da se napake kopičijo pri besedah, ki štejejo, na primer priimku, kodi izdelka ali številki v razpravi o proračunu.

Dejavniki spodaj so našteti približno po vrstnem redu škode. Skoraj vse se odločijo ob snemanju, ne ob prepisovanju. Premik telefona s sredine mize na dosegu roke od govorca pogosto naredi več kot katera koli nastavitev naknadno.

Večino posnetkov lahko naložite take, kot so. Priprava se obrestuje v treh primerih: datoteka je predolga ali prevelika, govor je zakopan pod tišino ali glasbo ali pa je raven tako nizka, da morate za poslušanje povsem dvigniti glasnost. Dolga tišina na začetku ni le izgubljen čas, saj samodejno zaznavanje jezika odloča po prvih 30 sekundah in lahko ugiba po hrupu prostora ali uvodni melodiji. Temu se izognete, če posnetek skrajšate na del z govorom ali z nastavitvijo Začetek preskočite uvod.

Pretvorba formata je redko potrebna. Glasovni zapiski iPhona so M4A (zvok AAC), snemalniki v Androidu ustvarjajo M4A, AAC ali 3GP, snemalniki klicev pa pogosto AMR; vse te lahko naložite neposredno. Pretvorba stisnjene datoteke v WAV ne povrne podrobnosti, ki so bile izgubljene ob snemanju, kot razlaga primerjava v našem vodniku po MP3, WAV, FLAC in AAC, zato pretvarjajte le, če orodje formata ne sprejme. Posnetek, ki traja več ur, razdelite na naravnih odmorih, na primer ob odmoru za kavo ali menjavi teme, da vsak del ostane pod omejitvijo nalaganja in ga je lažje pregledati.

Izhod izberite glede na to, kaj sledi. Če boste prepis brali, citirali ali po njem iskali, je prava izbira navadno besedilo ali Word; Word ohrani odstavke, časovne oznake in oznake govorcev, urejene za urejanje, PDF pa je za pošiljanje nespremenljive kopije. Če se bodo besede prikazale na zaslonu čez video, potrebujete datoteko s podnapisi: SRT ali VTT razdelita govor na kratke vrstice, vsako z začetnim in končnim časom, dolžina vrstice pa določa, koliko stane na zaslon. Dvainštirideset znakov na vrstico je običajen televizijski standard.

SRT in VTT nosita iste podatke z majhnimi razlikami. SRT, iz starega programa SubRip, oštevilči vsak podnapis in čase piše z vejico (00:01:15,000). WebVTT je format W3C za video HTML5; začne se z glavo WEBVTT, v časih uporablja piko ter omogoča oblikovanje in postavitev. YouTube, Vimeo, Premiere Pro in DaVinci Resolve sprejmejo oba. JSON s časi na ravni besed je za razvijalce, ki gradijo iskanje, označevanje v slogu karaok ali lastno postavitev podnapisov.

Preden karkoli naložite, preverite, kaj vaše naprave že zmorejo. Apple je v iOS 18 aplikaciji Voice Memos dodal prepise, zato lahko posnetek na novejšem iPhonu prikaže besedilo kar v aplikaciji. Googlova aplikacija Recorder na telefonih Pixel prepisuje med snemanjem od leta 2019, povsem na napravi, in zna ločiti govorce. V Microsoft 365 ima Word za splet ukaz Prepiši ob ukazu Narekuj, ki sprejme naložene datoteke MP3, M4A, WAV in MP4 z mesečno omejitvijo minut nalaganja. Google Docs Glasovno tipkanje (pod Orodja, v Chromu) posluša samo mikrofon v živo; obstoječe datoteke ne more prebrati.

Drug vir so platforme za sestanke. Zoom, Microsoft Teams in Google Meet lahko ustvarijo prepis klica, če je prepisovanje vklopljeno in ga vaš paket ali organizacija dovoljuje, pomočniki, kot je Otter.ai, pa se pridružijo sestankom in si delajo zapiske. Priročni so za klice, ki jih vodite, a vsak deluje le znotraj svoje aplikacije, potrebuje soglasje vseh za snemanje in izvaža v lastnih formatih. Za datoteko, ki jo že imate, na primer star intervju, posnetek predavanja ali glasovno sporočilo, ki ga je posredoval nekdo drug, je običajno preprostejši prepisovalnik datotek.

Spletno orodje pokrije, kar vgrajene možnosti izpustijo: katero koli datoteko iz katere koli naprave, izhode podnapisov in jezike, ki jih vaš telefon ne podpira. V pretvorniku zvoka v besedilo dodajte datoteko, pustite Govorjeni jezik na samodejnem zaznavanju ali jezik izberite sami, izberite Izhod ter vklopite Časovne oznake ali Oznake govorcev, če jih potrebujete. Glasovni zapiski iz iPhona imajo svojo stran M4A v besedilo, podkasti in datoteke snemalnikov pa MP3 v besedilo; oba uporabljata isti sistem. Posamezna datoteka je lahko velika do 95 MB, kar je približno uro in pol MP3 pri 128 kbps. Za daljše posnetke uporabite Začetek in Konec in prepisujte po delih ali posnetek najprej obrežite.

Imejte realna pričakovanja. En govorec z dobrim mikrofonom v tihem prostoru običajno dosega 90–95 % pravilnosti ali več, pogosto dovolj za objavo po rahlem urejanju. Telefon na mizi v polni restavraciji, konferenčni klic s prekinitvami ali pogovor, kjer si ljudje skačejo v besedo, lahko pade precej nižje, z manjkajočimi celimi stavki. Oznake govorcev so zanesljive, ko se glasovi jasno razlikujejo in se ljudje menjavajo, dva podobna glasova pa zamenjajo pogosteje, kot bi pričakovali.

Pregledujte z odprtim zvokom, ne le po besedilu, ker sodobni modeli pišejo slovnično pravilne stavke, tudi ko so napačni. Preverite vsako lastno ime, saj model ne more vedeti, da vaša sodelavka piše Caitlin ali Katelyn. Preverite vsako številko: fifteen in fifty, datume, cene in odstotke je lahko napačno slišati. Pazite na homofone, kot so their/there, affect/effect in complement/compliment, ter na samozavestno polnilo, kjer je bil zvok nejasen. Časovne oznake to pospešijo, ker lahko skočite na točen trenutek, ko je bila dvomljiva vrstica izrečena.

Posnetek pogosto nosi več osebnih podatkov kot dokument: glasove, imena, zdravstvene podrobnosti, plače. Preden naložite, vedite, kam datoteka gre in kako dolgo ostane. Na UltKit se nalaganja obdelajo na strežniku in se samodejno izbrišejo 30 minut po obdelavi; računa ni, zato ni nič povezano z vašim imenom. Pixel Recorder deluje brez povezave, zato zvok nikoli ne zapusti telefona. Za vse, kar pokriva sporazum o zaupnosti ali zdravniška oziroma pravna zaupnost, najprej preverite pravilnik svoje organizacije; nekateri zahtevajo odobrene storitve s pogodbo.

Podpora jezikov je široka, a neenakomerna. Prepisovalnik zajema 33 jezikov, med njimi angleščino, španščino, francoščino, nemščino, portugalščino, arabščino, hindijščino, japonščino, korejščino, kitajščino in ukrajinščino, najboljši rezultati pa so v jezikih z največ učnih podatkov. Samodejno zaznavanje izbere en jezik na datoteko. Če sestanek preskakuje med dvema jezikoma, vsak del prepišite posebej z ročno nastavljenim jezikom. Prepis je vedno napisan v jeziku, ki je bil govorjen; prevod je ločen korak, ki ga opravite naknadno na besedilu.

Večina neuspelih prepisov izhaja iz peščice vzrokov, rešitev pa je običajno v datoteki ali eni nastavitvi, ne v preizkušanju druge storitve. Če je zvok sam preslab, da bi mu udobno sledili, se bo stroj mučil enako, kratek ročni prepis ključnih odlomkov pa je lahko hitrejši od popravljanja dolgega samodejnega.