Jinsi ya Kubadilisha Sauti kuwa Maandishi Bure | Vidokezo

Injini ya unukuzi haisikii maneno kama unavyosikia wewe. Hukata mawimbi ya sauti kuwa fremu zinazopishana zenye urefu wa takriban milisekunde 25, na kugeuza kila kipande kuwa spektrogramu, ramani inayoonyesha masafa yaliyo na nguvu wakati huo. Modeli ya akustika huangalia ramani hiyo na kukadiria sauti za usemi zilizopo: mlio wa s, mlipuko wa t, maumbo ya irabu yanayotofautisha ship na sheep. Peke yake hutoa mfululizo wa sauti zinazowezekana, si maandishi yanayosomeka.

Modeli ya lugha hurekebisha sehemu kubwa ya hilo. Inajua mfuatano wa maneno unaowezekana katika sentensi halisi, kwa hiyo sauti zinapoweza kuwa recognize speech au wreck a nice beach, muktadha huamua. Mifumo ya zamani ilitenganisha sehemu hizi mbili na kuzifunza kwa nyenzo chache zilizosomwa kwa uangalifu, ndiyo maana programu za kuandika kwa sauti za miaka ya 2010 zilikwama kwenye lafudhi na mazungumzo ya kawaida.

Mnamo Septemba 2022 OpenAI ilitoa Whisper, modeli huria iliyofunzwa kwa takriban saa 680,000 za sauti za lugha nyingi zilizokusanywa mtandaoni. Inaunganisha sehemu za akustika na lugha katika mtandao mmoja unaosoma madirisha ya sekunde 30 na kuandika maandishi pamoja na alama za uandishi moja kwa moja. Modeli za aina hii zilifanya usemi wenye lafudhi, msamiati mchanganyiko na rekodi halisi zenye kelele kuwa rahisi kutumia zaidi, na huduma nyingi za bure za unukuzi leo, zikiwemo zana za kivinjari, hutumia kitu kama hicho. Bado hukisia, na sauti isipokuwa wazi hukisia kwa ufasaha, jambo linalofanya makosa yao kuwa magumu kugundua.

Usahihi hupimwa kwa kawaida kama kiwango cha makosa ya maneno: asilimia ya maneno yaliyobadilishwa, kuachwa au kubuniwa ikilinganishwa na nakala makini ya binadamu. Kiwango cha makosa cha 5% humaanisha kosa moja kila maneno ishirini, kinachoonekana kidogo hadi utambue kwamba makosa hukusanyika kwenye maneno muhimu, kama jina la ukoo, msimbo wa bidhaa au kiasi katika mjadala wa bajeti.

Vipengele vilivyo hapa chini vimepangwa takriban kwa mpangilio wa madhara. Zingatia kwamba karibu vyote huamuliwa rekodi inapofanywa, si inaponukuliwa. Kuhamisha simu kutoka katikati ya meza hadi umbali wa mkono kutoka kwa mzungumzaji mara nyingi husaidia zaidi kuliko mpangilio wowote unaoweza kubadilisha baadaye.

Rekodi nyingi zinaweza kuingizwa kama zilivyo. Maandalizi yana faida katika hali tatu: faili ni ndefu au kubwa mno, usemi umezikwa chini ya ukimya au muziki, au kiwango cha sauti ni cha chini hadi unalazimika kupandisha sauti kabisa ili kusikia. Ukimya mrefu mwanzoni ni zaidi ya kupoteza muda, kwa sababu utambuzi wa kiotomatiki huamua lugha kutoka sekunde 30 za kwanza na unaweza kukisia kutoka kelele za chumba au wimbo wa utangulizi. Kukata rekodi hadi sehemu yenye usemi, au kuweka Anza kwenye ili kuruka sehemu hiyo, huepusha tatizo hilo.

Kubadilisha muundo mara chache huhitajika. Voice Memos za iPhone ni M4A (sauti ya AAC), rekoda za Android hutoa M4A, AAC au 3GP, na rekoda za simu mara nyingi hutoa AMR; zote hizi zinaweza kupakiwa moja kwa moja. Kubadilisha faili iliyobanwa kuwa WAV hakurudishi undani uliopotea wakati wa kurekodi, kama ulinganisho katika mwongozo wetu wa MP3, WAV, FLAC na AAC unavyoeleza, kwa hiyo badilisha tu zana inapokataa muundo. Kwa rekodi ya saa kadhaa, igawe kwenye vipindi vya asili kama mapumziko ya chai au mabadiliko ya mada, ili kila sehemu ibaki chini ya kikomo cha upakiaji na iwe rahisi kusahihisha.

Chagua matokeo kulingana na kinachofuata. Ukitaka kusoma, kunukuu au kutafuta ndani ya nakala, maandishi matupu au Word yanafaa; Word huweka aya, alama za muda na lebo za wazungumzaji tayari kuhaririwa, na PDF ni ya kutuma nakala isiyobadilika ambayo mtu hapaswi kuibadilisha. Maneno yakionekana skrinini juu ya video, unahitaji faili ya manukuu: SRT au VTT hugawa usemi kuwa vipande vifupi, kila kimoja chenye muda wa kuanza na kuisha, na urefu wa mstari huamua kiasi kinachotosha skrinini. Herufi arobaini na mbili kwa mstari ni kiwango cha kawaida cha utangazaji.

SRT na VTT hubeba taarifa zilezile zenye tofauti ndogo. SRT, kutoka programu ya zamani ya SubRip, hupa kila kipande namba na huandika nyakati kwa koma (00:01:15,000). WebVTT ni muundo wa W3C wa video ya HTML5; huanza na kichwa WEBVTT, hutumia nukta katika nyakati na huruhusu mitindo na uwekaji. YouTube, Vimeo, Premiere Pro na DaVinci Resolve hukubali zote mbili. JSON yenye muda wa kila neno ni kwa watengenezaji wanaojenga utafutaji, uangaziaji wa mtindo wa karaoke au mpangilio wao wa manukuu.

Kabla ya kupakia chochote, angalia vifaa vyako vinavyofanya tayari. Apple iliongeza nakala za maandishi kwenye programu ya Voice Memos katika iOS 18, kwa hiyo rekodi iliyofanywa kwenye iPhone ya hivi karibuni inaweza kuonyesha maandishi yake ndani ya programu. Programu ya Recorder ya Google kwenye simu za Pixel imekuwa ikinukuu wakati wa kurekodi tangu 2019, kabisa kwenye kifaa, na inaweza kutofautisha wazungumzaji. Katika Microsoft 365, Word ya wavuti ina amri ya Transcribe karibu na Dictate inayokubali faili za MP3, M4A, WAV na MP4 zilizopakiwa, kukiwa na kiasi cha kila mwezi cha dakika za kupakia. Voice typing ya Google Docs (chini ya Tools, kwenye Chrome) husikiliza maikrofoni ya moja kwa moja tu; haiwezi kusoma faili iliyopo.

Majukwaa ya mikutano ni chanzo kingine. Zoom, Microsoft Teams na Google Meet zinaweza kutoa nakala ya simu unukuzi unapowashwa na mpango au shirika lako likiruhusu, na wasaidizi kama Otter.ai hujiunga na mikutano kuchukua madokezo. Ni rahisi kwa simu unazoandaa, lakini kila moja hufanya kazi ndani ya programu yake tu, inahitaji ridhaa ya kila mtu kurekodi, na hutoa miundo yake. Kwa faili ambayo tayari unayo, kama mahojiano ya zamani, rekodi ya mhadhara au ujumbe wa sauti uliotumwa na mtu mwingine, kinukuzi cha faili kwa kawaida ni njia rahisi zaidi.

Zana ya kivinjari hujaza yale ambayo chaguo zilizojengewa ndani huacha: faili yoyote kutoka kifaa chochote, matokeo ya manukuu, na lugha ambazo simu yako haziungi mkono. Kwenye kibadilishaji sauti kuwa maandishi, ongeza faili, acha Lugha inayozungumzwa kwenye utambuzi wa kiotomatiki au chagua lugha mwenyewe, chagua Matokeo, na uwashe Alama za muda au Lebo za wazungumzaji ukihitaji. Memo za sauti za iPhone zina ukurasa wake wa M4A kuwa maandishi, na faili za podikasti au rekoda zina MP3 kuwa maandishi; zote hutumia injini ileile. Kila faili inaweza kuwa hadi 95 MB, takriban saa moja na nusu ya MP3 ya 128 kbps. Kwa kitu kirefu zaidi, tumia Anza kwenye na Malizia kwenye kunukuu kwa sehemu, au kata rekodi kwanza.

Weka matarajio ya kweli. Mzungumzaji mmoja kwenye maikrofoni nzuri katika chumba tulivu kwa kawaida hupata usahihi wa 90–95% au zaidi, mara nyingi wa kutosha kuchapisha baada ya uhariri mwepesi. Simu juu ya meza kwenye mgahawa wenye kelele, mkutano wa simu wenye kukatika, au jopo ambapo watu wanakatizana vinaweza kushuka sana, na sentensi nzima kukosekana. Lebo za wazungumzaji ni za kuaminika sauti zinapotofautiana wazi na watu wanapozungumza kwa zamu, na huchanganya sauti mbili zinazofanana mara nyingi kuliko unavyoweza kutarajia.

Sahihisha ukiwa na sauti wazi, si kutoka maandishi peke yake, kwa sababu modeli za kisasa huandika sentensi sahihi kisarufi hata zinapokosea. Angalia kila jina maalum, kwa kuwa modeli haina njia ya kujua mwenzako huliandika Caitlin au Katelyn. Angalia kila namba: fifteen na fifty, tarehe, bei na asilimia ni rahisi kusikia vibaya. Jihadhari na maneno yanayosikika sawa kama their/there, affect/effect na complement/compliment, na maneno ya kujaza kwa kujiamini pale sauti ilipokuwa haieleweki. Alama za muda hufanya hili kuwa la haraka, kwa sababu unaweza kuruka hadi wakati kamili mstari wenye shaka ulipozungumzwa.

Rekodi mara nyingi hubeba taarifa binafsi zaidi kuliko hati: sauti, majina, maelezo ya afya, viwango vya mshahara. Kabla ya kupakia, jua faili inakoenda na inakaa muda gani. Kwenye UltKit, faili zilizopakiwa huchakatwa kwenye seva na kufutwa kiotomatiki dakika 30 baada ya kuchakatwa; hakuna akaunti, kwa hiyo hakuna kinachohusishwa na jina lako. Recorder ya Pixel hufanya kazi bila intaneti, kwa hiyo sauti haiondoki kwenye simu. Kwa chochote kilichofunikwa na makubaliano ya usiri au haki ya kitabibu au ya kisheria, angalia kwanza sera ya shirika lako; baadhi huhitaji huduma zilizoidhinishwa na zenye mkataba.

Uungaji mkono wa lugha ni mpana lakini hautoshani. Kinukuzi hufunika lugha 33, zikiwemo Kiingereza, Kihispania, Kifaransa, Kijerumani, Kireno, Kiarabu, Kihindi, Kijapani, Kikorea, Kichina na Kiukrainia, na matokeo bora hupatikana katika lugha zenye data nyingi zaidi za mafunzo. Utambuzi wa kiotomatiki huchagua lugha moja kwa kila faili. Mkutano ukihama kati ya lugha mbili, nukuu kila sehemu kando ukiweka lugha mwenyewe. Nakala huandikwa kila mara kwa lugha iliyozungumzwa; tafsiri ni hatua tofauti unayofanya baadaye kwenye maandishi.

Nakala nyingi zinazoshindwa hutokana na sababu chache, na suluhisho kwa kawaida liko kwenye faili au mpangilio mmoja badala ya kujaribu huduma nyingine. Sauti yenyewe ikiwa mbaya mno hata wewe huwezi kuifuata kwa urahisi, mashine itapata ugumu vilevile, na nakala fupi ya mkono ya vifungu muhimu inaweza kuwa ya haraka kuliko kusahihisha ndefu ya kiotomatiki.