ஆடியோவை உரையாக மாற்றுவது எப்படி: இலவச வழிகள் & துல்லியம்

டிரான்ஸ்கிரிப்ஷன் இயந்திரம் உங்களைப் போல சொற்களைக் கேட்பதில்லை. அது அலைவடிவத்தை சுமார் 25 மில்லிவினாடி நீளமுள்ள, ஒன்றோடொன்று மேல்படியும் சட்டங்களாக வெட்டி, ஒவ்வொன்றையும் ஸ்பெக்ட்ரோகிராமாக மாற்றுகிறது; அந்தக் கணத்தில் எந்த அதிர்வெண்கள் உரத்து உள்ளன என்பதன் வரைபடம் அது. ஒலியியல் மாதிரி அந்த வரைபடத்தைப் பார்த்து எந்தப் பேச்சு ஒலிகள் உள்ளன என்று மதிப்பிடுகிறது: s-இன் சீறல், t-இன் வெடிப்பு, ship-ஐயும் sheep-ஐயும் வேறுபடுத்தும் உயிரொலி வடிவங்கள். இது மட்டும் படிக்கக்கூடிய உரையைத் தராது, சாத்தியமான ஒலிகளின் தொடரையே தரும்.

மொழி மாதிரி அதில் பெரும்பகுதியைச் சரிசெய்கிறது. உண்மையான வாக்கியங்களில் எந்தச் சொல் வரிசைகள் வரக்கூடியவை என்பது அதற்குத் தெரியும்; ஒலிகள் recognize speech அல்லது wreck a nice beach ஆக இருக்கலாம் என்றால் சூழல் முடிவு செய்கிறது. பழைய அமைப்புகள் இவ்விரு பகுதிகளையும் தனித்தனியாக வைத்து, குறைந்த, கவனமாக வாசிக்கப்பட்ட பொருளில் பயிற்றுவித்தன; அதனால்தான் 2010-களின் டிக்டேஷன் மென்பொருள் உச்சரிப்புகளிலும் இயல்புப் பேச்சிலும் தடுமாறியது.

2022 செப்டம்பரில் OpenAI Whisper என்ற திறந்த மாதிரியை வெளியிட்டது; இணையத்திலிருந்து திரட்டிய சுமார் 6,80,000 மணிநேர பன்மொழி ஆடியோவில் இது பயிற்றுவிக்கப்பட்டது. ஒலியியல், மொழிப் பகுதிகளை ஒரே நெட்வொர்க்காக இணைத்து, 30 வினாடி சாளரங்களைப் படித்து நிறுத்தற்குறியுடன் நேரடியாக உரையை எழுதுகிறது. இக்குடும்ப மாதிரிகள் உச்சரிப்புடன் கூடிய பேச்சு, கலந்த சொற்களஞ்சியம், குழப்பமான நிஜ ஒலிப்பதிவுகளை மிகவும் பயன்படுத்தத்தக்கதாக்கின; இன்றைய பெரும்பாலான இலவச சேவைகளும் உலாவிக் கருவிகளும் இதைப் போன்றதையே இயக்குகின்றன. ஆனாலும் அவை ஊகிக்கின்றன; ஆடியோ தெளிவில்லாதபோது சரளமாக ஊகிப்பதால் தவறுகளைக் கண்டுபிடிப்பது கடினம்.

துல்லியம் பொதுவாக சொல் பிழை விகிதத்தால் அளக்கப்படுகிறது: கவனமாக மனிதர் எழுதிய டிரான்ஸ்கிரிப்டுடன் ஒப்பிடும்போது மாற்றப்பட்ட, விடுபட்ட அல்லது புதிதாகச் சேர்ந்த சொற்களின் பங்கு. 5% பிழை என்றால் இருபது சொற்களுக்கு ஒரு தவறு; இது சிறியதாகத் தோன்றும், ஆனால் தவறுகள் குடும்பப் பெயர், பொருள் குறியீடு, பட்ஜெட் விவாதத்தில் வரும் எண் போன்ற முக்கியமான சொற்களிலேயே குவிகின்றன.

கீழுள்ள காரணிகள் பாதிப்பின் அளவுப்படி தோராயமாக வரிசைப்படுத்தப்பட்டுள்ளன. இவற்றில் கிட்டத்தட்ட அனைத்தும் பதிவு செய்யும்போதே தீர்மானமாகின்றன, உரையாக்கும்போது அல்ல. போனை மேசையின் நடுவிலிருந்து பேசுபவருக்கு கைநீளத் தொலைவுக்குள் கொண்டுவருவது, பிறகு மாற்றக்கூடிய எந்த அமைப்பையும் விட அதிகம் உதவும்.

பெரும்பாலான ஒலிப்பதிவுகளை அப்படியே பதிவேற்றலாம். மூன்று சூழல்களில் தயாரிப்பு பலன் தரும்: கோப்பு மிக நீளமாக அல்லது பெரிதாக இருக்கும்போது, பேச்சு அமைதி அல்லது இசையின் அடியில் புதைந்திருக்கும்போது, ஒலி அளவு மிகக் குறைவாக இருந்து ஒலியை முழுதும் உயர்த்தினால்தான் கேட்கும்போது. தொடக்கத்தில் நீண்ட அமைதி நேர விரயம் மட்டுமல்ல; தானியங்கி கண்டறிதல் முதல் 30 வினாடிகளை வைத்து மொழியைத் தீர்மானிப்பதால், அறை இரைச்சல் அல்லது அறிமுக இசையை வைத்து தவறாக ஊகிக்கலாம். பதிவை பேச்சு உள்ள பகுதிக்கு வெட்டுவது அல்லது தொடக்க நேரம் அமைத்து அதைத் தவிர்ப்பது இதைத் தடுக்கும்.

வடிவ மாற்றம் அரிதாகவே தேவை. iPhone Voice Memos M4A (AAC ஆடியோ) ஆகும், Android ரெக்கார்டர்கள் M4A, AAC அல்லது 3GP உருவாக்கும், அழைப்பு ரெக்கார்டர்கள் பெரும்பாலும் AMR உருவாக்கும்; இவை அனைத்தையும் நேரடியாகப் பதிவேற்றலாம். சுருக்கப்பட்ட கோப்பை WAV-க்கு மாற்றினாலும், பதிவின்போது இழந்த விவரம் திரும்பாது; MP3, WAV, FLAC, AAC வழிகாட்டி இதை விளக்குகிறது. எனவே கருவி வடிவத்தை ஏற்க மறுத்தால் மட்டும் மாற்றுங்கள். மணிக்கணக்கில் ஓடும் பதிவை தேநீர் இடைவேளை அல்லது தலைப்பு மாறும் இடம் போன்ற இயல்பான இடைவெளிகளில் பிரியுங்கள்; அப்போது ஒவ்வொரு பகுதியும் பதிவேற்ற வரம்புக்குள் இருக்கும், சரிபார்க்கவும் எளிது.

அடுத்து என்ன செய்யப்போகிறீர்கள் என்பதைப் பொறுத்து வெளியீட்டைத் தேர்ந்தெடுங்கள். டிரான்ஸ்கிரிப்டைப் படிக்க, மேற்கோள் காட்ட அல்லது தேட என்றால் எளிய உரை அல்லது Word சரி; Word பத்திகள், நேரக்குறிகள், பேசுபவர் பெயர்களை திருத்துவதற்கேற்ப வைத்திருக்கும்; மாற்றக்கூடாத நகலை அனுப்ப PDF. சொற்கள் வீடியோவின் மேல் திரையில் தோன்ற வேண்டுமென்றால் சப்டைட்டில் கோப்பு தேவை: SRT அல்லது VTT பேச்சை சிறு வரிகளாகப் பிரிக்கும், ஒவ்வொன்றுக்கும் தொடக்க, முடிவு நேரம் இருக்கும்; வரி நீளம் திரையில் எவ்வளவு பொருந்தும் என்பதைத் தீர்மானிக்கும். ஒரு வரிக்கு நாற்பத்திரண்டு எழுத்துகள் என்பது பொதுவான ஒளிபரப்புத் தரம்.

SRT, VTT ஒரே தகவலைச் சிறு வேறுபாடுகளுடன் கொண்டிருக்கும். பழைய SubRip நிரலிலிருந்து வந்த SRT ஒவ்வொரு வரிக்கும் எண்ணிட்டு நேரங்களை கமாவுடன் (00:01:15,000) எழுதும். WebVTT என்பது HTML5 வீடியோவுக்கான W3C வடிவம்; இது WEBVTT தலைப்புடன் தொடங்கி, நேரங்களில் புள்ளி பயன்படுத்தி, ஸ்டைலிங், இடநிலையை அனுமதிக்கிறது. YouTube, Vimeo, Premiere Pro, DaVinci Resolve இரண்டையும் ஏற்கும். சொல் அளவிலான நேரங்களுடன் கூடிய JSON, தேடல், கரோக்கி பாணி ஹைலைட் அல்லது சொந்த சப்டைட்டில் அமைப்பை உருவாக்கும் டெவலப்பர்களுக்கானது.

எதையும் பதிவேற்றும் முன், உங்கள் சாதனங்களே என்ன செய்கின்றன என்று பாருங்கள். iOS 18-இல் Apple, Voice Memos செயலியில் டிரான்ஸ்கிரிப்ட் வசதியைச் சேர்த்தது; எனவே புதிய iPhone-இல் எடுத்த பதிவின் உரையை செயலியிலேயே காணலாம். Pixel போன்களில் உள்ள Google-இன் Recorder செயலி 2019 முதல் பதிவு செய்யும்போதே உரையாக்கி வருகிறது; இது முழுவதும் சாதனத்திலேயே நடக்கும், பேசுபவர்களையும் வேறுபடுத்தும். Microsoft 365-இல், Word for the web-இல் Dictate-க்கு அருகில் உரையாக்கு கட்டளை உள்ளது; இது பதிவேற்றிய MP3, M4A, WAV, MP4 கோப்புகளை ஏற்கும், மாதந்தோறும் குறிப்பிட்ட பதிவேற்ற நிமிடங்கள் உண்டு. Google Docs Voice typing (Chrome-இல் Tools-இன் கீழ்) நேரடி மைக்ரோஃபோனை மட்டுமே கேட்கும்; ஏற்கனவே உள்ள கோப்பைப் படிக்காது.

கூட்ட தளங்களும் ஒரு வழி. டிரான்ஸ்கிரிப்ஷன் இயக்கப்பட்டு, உங்கள் திட்டம் அல்லது நிறுவனம் அனுமதித்தால் Zoom, Microsoft Teams, Google Meet ஆகியவை அழைப்பின் டிரான்ஸ்கிரிப்டை உருவாக்கும்; Otter.ai போன்ற உதவியாளர்கள் கூட்டங்களில் சேர்ந்து குறிப்பெடுப்பார்கள். நீங்கள் நடத்தும் அழைப்புகளுக்கு இவை வசதியானவை, ஆனால் ஒவ்வொன்றும் அதன் செயலிக்குள் மட்டுமே வேலை செய்யும், பதிவுக்கு அனைவரின் ஒப்புதல் தேவை, தனது சொந்த வடிவங்களில் மட்டுமே ஏற்றுமதி செய்யும். பழைய நேர்காணல், விரிவுரைப் பதிவு, வேறொருவர் அனுப்பிய குரல் குறிப்பு போன்ற ஏற்கனவே உள்ள கோப்புக்கு, கோப்பு அடிப்படையிலான டிரான்ஸ்கிரைபர் பொதுவாக எளிமையான வழி.

உள்ளமைந்த வசதிகள் விட்டுவிடுவதை உலாவிக் கருவி நிரப்புகிறது: எந்தச் சாதனத்தின் எந்தக் கோப்பும், சப்டைட்டில் வெளியீடுகள், உங்கள் போன் ஆதரிக்காத மொழிகள். ஆடியோ to டெக்ஸ்ட் மாற்றி பக்கத்தில் கோப்பைச் சேர்த்து, பேசப்படும் மொழி-யை தானியங்கு கண்டறிதலில் விடவும் அல்லது நீங்களே தேர்ந்தெடுக்கவும்; ஒரு வெளியீடு தேர்ந்து, தேவைப்பட்டால் நேரமுத்திரைகள் அல்லது பேச்சாளர் லேபிள்கள்-ஐ இயக்கவும். iPhone குரல் குறிப்புகளுக்கு தனி M4A to text பக்கம் உள்ளது; பாட்காஸ்ட் அல்லது ரெக்கார்டர் கோப்புகளுக்கு MP3 to text உள்ளது; இரண்டும் ஒரே இயந்திரத்தைப் பயன்படுத்துகின்றன. ஒவ்வொரு கோப்பும் 95 MB வரை இருக்கலாம்; இது 128 kbps MP3-இல் சுமார் ஒன்றரை மணி நேரம். இதைவிட நீளமானதற்கு தொடக்க நேரம், முடிவு நேரம் பயன்படுத்தி பகுதிகளாக உரையாக்கவும், அல்லது முதலில் பதிவை வெட்டவும்.

எதிர்பார்ப்புகளை நேர்மையாக வைத்திருங்கள். அமைதியான அறையில் நல்ல மைக்ரோஃபோனில் ஒரே பேச்சாளர் என்றால் பொதுவாக 90–95% அல்லது அதற்கு மேல் சரியாக வரும்; லேசான திருத்தத்துக்குப் பின் வெளியிடவே போதுமானதாக இருக்கும். பரபரப்பான உணவகத்தில் மேசை மீது வைத்த போன், இடையிடும் கான்ஃபரன்ஸ் அழைப்பு, ஒருவரை ஒருவர் குறுக்கிடும் விவாதம் ஆகியவற்றில் துல்லியம் மிகக் குறையலாம், முழு வாக்கியங்களும் விடுபடலாம். குரல்கள் தெளிவாக வேறுபட்டு, ஒவ்வொருவரும் முறைப்படி பேசும்போது பேச்சாளர் லேபிள்கள் நம்பகமானவை; ஒத்த இரு குரல்களை நீங்கள் நினைப்பதைவிட அடிக்கடி குழப்பிக்கொள்ளும்.

உரையை மட்டும் பார்க்காமல் ஆடியோவைத் திறந்து வைத்துப் பிழை திருத்துங்கள்; ஏனெனில் நவீன மாடல்கள் தவறாக இருந்தாலும் இலக்கணப்படி சரியான வாக்கியங்களை எழுதும். ஒவ்வொரு சொந்தப் பெயரையும் சரிபாருங்கள்; உங்கள் சக ஊழியர் Caitlin என எழுதுகிறாரா Katelyn என எழுதுகிறாரா என மாடலுக்குத் தெரியாது. ஒவ்வொரு எண்ணையும் சரிபாருங்கள்: fifteen, fifty, தேதிகள், விலைகள், சதவீதங்கள் எளிதில் தவறாகக் கேட்கப்படும். their/there, affect/effect, complement/compliment போன்ற ஒலிபோன்ற சொற்களையும், ஆடியோ தெளிவில்லாத இடத்தில் மாடல் நம்பிக்கையுடன் நிரப்பிய சொற்களையும் கவனியுங்கள். நேரமுத்திரைகள் இதை வேகமாக்கும்; சந்தேகமான வரி பேசப்பட்ட இடத்துக்கே நேராகச் செல்லலாம்.

ஆவணத்தைவிட பதிவில் பெரும்பாலும் அதிக தனிப்பட்ட தகவல் இருக்கும்: குரல்கள், பெயர்கள், உடல்நல விவரங்கள், சம்பளத் தொகைகள். பதிவேற்றும் முன் கோப்பு எங்கே செல்கிறது, எவ்வளவு நேரம் இருக்கும் என்று அறிந்துகொள்ளுங்கள். UltKit-இல் பதிவேற்றங்கள் சேவையகத்தில் செயலாக்கப்பட்டு, செயலாக்கம் முடிந்த 30 நிமிடங்களுக்குப் பின் தானாக நீக்கப்படும்; கணக்கு இல்லாததால் எதுவும் உங்கள் பெயருடன் இணைக்கப்படாது. Pixel Recorder ஆஃப்லைனில் வேலை செய்வதால் ஆடியோ போனை விட்டு வெளியேறாது. இரகசியத்தன்மை ஒப்பந்தம் அல்லது மருத்துவ, சட்டப் பாதுகாப்பு உள்ள எதற்கும் முதலில் உங்கள் நிறுவனக் கொள்கையைப் பாருங்கள்; சிலவற்றுக்கு ஒப்புதல் பெற்ற, ஒப்பந்தச் சேவைகள் மட்டுமே தேவை.

மொழி ஆதரவு விரிவானது, ஆனால் சமமற்றது. டிரான்ஸ்கிரைபர் 33 மொழிகளை உள்ளடக்குகிறது; ஆங்கிலம், ஸ்பானிஷ், பிரெஞ்சு, ஜெர்மன், போர்ச்சுகீசியம், அரபு, இந்தி, ஜப்பானியம், கொரியன், சீனம், உக்ரைனியன் உட்பட. அதிக பயிற்சித் தரவு உள்ள மொழிகளில் சிறந்த முடிவுகள் கிடைக்கும். தானியங்கு கண்டறிதல் ஒரு கோப்புக்கு ஒரு மொழியையே தேர்ந்தெடுக்கும். கூட்டம் இரு மொழிகளுக்கிடையே மாறினால், ஒவ்வொரு பகுதியையும் மொழியைக் கையால் அமைத்துத் தனித்தனியாக உரையாக்குங்கள். டிரான்ஸ்கிரிப்ட் எப்போதும் பேசப்பட்ட மொழியிலேயே எழுதப்படும்; மொழிபெயர்ப்பு என்பது பின்னர் உரையில் செய்யும் தனிப் படி.

தோல்வியடைந்த டிரான்ஸ்கிரிப்ட்களில் பெரும்பாலானவை சில காரணங்களால்தான்; தீர்வு பொதுவாக கோப்பிலோ ஒரு அமைப்பிலோ இருக்கும், வேறு சேவையை முயல்வதில் அல்ல. ஆடியோவே நீங்கள் வசதியாகப் புரிந்துகொள்ள முடியாத அளவு மோசமாக இருந்தால், இயந்திரமும் அதேபோல் திணறும்; நீண்ட தானியங்கு உரையைத் திருத்துவதைவிட முக்கியப் பகுதிகளைக் கையால் சுருக்கமாக எழுதுவது விரைவாக இருக்கலாம்.