แปลงเสียงเป็นข้อความ: วิธีฟรีและเคล็ดลับให้แม่นยำ | UltKit

ระบบถอดเสียงไม่ได้ยินคำพูดเหมือนที่คุณได้ยิน มันตัดรูปคลื่นเสียงเป็นเฟรมที่ซ้อนทับกันยาวประมาณ 25 มิลลิวินาที แล้วแปลงแต่ละช่วงเป็นสเปกโทรแกรม ซึ่งเป็นแผนที่แสดงว่าความถี่ใดดังในขณะนั้น โมเดลอะคูสติก ดูแผนที่นี้แล้วประเมินว่ามีเสียงพูดแบบใดอยู่ เช่น เสียงเสียดแทรกของ s เสียงระเบิดของ t และรูปสระที่แยก ship ออกจาก sheep เพียงลำพังจะได้เพียงลำดับเสียงที่น่าจะเป็น ไม่ใช่ข้อความที่อ่านได้

โมเดลภาษา ช่วยแก้ปัญหานี้ได้มาก มันรู้ว่าลำดับคำแบบใดมีแนวโน้มปรากฏในประโยคจริง เมื่อเสียงอาจเป็น recognize speech หรือ wreck a nice beach บริบทจะช่วยตัดสิน ระบบรุ่นเก่าแยกสองส่วนนี้ออกจากกันและฝึกด้วยข้อมูลจำกัดที่อ่านอย่างตั้งใจ ซอฟต์แวร์พิมพ์ตามคำพูดในช่วงปี 2010 จึงพลาดบ่อยกับสำเนียงและภาษาพูดทั่วไป

ในเดือนกันยายน 2022 OpenAI เปิดตัว Whisper โมเดลเปิดที่ฝึกด้วยเสียงหลายภาษาราว 680,000 ชั่วโมงที่รวบรวมจากเว็บ โมเดลนี้รวมส่วนอะคูสติกและส่วนภาษาไว้ในเครือข่ายเดียว อ่านเสียงทีละช่วง 30 วินาทีและเขียนข้อความพร้อมเครื่องหมายวรรคตอนโดยตรง โมเดลตระกูลนี้ทำให้เสียงที่มีสำเนียง คำศัพท์ปนกัน และการบันทึกจริงที่ไม่เรียบร้อยใช้งานได้ดีขึ้นมาก และบริการถอดเสียงฟรีส่วนใหญ่ในปัจจุบัน รวมถึงเครื่องมือบนเบราว์เซอร์ ก็ใช้ระบบที่คล้ายกัน แต่ก็ยังเดาอยู่ดี และเมื่อเสียงไม่ชัด มันเดาได้อย่างลื่นไหล ทำให้ข้อผิดพลาดสังเกตยากขึ้น

ความแม่นยำมักวัดด้วยอัตราคำผิดพลาด (word error rate) คือสัดส่วนของคำที่ถูกแทนที่ ตกหล่น หรือเพิ่มขึ้นมาเมื่อเทียบกับบทถอดเสียงโดยมนุษย์ที่ทำอย่างละเอียด อัตราผิดพลาด 5% หมายถึงผิดหนึ่งครั้งทุกยี่สิบคำ ฟังดูน้อย แต่ข้อผิดพลาดมักกระจุกอยู่ที่คำสำคัญ เช่น นามสกุล รหัสสินค้า หรือตัวเลขในการหารืองบประมาณ

ปัจจัยด้านล่างเรียงตามระดับความเสียหายโดยประมาณ จะเห็นว่าเกือบทั้งหมดถูกกำหนดตั้งแต่ตอนบันทึกเสียง ไม่ใช่ตอนถอดเสียง การย้ายโทรศัพท์จากกลางโต๊ะมาไว้ในระยะเอื้อมมือจากผู้พูดมักได้ผลมากกว่าการตั้งค่าใด ๆ ที่ปรับภายหลัง

การบันทึกส่วนใหญ่อัปโหลดได้ตามสภาพเดิม การเตรียมไฟล์ช่วยได้ในสามกรณี คือไฟล์ยาวหรือใหญ่เกินไป เสียงพูดจมอยู่ใต้ความเงียบหรือเสียงดนตรี หรือระดับเสียงเบามากจนต้องเร่งวอลุ่มสุดจึงจะได้ยิน ช่วงเงียบยาว ๆ ตอนต้นไม่ได้เสียแค่เวลา เพราะการตรวจจับภาษาอัตโนมัติตัดสินจาก 30 วินาทีแรก และอาจเดาจากเสียงในห้องหรือเพลงนำ การตัดไฟล์ให้เหลือเฉพาะส่วนที่มีเสียงพูด หรือตั้ง เริ่มที่ เพื่อข้ามช่วงนั้น จะหลีกเลี่ยงปัญหานี้ได้

แทบไม่จำเป็นต้องแปลงฟอร์แมต ข้อความเสียงของ iPhone เป็น M4A (เสียง AAC) เครื่องบันทึกบน Android ให้ไฟล์ M4A, AAC หรือ 3GP และแอปบันทึกสายมักให้ AMR ทั้งหมดนี้อัปโหลดได้โดยตรง การแปลงไฟล์ที่ถูกบีบอัดเป็น WAV ไม่ได้คืนรายละเอียดที่หายไปตอนบันทึก ดังที่การเปรียบเทียบใน คู่มือเรื่อง MP3, WAV, FLAC และ AAC อธิบายไว้ ดังนั้นแปลงเมื่อเครื่องมือไม่รองรับฟอร์แมตเท่านั้น ส่วนการบันทึกที่ยาวหลายชั่วโมง ให้แยกไฟล์ตามช่วงพักตามธรรมชาติ เช่น พักดื่มกาแฟหรือเปลี่ยนหัวข้อ เพื่อให้แต่ละส่วนไม่เกินขีดจำกัดการอัปโหลดและตรวจทานง่ายขึ้น

เลือกผลลัพธ์ตามสิ่งที่จะทำต่อ หากจะอ่าน อ้างอิง หรือค้นหาในบทถอดเสียง ข้อความล้วนหรือ Word เหมาะที่สุด Word คงย่อหน้า การระบุเวลา และป้ายชื่อผู้พูดไว้ให้แก้ไขได้ ส่วน PDF เหมาะกับการส่งสำเนาที่ไม่ต้องการให้ใครแก้ไข หากต้องการให้คำพูดขึ้นบนหน้าจอเหนือวิดีโอ ต้องใช้ไฟล์ซับไตเติล SRT หรือ VTT จะแบ่งคำพูดเป็นช่วงสั้น ๆ แต่ละช่วงมีเวลาเริ่มและเวลาจบ และความยาวของบรรทัดกำหนดว่าแสดงบนจอได้เท่าไร มาตรฐานการออกอากาศทั่วไปคือ 42 ตัวอักษรต่อบรรทัด

SRT และ VTT เก็บข้อมูลเหมือนกันโดยต่างกันเล็กน้อย SRT มาจากโปรแกรม SubRip รุ่นเก่า ใส่หมายเลขให้แต่ละช่วงและเขียนเวลาด้วยเครื่องหมายจุลภาค (00:01:15,000) ส่วน WebVTT เป็นฟอร์แมตของ W3C สำหรับวิดีโอ HTML5 ขึ้นต้นด้วยส่วนหัว WEBVTT ใช้จุดในเวลา และรองรับการจัดสไตล์และตำแหน่ง YouTube, Vimeo, Premiere Pro และ DaVinci Resolve รองรับทั้งสองแบบ ส่วน JSON ที่มีเวลาระดับคำเหมาะกับนักพัฒนาที่สร้างระบบค้นหา การไฮไลต์แบบคาราโอเกะ หรือเลย์เอาต์ซับไตเติลของตนเอง

ก่อนอัปโหลดไฟล์ใด ๆ ลองตรวจดูก่อนว่าอุปกรณ์ของคุณทำอะไรได้อยู่แล้วบ้าง Apple เพิ่มการถอดเสียงในแอป Voice Memos ตั้งแต่ iOS 18 ดังนั้นเสียงที่บันทึกด้วย iPhone รุ่นใหม่จึงแสดงข้อความในแอปได้ทันที แอป Recorder ของ Google บนโทรศัพท์ Pixel ถอดเสียงระหว่างบันทึกมาตั้งแต่ปี 2019 โดยทำงานบนเครื่องทั้งหมดและแยกผู้พูดได้ ใน Microsoft 365 Word บนเว็บมีคำสั่ง ถอดเสียง อยู่ข้างคำสั่ง Dictate ซึ่งรับไฟล์ MP3, M4A, WAV และ MP4 ที่อัปโหลด โดยมีโควตานาทีสำหรับอัปโหลดรายเดือน ส่วน Voice typing ของ Google Docs (ในเมนู Tools บน Chrome) รับฟังได้เฉพาะไมโครโฟนสดเท่านั้น ไม่สามารถอ่านไฟล์ที่มีอยู่แล้ว

แพลตฟอร์มประชุมก็เป็นอีกแหล่งหนึ่ง Zoom, Microsoft Teams และ Google Meet สร้างข้อความถอดเสียงของการโทรได้เมื่อเปิดการถอดเสียงและแพ็กเกจหรือองค์กรของคุณอนุญาต และผู้ช่วยอย่าง Otter.ai ก็เข้าร่วมประชุมเพื่อจดบันทึก เครื่องมือเหล่านี้สะดวกสำหรับการประชุมที่คุณเป็นเจ้าภาพ แต่แต่ละตัวทำงานได้เฉพาะในแอปของตัวเอง ต้องได้รับความยินยอมจากทุกคนในการบันทึก และส่งออกได้เฉพาะฟอร์แมตของตัวเอง สำหรับไฟล์ที่มีอยู่แล้ว เช่น บทสัมภาษณ์เก่า การบันทึกการบรรยาย หรือข้อความเสียงที่คนอื่นส่งต่อมา เครื่องมือถอดเสียงจากไฟล์มักง่ายกว่า

เครื่องมือบนเบราว์เซอร์ครอบคลุมสิ่งที่ตัวเลือกในเครื่องไม่มี ได้แก่ ไฟล์จากอุปกรณ์ใดก็ได้ ผลลัพธ์เป็นซับไตเติล และภาษาที่โทรศัพท์ของคุณไม่รองรับ ที่หน้าแปลงเสียงเป็นข้อความ ให้เพิ่มไฟล์ ปล่อย ภาษาที่พูด เป็นตรวจจับอัตโนมัติหรือเลือกภาษาเอง เลือก ผลลัพธ์ แล้วเปิด การประทับเวลา หรือ ป้ายระบุผู้พูด หากต้องการ ข้อความเสียงจาก iPhone มีหน้าM4A เป็นข้อความ โดยเฉพาะ และไฟล์พอดแคสต์หรือเครื่องอัดเสียงมีMP3 เป็นข้อความ ทั้งสองหน้าใช้เอนจินเดียวกัน แต่ละไฟล์มีขนาดได้ไม่เกิน 95 MB ซึ่งเท่ากับ MP3 ที่ 128 kbps ประมาณชั่วโมงครึ่ง หากยาวกว่านั้น ให้ใช้ เริ่มที่ และ สิ้นสุดที่ เพื่อถอดเสียงเป็นช่วง ๆ หรือตัดการบันทึกก่อน

ควรตั้งความคาดหวังตามจริง ผู้พูดคนเดียวที่ใช้ไมโครโฟนคุณภาพพอใช้ในห้องเงียบมักได้ความถูกต้อง 90–95% หรือดีกว่า ซึ่งมักดีพอจะเผยแพร่ได้หลังแก้เล็กน้อย แต่โทรศัพท์ที่วางบนโต๊ะในร้านอาหารที่วุ่นวาย การประชุมทางโทรศัพท์ที่สัญญาณขาดหาย หรือเวทีเสวนาที่ผู้คนพูดแทรกกัน อาจต่ำลงมาก และบางประโยคหายไปทั้งประโยค ป้ายระบุผู้พูดเชื่อถือได้เมื่อเสียงต่างกันชัดเจนและผลัดกันพูด แต่สับสนระหว่างเสียงที่คล้ายกันบ่อยกว่าที่คิด

ควรตรวจทานโดยเปิดเสียงควบคู่ ไม่ใช่ดูจากข้อความอย่างเดียว เพราะโมเดลสมัยใหม่เขียนประโยคถูกไวยากรณ์ได้แม้เนื้อหาจะผิด ตรวจชื่อเฉพาะทุกชื่อ เพราะโมเดลไม่รู้ว่าเพื่อนร่วมงานของคุณสะกดว่า Caitlin หรือ Katelyn ตรวจตัวเลขทุกตัว เพราะ fifteen กับ fifty วันที่ ราคา และเปอร์เซ็นต์ฟังผิดได้ง่าย ระวังคำพ้องเสียง เช่น their/there, affect/effect และ complement/compliment รวมถึงข้อความที่โมเดลเติมอย่างมั่นใจในช่วงที่เสียงไม่ชัด การประทับเวลาช่วยให้ทำเร็วขึ้น เพราะข้ามไปยังช่วงที่พูดบรรทัดที่สงสัยได้ทันที

การบันทึกเสียงมักมีข้อมูลส่วนบุคคลมากกว่าเอกสาร ไม่ว่าจะเป็นเสียงพูด ชื่อ ข้อมูลสุขภาพ หรือตัวเลขเงินเดือน ก่อนอัปโหลดควรรู้ว่าไฟล์ไปอยู่ที่ไหนและเก็บไว้นานเท่าใด บน UltKit ไฟล์ที่อัปโหลดจะถูกประมวลผลบนเซิร์ฟเวอร์และลบโดยอัตโนมัติ 30 นาทีหลังประมวลผล ไม่มีบัญชี จึงไม่มีสิ่งใดผูกกับชื่อของคุณ Pixel Recorder ทำงานแบบออฟไลน์ เสียงจึงไม่ออกจากโทรศัพท์ สำหรับสิ่งที่อยู่ภายใต้ข้อตกลงรักษาความลับหรือเอกสิทธิ์ทางการแพทย์หรือกฎหมาย ควรตรวจนโยบายขององค์กรก่อน บางแห่งกำหนดให้ใช้บริการที่ได้รับอนุมัติและมีสัญญา

การรองรับภาษากว้างแต่ไม่เท่ากัน เครื่องมือถอดเสียงนี้รองรับ 33 ภาษา เช่น อังกฤษ สเปน ฝรั่งเศส เยอรมัน โปรตุเกส อาหรับ ฮินดี ญี่ปุ่น เกาหลี จีน และยูเครน และให้ผลดีที่สุดในภาษาที่มีข้อมูลฝึกมากที่สุด การตรวจจับอัตโนมัติเลือกหนึ่งภาษาต่อไฟล์ หากการประชุมสลับระหว่างสองภาษา ให้ถอดเสียงแต่ละช่วงแยกกันโดยตั้งภาษาเอง ข้อความถอดเสียงจะเขียนเป็นภาษาที่พูดเสมอ การแปลเป็นอีกขั้นตอนหนึ่งที่ทำกับข้อความภายหลัง

ข้อความถอดเสียงที่ล้มเหลวส่วนใหญ่มาจากสาเหตุไม่กี่อย่าง และวิธีแก้มักอยู่ที่ไฟล์หรือการตั้งค่าข้อใดข้อหนึ่ง ไม่ใช่การเปลี่ยนไปใช้บริการอื่น หากเสียงแย่จนคุณเองฟังตามไม่สะดวก เครื่องก็จะลำบากไม่ต่างกัน และการพิมพ์เองเฉพาะช่วงสำคัญสั้น ๆ อาจเร็วกว่าการแก้ข้อความอัตโนมัติฉบับยาว