Sesi Yazıya Çevirme: Ücretsiz Yollar ve Doğruluk İpuçları

Bir yazıya dökme motoru sözcükleri sizin duyduğunuz gibi duymaz. Ses dalgasını yaklaşık 25 milisaniyelik, birbiriyle örtüşen karelere böler ve her kareyi spektrograma, yani o anda hangi frekansların yüksek olduğunu gösteren bir haritaya çevirir. Akustik model bu haritaya bakıp hangi konuşma seslerinin bulunduğunu tahmin eder: s harfinin tıslaması, t harfinin patlaması, ship ile sheep sözcüklerini ayıran ünlü biçimleri. Bu tek başına okunabilir metin değil, olası sesler dizisi üretir.

Dil modeli bunun büyük kısmını düzeltir. Gerçek cümlelerde hangi sözcük dizilerinin olası olduğunu bilir; sesler recognize speech de wreck a nice beach de olabiliyorsa bağlam dengeyi belirler. Eski sistemler bu iki parçayı ayrı tutar ve sınırlı, özenle okunmuş materyalle eğitirdi; 2010'lardaki dikte yazılımlarının aksanlarda ve gündelik konuşmada tökezlemesinin nedeni budur.

Eylül 2022'de OpenAI, web'den toplanan yaklaşık 680.000 saatlik çok dilli ses üzerinde eğitilmiş açık bir model olan Whisper'ı yayımladı. Akustik ve dil kısımlarını tek bir ağda birleştirir; 30 saniyelik pencereleri okur ve noktalama işaretli metni doğrudan yazar. Bu ailedeki modeller aksanlı konuşmayı, karışık sözcük dağarcığını ve dağınık gerçek dünya kayıtlarını çok daha kullanılabilir hâle getirdi; bugün tarayıcı araçları dahil ücretsiz yazıya dökme hizmetlerinin çoğu benzer bir şey çalıştırır. Yine de tahmin yürütürler ve ses belirsizse akıcı biçimde tahmin ederler; bu da hatalarını fark etmeyi zorlaştırır.

Doğruluk genellikle sözcük hata oranıyla ölçülür: özenli bir insan dökümüne kıyasla değiştirilen, atlanan veya uydurulan sözcüklerin payı. %5 hata oranı yirmi sözcükte bir hata demektir; hataların bir soyadı, bir ürün kodu veya bütçe tartışmasındaki bir rakam gibi önemli sözcüklerde yoğunlaştığını fark edene kadar küçük görünür.

Aşağıdaki etkenler yaklaşık olarak zarar verme sırasına göre dizilmiştir. Neredeyse hepsinin kayıt yapılırken belirlendiğine, yazıya dökülürken değil, dikkat edin. Telefonu masanın ortasından konuşmacıya kol mesafesine getirmek, sonradan değiştirebileceğiniz herhangi bir ayardan çoğu zaman daha fazla işe yarar.

Çoğu kayıt olduğu gibi yüklenebilir. Hazırlık üç durumda işe yarar: dosya çok uzun veya büyükse, konuşma sessizlik ya da müziğin altında kalmışsa veya düzey o kadar düşükse ki sesi sonuna kadar açmanız gerekiyorsa. Başlangıçtaki uzun bir sessizlik zaman kaybından fazlasıdır, çünkü otomatik algılama dili ilk 30 saniyeden belirler ve oda gürültüsünden ya da giriş müziğinden tahmin yürütebilir. Kaydı konuşmanın olduğu bölüme kısaltmak veya Başlangıç ayarıyla o kısmı atlamak bunu önler.

Biçim dönüştürme nadiren gerekir. iPhone Sesli Notları M4A (AAC ses), Android kaydediciler M4A, AAC veya 3GP, arama kaydediciler ise çoğunlukla AMR üretir; bunların hepsi doğrudan yüklenebilir. Sıkıştırılmış bir dosyayı WAV'a çevirmek, kayıt sırasında atılan ayrıntıyı geri getirmez; bunu MP3, WAV, FLAC ve AAC rehberimizdeki karşılaştırma anlatıyor, bu yüzden yalnızca bir araç biçimi reddederse dönüştürün. Saatler süren bir kaydı, kahve molası veya konu değişikliği gibi doğal aralardan bölün; böylece her parça yükleme sınırının altında kalır ve düzeltmesi kolaylaşır.

Çıktıyı bundan sonra ne yapacağınıza göre seçin. Dökümü okuyacak, alıntılayacak veya içinde arama yapacaksanız düz metin ya da Word uygundur; Word, paragrafları, zaman damgalarını ve konuşmacı etiketlerini düzenlemeye uygun biçimde tutar. PDF ise başkasının değiştirmemesi gereken sabit bir kopya göndermek içindir. Sözcükler videonun üzerinde ekranda görünecekse altyazı dosyası gerekir: SRT veya VTT konuşmayı, her biri başlangıç ve bitiş zamanı olan kısa bölümlere ayırır; satır uzunluğu ekrana ne kadar metin sığacağını belirler. Satır başına kırk iki karakter yaygın yayıncılık standardıdır.

SRT ve VTT küçük farklarla aynı bilgiyi taşır. Eski SubRip programından gelen SRT her bölümü numaralandırır ve zamanları virgülle yazar (00:01:15,000). WebVTT, HTML5 video için W3C biçimidir; WEBVTT başlığıyla başlar, zamanlarda nokta kullanır ve biçimlendirme ile konumlandırmaya izin verir. YouTube, Vimeo, Premiere Pro ve DaVinci Resolve ikisini de kabul eder. Sözcük düzeyinde zamanlamalı JSON, arama, karaoke tarzı vurgulama veya kendi altyazı düzenini oluşturan geliştiriciler içindir.

Bir şey yüklemeden önce kendi cihazlarınızın zaten neler yaptığına bakın. Apple, iOS 18 ile Sesli Notlar uygulamasına döküm ekledi; yani yeni bir iPhone'da yapılan kaydın metni doğrudan uygulamada görünebilir. Pixel telefonlardaki Google Recorder uygulaması 2019'dan beri kayıt sırasında tamamen cihaz üzerinde yazıya döküyor ve konuşmacıları ayırt edebiliyor. Microsoft 365'te web için Word'de Dictate yanında, yüklenen MP3, M4A, WAV ve MP4 dosyalarını kabul eden bir Transcribe komutu vardır; aylık yükleme dakikası hakkı bulunur. Google Dokümanlar Sesle yazma (Araçlar altında, Chrome'da) yalnızca canlı mikrofonu dinler; mevcut bir dosyayı okuyamaz.

Toplantı platformları başka bir kaynaktır. Zoom, Microsoft Teams ve Google Meet, yazıya dökme açıksa ve planınız veya kurumunuz izin veriyorsa görüşmenin dökümünü üretebilir; Otter.ai gibi asistanlar da toplantılara katılıp not alır. Bunlar kendi düzenlediğiniz görüşmeler için rahattır, ancak her biri yalnızca kendi uygulamasında çalışır, kayıt için herkesin onayını gerektirir ve kendi biçimlerinde dışa aktarır. Eski bir röportaj, ders kaydı veya başkasının ilettiği sesli not gibi elinizde hazır bir dosya için dosya tabanlı bir yazıya dökme aracı genellikle daha basit yoldur.

Tarayıcı aracı, yerleşik seçeneklerin eksik bıraktıklarını kapsar: her cihazdan her dosya, altyazı çıktıları ve telefonunuzun desteklemediği diller. Sesten yazıya dönüştürücüde dosyayı ekleyin, Konuşulan dil alanını Otomatik algıla olarak bırakın veya dili kendiniz seçin, bir Çıktı seçin ve gerekirse Zaman damgaları ya da Konuşmacı etiketleri seçeneğini açın. iPhone sesli notlarının kendi M4A'dan yazıya sayfası, podcast veya kaydedici dosyalarının ise MP3'ten yazıya sayfası vardır; ikisi de aynı motoru kullanır. Her dosya en fazla 95 MB olabilir; bu, 128 kbps MP3 için yaklaşık bir buçuk saattir. Daha uzunu için Başlangıç ve Bitiş ile parça parça yazıya dökün veya önce kaydı kesin.

Beklentiyi gerçekçi tutun. Sessiz bir odada iyi bir mikrofonla tek konuşmacı genellikle %90–95 veya daha doğru çıkar; çoğu zaman hafif bir düzenlemeyle yayımlamaya yeter. Kalabalık bir restoranda masadaki telefon, kesintili bir konferans görüşmesi veya insanların birbirini böldüğü bir panel çok daha düşük sonuç verebilir, tüm cümleler eksik kalabilir. Konuşmacı etiketleri sesler belirgin biçimde farklıyken ve insanlar sırayla konuşurken güvenilirdir; benzer iki sesi beklediğinizden sık karıştırırlar.

Yalnızca metne bakarak değil, ses açıkken düzeltin; çünkü modern modeller yanlış olduklarında bile dilbilgisi açısından doğru cümleler yazar. Her özel ismi kontrol edin, çünkü modelin meslektaşınızın adını Caitlin mi Katelyn mi yazdığını bilmesinin yolu yoktur. Her sayıyı kontrol edin: fifteen ile fifty, tarihler, fiyatlar ve yüzdeler kolayca yanlış duyulur. their/there, affect/effect ve complement/compliment gibi eş sesli sözcüklere, ses belirsizken yazılan kendinden emin dolgu cümlelerine dikkat edin. Zaman damgaları bunu hızlandırır, çünkü şüpheli satırın söylendiği ana doğrudan atlayabilirsiniz.

Bir kayıt çoğu zaman bir belgeden daha fazla kişisel bilgi taşır: sesler, isimler, sağlık bilgileri, maaş rakamları. Yüklemeden önce dosyanın nereye gittiğini ve ne kadar kaldığını bilin. UltKit'te yüklemeler sunucuda işlenir ve işlemden 30 dakika sonra otomatik olarak silinir; hesap yoktur, bu yüzden hiçbir şey adınıza bağlanmaz. Pixel Recorder çevrimdışı çalışır, yani ses telefondan hiç çıkmaz. Gizlilik sözleşmesi veya tıbbi ya da hukuki gizlilik kapsamındaki her şey için önce kurumunuzun politikasına bakın; bazıları onaylı, sözleşmeli hizmetler şart koşar.

Dil desteği geniştir ama dengesiz. Yazıya dökme aracı İngilizce, İspanyolca, Fransızca, Almanca, Portekizce, Arapça, Hintçe, Japonca, Korece, Çince ve Ukraynaca dahil 33 dili kapsar; en iyi sonuçlar en çok eğitim verisi olan dillerde alınır. Otomatik algılama dosya başına tek dil seçer. Bir toplantı iki dil arasında geçiş yapıyorsa her bölümü dili elle ayarlayarak ayrı ayrı yazıya dökün. Döküm her zaman konuşulan dilde yazılır; çeviri, sonradan metin üzerinde yaptığınız ayrı bir adımdır.

Başarısız dökümlerin çoğu birkaç nedene dayanır ve çözüm genellikle başka bir hizmet denemekte değil, dosyada veya tek bir ayardadır. Sesin kendisi takip etmenizi zorlayacak kadar kötüyse makine de aynı ölçüde zorlanır; uzun bir otomatik dökümü düzeltmektense önemli bölümlerin kısa bir elle dökümü daha hızlı olabilir.