Аудіо в текст: безкоштовні способи і поради щодо точності

Система транскрибування чує слова зовсім не так, як ви. Вона розбиває звукову хвилю на накладені кадри завдовжки близько 25 мілісекунд і перетворює кожен із них на спектрограму — карту того, які частоти в цю мить гучні. Акустична модель дивиться на цю карту й оцінює, які звуки мовлення присутні: шипіння с, вибух т, форми голосних, що відрізняють ship від sheep. Сама по собі вона дає лише потік імовірних звуків, а не читабельний текст.

Значну частину цього виправляє мовна модель. Вона знає, які послідовності слів імовірні в реальних реченнях, тож коли звуки можуть означати recognize speech або wreck a nice beach, перевагу дає контекст. Старі системи тримали ці дві частини окремо й навчали їх на обмеженому, ретельно прочитаному матеріалі, тому програми для диктування 2010-х спотикалися на акцентах і невимушеній мові.

У вересні 2022 року OpenAI випустила Whisper — відкриту модель, навчену приблизно на 680 000 годин багатомовного аудіо з інтернету. Вона поєднує акустичну та мовну частини в одну мережу, яка читає 30-секундні вікна й одразу пише текст із розділовими знаками. Моделі цього типу зробили мовлення з акцентом, змішану лексику та недосконалі реальні записи набагато придатнішими для роботи, і більшість безкоштовних сервісів транскрибування сьогодні, зокрема браузерних, використовують щось подібне. Проте вони все одно вгадують, а коли звук нечіткий, вгадують бездоганно гладко, тож їхні помилки важче помітити.

Точність зазвичай вимірюють як частку помилкових слів (word error rate): скільки слів замінено, пропущено чи вигадано порівняно з ретельним людським транскриптом. Помилки в 5% означають одну помилку на двадцять слів. Це здається небагато, доки не помітиш, що помилки концентруються на важливих словах: прізвищі, коді товару чи сумі в обговоренні бюджету.

Нижче фактори наведено приблизно в порядку впливу. Майже всі вони визначаються під час запису, а не транскрибування. Перенести телефон із середини столу на відстань витягнутої руки від мовця часто дає більше, ніж будь-які налаштування згодом.

Більшість записів можна завантажувати як є. Підготовка виправдовує себе в трьох випадках: файл задовгий або завеликий, мовлення губиться серед тиші чи музики, або рівень такий низький, що доводиться вмикати гучність на максимум. Довга тиша на початку — це не лише втрата часу: автовизначення мови аналізує перші 30 секунд і може вгадувати за шумом кімнати чи джинглом. Обрізання запису до частини з мовленням або параметр Початок, що пропускає цю частину, допомагають уникнути цього.

Конвертація формату потрібна рідко. Голосові нотатки iPhone — це M4A (аудіо AAC), диктофони Android створюють M4A, AAC або 3GP, а записувачі дзвінків часто дають AMR; усі ці файли можна завантажувати напряму. Конвертація стисненого файлу у WAV не повертає деталей, утрачених під час запису, як пояснює порівняння в нашому посібнику про MP3, WAV, FLAC і AAC, тож конвертуйте лише тоді, коли інструмент не приймає формат. Запис на кілька годин розділіть у природних паузах, як-от перерва на каву чи зміна теми, щоб кожна частина вкладалася в ліміт завантаження і її було легше вичитувати.

Обирайте результат залежно від того, що буде далі. Якщо транскрипт читатимуть, цитуватимуть чи шукатимуть у ньому, підійде простий текст або Word; Word зберігає абзаци, позначки часу й позначення мовців для редагування, а PDF потрібен, щоб надіслати фіксовану копію, яку не слід змінювати. Якщо слова з’являтимуться на екрані поверх відео, потрібен файл субтитрів: SRT або VTT розбивають мовлення на короткі репліки з часом початку й кінця, а довжина рядка визначає, скільки вміститься на екрані. Загальний телевізійний стандарт — сорок два символи в рядку.

SRT і VTT містять ту саму інформацію з дрібними відмінностями. SRT зі старої програми SubRip нумерує кожну репліку й записує час через кому (00:01:15,000). WebVTT — формат W3C для відео HTML5; він починається із заголовка WEBVTT, використовує крапку в часі та дозволяє стилі й позиціонування. YouTube, Vimeo, Premiere Pro і DaVinci Resolve приймають обидва. JSON із часом для кожного слова призначений розробникам, які створюють пошук, підсвічування як у караоке або власне розташування субтитрів.

Перш ніж щось завантажувати, перевірте, що вже вміють ваші пристрої. Apple додала транскрипти в застосунок «Диктофон» в iOS 18, тож запис на нещодавньому iPhone може показувати текст просто в застосунку. Recorder від Google на телефонах Pixel транскрибує під час запису з 2019 року, повністю на пристрої, і вміє розрізняти мовців. У Microsoft 365 Word для вебу має команду Транскрибувати поруч із Диктувати, яка приймає завантажені файли MP3, M4A, WAV і MP4 із щомісячним лімітом хвилин. Голосовий ввід у Google Docs (меню «Інструменти», у Chrome) слухає лише живий мікрофон і не читає наявний файл.

Ще одне джерело — платформи для зустрічей. Zoom, Microsoft Teams і Google Meet можуть створити транскрипт дзвінка, якщо транскрибування ввімкнено і це дозволяє ваш тариф чи організація, а помічники на кшталт Otter.ai приєднуються до зустрічей, щоб вести нотатки. Це зручно для дзвінків, які ви ведете, але кожен працює лише у своєму застосунку, потребує згоди всіх на запис і експортує у власних форматах. Для наявного файлу, як-от старе інтерв’ю, запис лекції чи голосове повідомлення, переслане кимось, простіше скористатися інструментом, що працює з файлами.

Браузерний інструмент закриває те, чого бракує вбудованим варіантам: будь-який файл із будь-якого пристрою, субтитри на виході та мови, яких не підтримує ваш телефон. У конвертері аудіо в текст додайте файл, залиште в Мова мовлення автовизначення або виберіть мову самостійно, оберіть Результат і за потреби ввімкніть Позначки часу чи Позначення мовців. Для голосових нотаток з iPhone є окрема сторінка M4A у текст, а для подкастів і файлів із диктофона — MP3 у текст; вони працюють на одній системі. Кожен файл може важити до 95 MB, це приблизно півтори години MP3 на 128 кбіт/с. Для довшого запису використайте Початок і Кінець, щоб транскрибувати частинами, або спершу обріжте запис.

Не чекайте неможливого. Один мовець із пристойним мікрофоном у тихій кімнаті зазвичай дає 90–95% правильних слів або краще, часто достатньо для публікації після легкого редагування. Телефон на столі в галасливому ресторані, конференц-дзвінок зі збоями чи дискусія, де люди перебивають одне одного, можуть дати значно гірший результат із пропущеними реченнями. Позначення мовців надійні, коли голоси помітно різняться і люди говорять по черзі, а два схожі голоси плутають частіше, ніж можна подумати.

Вичитуйте з відкритим аудіо, а не лише за текстом, бо сучасні моделі пишуть граматично правильні речення, навіть коли помиляються. Перевіряйте кожне власне ім’я, адже модель не може знати, що ваш колега пише його Caitlin, а не Katelyn. Перевіряйте кожне число: fifteen і fifty, дати, ціни й відсотки легко почути хибно. Остерігайтеся омофонів, як-от their/there, affect/effect і complement/compliment, а також упевненого «заповнювача» там, де звук був нечіткий. Позначки часу пришвидшують це, бо можна перейти до того моменту, коли звучав сумнівний рядок.

Запис часто містить більше особистих даних, ніж документ: голоси, імена, відомості про здоров’я, розміри зарплат. Перш ніж завантажувати файл, дізнайтеся, куди він потрапляє і як довго зберігається. В UltKit завантажені файли обробляються на сервері й автоматично видаляються через 30 хвилин після обробки; облікового запису немає, тому нічого не пов’язано з вашим іменем. Pixel Recorder працює офлайн, тож аудіо не залишає телефон. Якщо запис охоплює угода про конфіденційність або медична чи юридична таємниця, спершу перевірте політику вашої організації: деякі вимагають користуватися лише схваленими сервісами за договором.

Підтримка мов широка, але нерівномірна. Транскрибатор охоплює 33 мови, серед них англійську, іспанську, французьку, німецьку, португальську, арабську, гінді, японську, корейську, китайську й українську; найкращі результати дають мови з найбільшим обсягом навчальних даних. Автовизначення вибирає одну мову на файл. Якщо під час зустрічі розмова переходить з однієї мови на іншу, транскрибуйте кожен відрізок окремо, вказавши мову вручну. Транскрипт завжди записується тією мовою, якою говорили; переклад — окремий крок, який ви робите потім над текстом.

Більшість невдалих транскрипцій зводиться до кількох причин, і виправлення зазвичай стосується файлу або одного налаштування, а не пошуку іншого сервісу. Якщо аудіо настільки погане, що вам самим важко його розібрати, машині буде так само складно, і короткий ручний запис ключових фрагментів може вийти швидше, ніж виправлення довгого автоматичного.