الحصول على نص مكتوب يوضح من قال ماذا

أهم النقاط

يمكن أن يكون النص المكتوب دقيقاً في كل كلمة، ومع ذلك يضع الكلام تحت اسم شخص خاطئ، لأن التعرف على الكلام وتحديد من قاله عمليتان مختلفتان تماماً. تحديد المتحدث يعتمد على خصائص الصوت، فيعمل بشكل أفضل مع عدد قليل من الأصوات المختلفة بوضوح، ملتقطة بمستوى صوت متقارب بميكروفون واحد. يواجه صعوبة مع الأشخاص الذين يتحدثون في نفس الوقت، ومع المتحدثين الهادئين أو الذين ينضمون للمحادثة متأخرين، ولن يعطيك أبداً أسماء حقيقية من تلقاء نفسه – هذا الجزء تضيفه أنت بعد ذلك.

إذا سبق لك أن فتحت نصاً مكتوباً لمحادثة جماعية ووجدت أن نصفه منسوب إلى الشخص الخطأ، فالكلمات نفسها كانت على الأرجح صحيحة. المشكلة تكمن في طبقة أعلى، في الجزء الذي يحدد من كان يتحدث، لا في ما قاله. هذا الجزء يعمل بمعلومات مختلفة ويفشل بطرق مختلفة، وتقريباً كل ما يحدد نجاحه يتقرر وقت التسجيل، قبل أن تلمس أي برمجية الملف.

هذا هو الجزء الذي يستحق أن تفهمه إذا كنت على وشك تسجيل مقابلة، أو حلقة نقاش، أو محادثة عائلية، وتحتاج فعلاً أن تعرف من قال ماذا – لا فقط ماذا قيل. بعض الأمر يتعلق بمكان وضع الميكروفون. وبعضه يتعلق بتقبل أن بعض المواقف لن تُصنَّف بدقة أبداً، بغض النظر عن البرنامج الذي تستخدمه.

مهمتان مختلفتان، نص واحد

التعرف على الكلمات وتحديد من قالها ليسا المهمة نفسها، مع أنهما ينتهيان في نفس المستند. المهمة الأولى تستمع إلى الصوت وتفهم اللغة – وهي غير مبالية إلى حد كبير بصاحب الصوت. المهمة الثانية تستمع إلى نفس الصوت وتسأل سؤالاً مختلفاً: هل هذا الصوت يطابق الصوت الذي سمعناه قبل جملتين، أم أنه متحدث جديد؟ يُجاب عن هذا السؤال الثاني من خصائص الصوت – النبرة، الطبقة، طريقة الكلام، البصمة الصوتية الخاصة بكل شخص – لا من الكلمات نفسها.

لهذا يمكن أن يكون النص دقيقاً كلمة بكلمة ومع ذلك ينسب الجمل لشخص خاطئ. التفريغ الصوتي نجح. فصل المتحدثين لم ينجح. يمكن أن تفشل كل مهمة بشكل مستقل عن الأخرى، وحين يقول لك أحد إن النص “خاطئ”، من المفيد أن تتحقق أي المهمتين فشلت فعلاً، لأن الحل يختلف بحسب الجواب.

ما الذي يجعل فصل المتحدثين ينجح

فصل المتحدثين يعمل في أفضل حالاته مع عدد قليل من الأصوات المختلفة بوضوح عن بعضها، ملتقطة كلها من موضع ميكروفون واحد يسمع الجميع بمستوى صوت متقارب تقريباً. هذه هي الحالة المثالية: شخصان أو ثلاثة، أصوات متمايزة، وجهاز تسجيل واحد موضوع في مكان يسمع الغرفة كلها بشكل متساوٍ.

كل انحراف عن هذا المثال يكلفك شيئاً. زيادة عدد المتحدثين تعني زيادة فرص أن يتشابه صوتان بما يكفي ليتداخلا. الأصوات المتشابهة – شخصان من عمر متقارب ولهجة متقاربة مثلاً – أصعب في التمييز من صوت عميق وصوت حاد. وإذا كان أحد الأشخاص يُسمع بصوت أعلى بكثير من الآخر، يبدأ النظام في معاملة فروق مستوى الصوت كأنها فروق بين متحدثين، وهي ليست كذلك.

لا شيء من هذا غريب أو معقد. هو أقرب إلى ما سيلاحظه أي شخص لو أغلق عينيه واستمع فقط. ميزة البرنامج هي الصبر والاتساق على مدى ساعة كاملة من الصوت، لا حاسة إضافية يفتقدها المستمع البشري.

أين ينهار النظام: حين يتحدث الجميع في نفس الوقت

هناك موقف واحد يكسر تصنيف المتحدثين دائماً، ولا يصلحه أي إعداد جيد: التداخل الحقيقي في الكلام، حين يتحدث شخصان في اللحظة نفسها. خلال هذا التداخل لا توجد إشارة صوتية نقية تخص صوتاً واحداً – فالصوت المسجل هو مزيج من الاثنين، ولا يوجد ما يمكن نسبته بوضوح. ما يحدث عادة هو أن كلام أحد المتحدثين يُدمج في دور المتحدث الآخر، فيظهر النص كجملة واحدة متصلة بينما كانت في الواقع محادثة متزامنة بين شخصين.

هذه ليست علة يمكن تصحيحها لاحقاً. إنها حد مبني في طبيعة المشكلة نفسها – لا يمكنك فصل صوتين متداخلين إلى مسارين نقيين بعد التسجيل، ليس بشكل موثوق على الأقل. التوقع الصادق هو أن أي جزء من التسجيل فيه تداخل حقيقي سيحتاج مراجعة يدوية لتحديد من قال ماذا، أو سيبقى منسوباً لمن خمنه النظام. إذا كانت محادثتك مليئة بأشخاص يتحدثون فوق بعضهم – حلقة نقاش ساخنة، أو عشاء عائلي جدالي – فخطط لأن يحتاج هذا الجزء من النص تصحيحاً يدوياً، ولا تُقيّم الأداة كلها بناءً على ذلك الجزء وحده.

مكان الميكروفون أهم من نوعه

المسافة إلى الميكروفون تؤثر في تصنيف المتحدثين أكثر من جودة الميكروفون نفسه. هاتف موضوع في وسط الطاولة سيعطيك غالباً فصلاً أفضل للمتحدثين من ميكروفون أفضل جودة لكنه موضوع بجانب شخص واحد فقط، لأن المشاركين الهادئين أو الأبعد عن الميكروفون هم أول من يفقدهم النظام. إذا كان أحدهم أهدأ بشكل ثابت من الجميع لأنه الأبعد عن الميكروفون، فقد يكون هذا الفارق في مستوى الصوت أكثر أهمية لتصنيف المتحدثين من أي فرق في جودة الأجهزة.

بالنسبة لمحادثة جماعية، هذا يشير إلى قاعدة بسيطة: ضع جهاز التسجيل في مكان مركزي، لا في مكان مريح. وسط الطاولة، لا الطرف الأقرب لمن يستضيف اللقاء. وإذا كان الأشخاص متفرقين في الغرفة بدل أن يجلسوا قريبين من بعضهم، فهذه حالة أصعب بغض النظر عن الأجهزة، ومن المفيد أن تعرف ذلك مسبقاً بدل أن تكتشفه بعد التسجيل.

الحصول على أسماء حقيقية بدل المتحدث 1 والمتحدث 2

لا شيء في الصوت نفسه يخبر نظام التفريغ باسم أي شخص – يمكنه أن يعرف أن هناك صوتين مختلفين حاضرين، لكن لا طريقة له ليعرف أن أحدهما اسمه سارة والآخر اسمه أحمد. لذلك يخرج النص مع تسميات مجهولة: المتحدث 1، المتحدث 2، وهكذا. تحويل هذه التسميات إلى أسماء حقيقية خطوة يدوية، ولا تحتاج أن تفعلها إلا مرة واحدة، في أعلى النص، بمطابقة كل تسمية باسم.

الشيء الوحيد الذي يجعل هذه الخطوة سهلة بدل أن تكون مملة هو أن يقول كل شخص اسمه بصوت عالٍ قرب بداية التسجيل. هذا يكلف نحو عشر ثوانٍ ويعطيك مرجعاً واضحاً – تعرف أن الصوت الذي يقول “أنا أحمد” في البداية هو الصوت الذي يجب تسميته أحمد في باقي المستند. إذا تجاهلت هذه الخطوة، ستضطر لمطابقة الأصوات بالأسماء من الذاكرة أو السياق، وهذا ينجح لكنه يستغرق وقتاً أطول ويصبح أكثر عرضة للخطأ كلما زاد عدد المتحدثين.

إذا كنت تسجل مقابلة بالتحديد، يستحق هذا العادة أن تبنيها في طريقة بدء كل جلسة – راجع الملاحظات حول تفريغ المقابلات الصوتية لمزيد من التفاصيل حول إعداد ذلك بشكل جيد من الدقيقة الأولى. أما بالنسبة لتحويل تسجيل جاهز إلى نص مصنّف بالمتحدثين، فصفحة تحويل الصوت إلى نص تغطي خطوة التحويل نفسها، وتطبيق مثل تطبيق التفريغ الصوتي من SozAI يمكنه إنتاج تسميات للمتحدثين، وملخصات، وترجمة عبر مجموعة واسعة من اللغات بعد أن يكون التسجيل جاهزاً لديك – تسمية المتحدثين بالأسماء الحقيقية بعد ذلك تبقى مهمتك، لكنها الجزء السريع.

ما يجب توقعه بشكل واقعي

حتى مع إعداد جيد، هناك بعض المواقف التي تنتج نتائج غير كاملة بشكل متوقع، ومن المفيد معرفتها مسبقاً بدل التعامل معها كأخطاء في البرنامج.

• المتحدث الذي ينضم إلى التسجيل في منتصفه، بعد أن يكون النظام قد ثبّت ملفات الأصوات الخاصة به، غالباً يُدمج مع متحدث موجود بدل أن يحصل على تسمية جديدة خاصة به.
• الشخص الذي يقول عدداً قليلاً من الكلمات فقط طوال التسجيل – موافقة سريعة، سؤال من جملة واحدة – يُدمج غالباً مع من كان يتحدث حوله، لأنه لا يوجد صوت كافٍ منه ليبني النظام له ملفاً صوتياً مستقلاً.
• التداخل الحقيقي في الكلام، كما ذكرنا سابقاً، يميل إلى الانهيار داخل دور متحدث واحد.
• المجموعة الكبيرة التي تحتوي أصواتاً متشابهة كثيرة ستنتج تصنيفات خاطئة أكثر من مجموعة صغيرة بأصوات متمايزة، فقط لأن فرص الالتباس أكبر.

لا شيء من هذا سبب لتجنب تفريغ تسجيل معقد – بل هي أسباب لتوقع مراجعة يدوية قصيرة في الأجزاء التي تحدث فيها، بدل افتراض أن المستند كله يحتاج إعادة تحقق. إذا كنت تسجل شيئاً تعرف أنه سيحتوي هذا النوع من التعقيد، من المفيد أيضاً أن تقرر مسبقاً إن كنت تحتاج تفريغ كل كلمة أو فقط النقاط البارزة المصنفة بالمتحدثين؛ تفريغ كل شيء ليس دائماً الخيار المفيد، خاصة في التسجيلات الطويلة حين تحتاج بشكل أساسي أن تعرف من التزم بماذا – وهذا نوع الاستخدام الذي تتناوله صفحة تحويل التسجيلات إلى ملاحظات اجتماع. وإذا أردت أن تجرب كيف يُصنَّف تسجيل معين قبل أن تلتزم بملف طويل، فتحميل التطبيق من صفحة التحميل وتجربة نموذج قصير أولاً سيعطيك معلومة أدق من أي نصيحة عامة.

ما الذي يصنع الفرق الحقيقي

إذا كان عليك أن تأخذ شيئاً واحداً من كل هذا، فهو أن التسجيل أهم من البرنامج. ميكروفون مركزي، عدد قليل من الأصوات المختلفة بوضوح، كل شخص يقول اسمه في البداية، وتقبل أن الكلام المتداخل سيحتاج مراجعة يدوية – هذا المزيج سيأخذك أبعد من أي إعداد أو ميزة تُفعّل بعد التسجيل. خطوة التصنيف تقوم بعمل حقيقي، لكنها تعمل بما يوفره لها التسجيل، والتسجيل الذي يُصنع مع مراعاة فصل المتحدثين سيُصنَّف دائماً بشكل أفضل من تسجيل لم يُصنع بهذه المراعاة، بغض النظر عن البرنامج الذي يُستخدم للتفريغ بعد ذلك.