Det vigtigste
Der findes ikke ét facit for nøjagtighed, og ethvert tal du har set, beskriver ét system målt på én optagelse. Ren tale fra en enkelt person og en støjfyldt gruppesamtale ligger så langt fra hinanden, at ingen procentsats kan dække begge. Det, der afgør dit resultat, er optagelsen selv: afstand til mikrofonen, baggrundsstøj, tale i munden på hinanden, dialekt- og accentdækning. Fejlene klumper sig også sammen, så det meste af en transskription læses fint, mens navne, fagudtryk, tal og overlappende tale går galt. Til at finde et bestemt sted i optagelsen er det fint. Skal du citere noget, så tjek hver linje mod lyden.
Du har sikkert set en procentsats klistret på et transskriptionsværktøj et sted. Det er en reel måling af noget. Den siger bare ikke noget om, hvad der sker, når du fodrer værktøjet med din egen optagelse, og hvis du tager den som et løfte, ender du med at blive skuffet på det værst tænkelige tidspunkt.
Det relevante spørgsmål er ikke, hvor præcis automatisk transskription er i al almindelighed. Det er, om den transskription, du får tilbage, er god nok til det konkrete, du vil bruge den til. Det er to forskellige spørgsmål med forskellige svar, fordi den samme fil kan være helt fin til at finde et bestemt øjeblik og fuldstændig ubrugelig, hvis du skal citere det samme øjeblik ordret.
Et nøjagtighedstal måler én optagelse, ikke et system
Ethvert tal for nøjagtighed er resultatet af, at et bestemt system er kørt på en bestemt lydfil. Skifter du lydfilen, skifter tallet med. Det er ikke en fejl i målingen. Det er selve målingen.
Forestil dig de to yderpunkter. Én person, tæt på mikrofonen, i et stille rum, med en udtale der er bredt repræsenteret, og som taler om helt almindelige ting. Det transskriberes rigtig godt. Forestil dig nu fire personer omkring et bord i et rum med en støjende ventilator, hvor alle taler i munden på hinanden, bruger fagjargon fra deres egen branche, og to af dem sidder halvanden meter fra telefonen. Det transskriberes langt værre. Begge er ærlige målinger af samme system. Ét enkelt tal kan ikke beskrive begge situationer, og forskellen mellem dem er så stor, at et gennemsnit heller ikke giver mening.
Så når du ser et tal uden den lydfil, det er målt på, er det vigtige netop det, der mangler. Det, du egentlig har lært, er, at nogen har testet noget. Den målestok, der betyder noget for dig, er dit eget materiale. Tag nogle minutter af en optagelse, der ligner de optagelser, du faktisk arbejder med, kør den igennem, og læs resultatet mod lyden. Det fortæller dig mere, end noget offentliggjort tal kan, og det tager kortere tid end at læse sammenligningsartikler.
Optagelsen flytter resultatet mere end programmet gør
Folk vælger værktøj efter nøjagtighed ved at sammenligne dem. For de fleste optagelser er det den forkerte ende af problemet. Selve optageforholdene flytter resultatet mere end valget af motor gør.
- Afstand til mikrofonen. Hver ekstra centimeter afstand giver mere rum og mindre stemme. En telefon liggende på bordet mellem to personer giver en anden optagelse end en telefon placeret lige foran den ene af dem.
- Baggrundsstøj. Trafik, en café, blæsere, tastaturer. Støj ligger ikke bare bag ved talen, den konkurrerer med den, og de ord, der taber, er de svage ord i slutningen af sætningerne.
- Tale i munden på hinanden. Når to personer taler samtidig, er der intet rent signal at transskribere. Der bliver skrevet noget ned, og ofte er det en blanding af begge stemmer.
- Dialekt- og accentdækning. Nogle udtaler er langt bedre repræsenteret i det materiale, systemerne har lært af, end andre, og de underrepræsenterede udtaler får dårligere resultater selv på samme rene lyd.
Værktøjerne er faktisk forskellige, og hvis dit materiale konsekvent er svært på én bestemt måde, er det værd at bruge en eftermiddag på at teste et par stykker. Men forskellen mellem to fornuftige værktøjer på samme lydfil er som regel mindre end forskellen mellem god og dårlig lydkvalitet med samme værktøj. At flytte mikrofonen tættere på giver mere end at skifte produkt. Vil du forstå, hvad softwaren egentlig gør med det, du giver den, forklarer hvordan AI-transskription fungerer de generelle principper og dermed hvorfor netop disse forhold betyder så meget.
Fejlene er ikke fordelt jævnt gennem filen
Det er her, folk bliver taget på sengen, og det er vigtigere end det overordnede tal. Fejlene klumper sig sammen. Størstedelen af en transskription kommer ud ren og læser flydende, og fejlene koncentrerer sig i nogle få forudsigelige steder: navne, fagudtryk, tal og alle de steder, hvor folk taler i munden på hinanden.
Tænk på, hvad det betyder for læsningen. En side med almindelig samtale transskriberes godt og læser flydende. Så kommer et efternavn, eller et produktnavn, eller et tal, og det kommer ud forkert. Ingenting på siden markerer forskellen. Det forkerte ord står med samme selvsikre typografi som de rigtige, omgivet af sætninger der er korrekte – og det er netop den sammenhæng, der gør en fejl overbevisende. En transskription kan læse smukt og alligevel være forkert lige der, hvor du havde tænkt dig at bruge den.
Der er en grund til, at netop disse kategorier fejler samtidig. Almindelige ord er bundet af alt det omkring dem, så et system, der hører et ord forkert, kan rette sig selv ud fra sammenhængen. Et navn er ikke bundet på samme måde; næsten enhver lyd kunne være nogens navn, og der er intet i grammatikken, der udelukker et forkert gæt. Fagjargon har det samme problem, med den ekstra vanskelighed at et almindeligt ord ofte lyder tæt nok på til at blive erstattet for det tekniske. Tal er det klareste eksempel, fordi en lille lydmæssig forskel giver en helt anden værdi, og sætningen læses korrekt uanset hvilket tal der står.
Tegnsætning er et gæt om, hvor sætninger ender
Automatisk tegnsætning er ikke transskription. Det er en tolkning baseret på pauser, tonefald og rytme af, hvor en tanke stopper og den næste begynder. Det meste af tiden er gættet rigtigt, eller rigtigt nok, til at ingen lægger mærke til det.
Hvor det er forkert, ændrer betydningen sig. Et punktum sat midt i en bisætning kan skille en forbeholdelse fra det, den forbeholdt, så et forbeholdt udsagn bliver skåret ud i pap, og en betingelse bliver en påstand. Hvert enkelt ord kan være korrekt, og sætningen kan alligevel sige noget andet, end den talende sagde. Den type fejl er usynlig på papiret, fordi der ikke er noget at lægge mærke til. Du kan ikke læse dig ud af den ved at læse transskriptionen igennem. Kun lyden kan afgøre det.
Talermærkerne har en tilsvarende svaghed. De er som regel rigtige, mens én person taler i et længere stræk, og mindst pålidelige ved skiftene, hvor en kort indskydelse kan blive tilskrevet den forkerte person. Skal du bruge et citat tæt på et talerskift, er det en linje, du skal lytte til bagefter.
Sæt kravet efter, hvad transskriptionen skal bruges til
Spørgsmålet er ikke, om en transskription er nøjagtig. Det er, om den er nøjagtig nok til opgaven, og opgaven varierer mere, end folk regner med.
Bruger du transskriptionen til at finde noget, gør spredte fejl ikke noget. Du søgte efter et ord, du kom hen i nærheden af det rigtige minut, du afspillede lyden. Transskriptionen gjorde sit arbejde, selv med et forvrænget navn tre linjer længere oppe. Det samme gælder, hvis du skimmer en times optagelse for at afgøre, hvilke tyve minutter der er værd at bruge tid på, eller hvis du omdanner lydoptagelser til tekst, så du kan læse hurtigere, end du kunne have lyttet dig igennem det.
Skal transskriptionen derimod citeres, offentliggøres, arkiveres, eller stole på af nogen, der ikke selv var i rummet, er kravet et andet, og det er ikke til forhandling. Hver linje, du har tænkt dig at bruge, tjekkes mod lyden, én for én. Ikke en gennemlæsning af hele dokumentet, men en målrettet lytning til hvert citerede afsnit, fordi det er netop de fejltyper, en gennemlæsning ikke fanger. Det gælder med særlig vægt for alt, hvor et tal eller et navn bærer hele pointen i sætningen.
Til et arbejdsdokument er en app den fornuftige løsning. SozAI, som findes til iOS, Android og macOS, omdanner optagelser, lyd- og videofiler samt YouTube-links til tekst med talermærker, resuméer og oversættelse på over 99 sprog, og du skal stadig tjekke citaterne mod lyden, ligesom med al anden automatisk transskription.
Når selve transskriptionen er det, der skal leveres, er en menneskelig transskriptionstjeneste det rigtige valg. Det koster mere, fordi et menneske sidder og lytter, og det er præcis det, du betaler for: en person, der hører navnet og skriver det rigtigt, som ved, hvor sætningen sluttede, og som markerer det afsnit, der virkelig var uforståeligt, i stedet for at gætte sig igennem det. Hvis en kunde, en domstol, et arkiv eller en publikation skal modtage dokumentet, køber den ekstra pris dig noget reelt. Er transskriptionen derimod et redskab, du bruger privat for hurtigere at komme til lyden, køber den dig noget, du ikke har brug for.
En ny optagelse slår en time med rettelser
At forbedre selve optagelsen er næsten altid billigere end at forbedre resultatet bagefter. Ti minutter brugt på at flytte mikrofonen, lukke et vindue, slukke ventilatoren og bede folk om at tale én ad gangen sparer mere arbejde end en time med rettelser bagefter, og det giver et bedre resultat end rettelserne gør, fordi en rettet transskription i sidste ende kun er så god som din tålmodighed.
Det er nemmest at handle på, når noget gentager sig. Optager du regelmæssigt samme type samtale, forbedrer én runde med opmærksomhed på opsætningen alt, du optager fra da af. Det betyder mest ved interviews, hvor materialet ofte er uigenkaldeligt, og citaterne er hele pointen; de praktiske forhold ved at transskribere interviews er i vidt omfang de samme praktiske forhold, som gælder for at optage dem.
Nogle gange er der ikke noget andet forsøg. Samtalen skete én gang, telefonen lå i en lomme, og det er den lyd, du har. Så er det ærlige at stoppe med at forvente, at softwaren kan redde den, og i stedet afsætte tid til rettelser, eller give opgaven til et menneske. Svær lyd bliver ikke let af, at du havde brug for, at den var det.
Hvad du kan forvente, når du åbner filen
Forvent flydende, letlæst tekst med et par forkerte navneord i sig. Forvent, at de afsnit, hvor folk talte i munden på hinanden, bliver tynde, forvrænget eller stille og roligt forsvinder. Forvent tegnsætningsvalg, du ikke selv ville have valgt, og talermærker der som helhed er rigtige, men upålidelige ved skiftene. Forvent ingen markeringer, ingen fremhævelser, ingen tegn på tvivl. Dokumentet vil se lige overbevisende ud hele vejen igennem, og det vil ikke være lige korrekt hele vejen igennem.
Forvent, at navne og fagudtryk kræver en ekstra gennemgang, uanset hvor ren optagelsen var. De fejler også på god lyd, bare mindre ofte.
Og gem lyden. En automatisk transskription kan ikke tjekke sig selv, og de tjek, der betyder noget, indebærer alle sammen at lytte. En transskription med lyden bag sig er et pålideligt arbejdsredskab. En transskription, hvor lyden er slettet, er et dokument, ingen kan tjekke – dig selv inklusive.
