Kort fortalt
macOS kan ikke transskribere en videofil på egen hånd. Det den kan gøre, uden at du skal downloade noget, er at eksportere lydsporet fra videoen med QuickTime Player, så du står med en langt mindre fil at arbejde videre med. Den indbyggede diktering skriver det, mikrofonen hører, mens du taler, live – den er altså ikke redskabet til en optagelse, du allerede har liggende. Transskription er et selvstændigt skridt, og det er det samme skridt, uanset hvilken computer du sidder ved.
Du har en video liggende på din Mac. Måske en skærmoptagelse af et møde, en forelæsning en kollega har sendt dig, eller et klip du har gemt. Du vil have teksten ud af den. Og du har ikke lyst til at oprette en konto hos et firma, du aldrig har hørt om, bare for at få den.
Opgaven falder i to klare dele. Først skal der en ren lydfil ud af videoen. Dernæst skal den lyd blive til tekst. Den første del kan din Mac allerede – lige nu, med software der ligger på maskinen. Den anden del kan den ikke, og det ændrer sig ikke, uanset hvor meget du roder rundt i Systemindstillinger for at finde en indstilling, der ikke findes. Når du kender grænsen mellem de to, sparer du dig selv en eftermiddags jagt på en menu, der ikke eksisterer.
Det macOS allerede kan
QuickTime Player følger med enhver Mac. Det afspiller video, det optager skærmen, og det kan eksportere lyden fra en videofil. Det sidste er det nyttige her, og det er ofte det eneste skridt, du behøver at tage, før du sender filen videre til noget andet program.
macOS har også diktering, som omsætter tale til tekst i takt med, at du taler. Diktafon findes også, og den synkroniserer med den samme app på en iPhone via iCloud. Med de tre redskaber kan du optage lyd, gemme den og skrive med stemmen.
Ingen af dem læser en eksisterende videofil og giver dig et transskript. Det er værd at slå fast med det samme, fordi værktøjerne ligger så tæt på hinanden, at man let får den tanke, at funktionen må gemme sig et sted. Det gør den ikke. Din Mac er god til at producere optagelser og dårlig til at omsætte dem til tekst.
Træk lyden ud først
En videofil er en beholder. Den bærer billede, og den bærer et lydspor, og transskription rører kun ved lyden. Billedet er dødvægt i denne sammenhæng.
Eksporter derfor lyden, før du gør noget andet. QuickTime Player kan gøre det, hvilket betyder, at det første skridt ikke koster dig noget og ikke kræver installation af noget som helst. Det, du får tilbage, er en langt mindre fil end den video, du startede med – nogle gange dramatisk mindre, afhængigt af hvad videoen egentlig var.
Den forskel i filstørrelse holder op med at være en teoretisk detalje, i det øjeblik optagelsen er lang. En forelæsning på to timer som video er besværlig at flytte rundt på, uploade eller have flere kopier af, mens du finder ud af, hvilket værktøj du vil bruge. De samme to timer som lyd er en beskeden fil, du kan håndtere uden at tænke over det. Har du en mappe fuld af optagelser, du skal igennem, er det forskellen mellem en aften og en hel weekend at trække lyden ud først.
Denne udtrækning afklarer også et spørgsmål, mange render sig ind i: om de har brug for noget, der specifikt håndterer video omsat til tekst, eller om almindelig lydtransskription er nok. Når lyden er en selvstændig fil, holder skellet op med at betyde noget. Ethvert transskriptionsværktøj, der tager lyd, tager også din.
Diktering er en anden opgave
Diktering og transskription bliver ofte brugt, som var de det samme ord. De er det ikke, og forskellen er præcis det, der står mellem dig og det transskript, du ønsker dig.
Diktering lytter til en mikrofon og skriver ned, hvad den hører, i realtid, mens det sker. Du taler, teksten dukker op. Det er en indtastningsmetode. Transskription tager en optagelse, der allerede findes – noget der skete for en time eller et år siden – og laver tekst ud fra den. Det ene er en indtastningsmåde, det andet er en omdannelse.
Man kan forsøge at bygge bro over kløften ved at afspille videoen højt og lade diktering lytte via højtalerne. Folk gør det. Det fungerer dårligt. Du beder en mikrofon om at genoptage lyd, der allerede er optaget én gang, i et rum, med den akustik rummet nu har, og du skal sidde igennem hele varigheden, mens det sker. En times video koster dig en time. Ud over et kort klip er det ikke en seriøs mulighed. Der er mere at sige om tale til tekst på en Mac, og om hvor den indbyggede løsning løber tør, men kort fortalt er diktering aldrig blevet bygget til filer.
Når du ikke har filen endnu
Alt ovenstående forudsætter, at videoen allerede ligger på din disk. Nogle gange gør den ikke. Det, du vil have ordene ud af, er et opkald, der er i gang, eller en video, der spiller i en fane i browseren, og der er ikke noget at trække lyd ud af, fordi der ikke er gemt noget endnu.
Det er her, din Mac sætter den virkelige forhindring op. At optage din Macs egen systemlyd – lyden, der kommer ud af maskinen, snarere end ind i mikrofonen – er ikke noget, macOS stiller til rådighed som standard. Skærmoptagelse giver dig billedet. At få lyden, der hørte til, er et selvstændigt problem, og det er det ene skridt, der oftest stopper folk fuldstændigt. Hvis du nogensinde er endt med en lydløs optagelse af et møde og ikke kunne regne ud, hvad du gjorde forkert, er det det, du er stødt ind i. Du gjorde ikke noget forkert.
Der findes måder omkring det, og de er værd at kende, før du får brug for dem, snarere end fem minutter ind i et opkald, du ikke kan gentage. Selve mekanikken bag at optage skærmen på en Mac med lyd er sit eget emne. Det, der betyder noget her, er, at det er et optageproblem og ikke et transskriptionsproblem, og løser du det, er du tilbage ved den almindelige situation: en fil på disken.
Én vej går helt uden om problemet. Diktafon på Mac deler optagelser med den samme app på en iPhone via iCloud, så alt, du optager på telefonen, dukker op på Mac’en, uden at du skal maile dig selv en fil eller lede efter et kabel. Til en samtale ansigt til ansigt, eller et oplæg du sidder og lytter til, er det mindre besvær at optage på telefonen og hente filen på skrivebordet end at kæmpe med spørgsmålet om systemlyd. Det løser naturligvis ikke noget for lyd, Mac’en selv producerer.
Sådan bliver lyden til tekst
Når lyden findes som en fil, betyder ingen af de foregående beslutninger noget længere. Transskription er ligeglad med, om filen kom fra en video, en telefon, en skærmoptagelse eller noget en kollega har sendt dig. Den er ligeglad med, at du sidder ved en Mac. Herfra er det den samme opgave, den ville være på en hvilken som helst maskine, så dit valg handler alene om transskriptionsværktøjet.
Det er også her, ønsket om at slippe for at oprette en konto møder virkeligheden, så lad mig være ærlig om det. Alt, der kører helt inde i din browser, kan love, at din fil aldrig forlader maskinen, og nogle værktøjer fungerer faktisk sådan. Men browserværktøjer af den type håndterer typisk ting som undertekstfiler og optælling – tekst, der allerede er tekst. Egentlig talegenkendelse på en optagelse på to timer er en tungere opgave, og værktøjer, der gør det, vil normalt have enten en installeret app eller din fil på deres servere. Uanset hvad du vælger, er det det spørgsmål, du skal stille, og svaret bør være let at finde.
SozAI er en mulighed: en transskriptionsapp til macOS, der håndterer lyd- og videofiler, optagelser og YouTube-links, med talerlabels, resuméer og oversættelse på over 99 sprog. Samme side har gratis, browserbaserede værktøjer til undertekster og optælling, som kører helt i din browser uden upload og uden konto – de transskriberer ikke lyd, men de er nyttige, når du først har et transskript at arbejde videre med.
Det transskriptet ikke gør for dig
Bed om tidsstempler, hvis pointen er at kunne finde tilbage til et bestemt øjeblik. Et transskript uden dem er en mur af tekst, du kan søge i – du finder sætningen – men at finde sætningen er ikke det samme som at finde stedet i videoen, hvor den blev sagt. Transskriberer du en forelæsning, så du kan hoppe direkte til de ti minutter, der betød noget, er tidsstempler hele pointen. Transskriberer du, fordi du vil læse den én gang og aldrig åbne videoen igen, er de bare støj. Afgør, hvad du gør, før du går i gang, fordi at tilføje dem bagefter betyder, at du gør arbejdet to gange.
Forvent, at teksten afspejler den optagelse, den kommer fra. Talegenkendelse arbejder med, hvad der faktisk blev optaget, og en optagelse fra et rum fuldt af folk, der taler i munden på hinanden, giver den mindre at arbejde med end en ren optagelse. At trække lyden ud af videoen forbedrer ikke lyden; det isolerer bare det, der allerede var der. Er lydkilden dårlig, kommer du til at redigere i transskriptet, og intet tidligere skridt i processen løser det.
Og accepter, at noget af videoen ikke overlever turen. Slides, diagrammer, alt hvad der er skrevet på en tavle, hvem der pegede på hvad – det hele forsvinder, fordi du med vilje kastede billedet ud for at få en fil, du kunne arbejde med. Til en samtale mister det ikke noget. Til en demo eller en præsentation er transskriptet kun halvdelen af optagelsen, og du vil have lyst til at gemme den originale video ved siden af.
