Det vigtigste
En transskription kan få hvert ord rigtigt og stadig sætte det under det forkerte navn, fordi det at genkende tale og det at placere talen hos en bestemt person er to forskellige opgaver. Talerinddeling arbejder ud fra stemmens karakteristika, så den fungerer bedst med nogle få klart forskellige stemmer, optaget ved nogenlunde samme lydstyrke af én mikrofon. Den har svært ved folk, der taler i munden på hinanden, ved stille eller sent tilkomne talere, og den finder aldrig selv rigtige navne — det tilføjer du bagefter.
Hvis du nogensinde har åbnet en transskription af en gruppesamtale og fundet halvdelen tilskrevet den forkerte person, var selve ordene sandsynligvis korrekte. Problemet ligger et niveau højere, i den del af processen der afgør, hvem der talte — ikke hvad der blev sagt. Den del arbejder med andre informationer og går fejl på andre måder, og næsten alt, der bestemmer, om det virker, afgøres allerede ved optagelsen, før noget program rører filen.
Det er værd at forstå, hvis du skal optage et interview, et panel eller en familiesamtale, og du faktisk har brug for at vide, hvem der sagde hvad — ikke bare hvad der blev sagt. En del af det handler om, hvor du placerer mikrofonen. En del handler om at acceptere, at visse situationer aldrig kommer til at blive inddelt korrekt, uanset hvad du kører dem igennem.
To forskellige opgaver, én transskription
At genkende ord og at afgøre, hvem der sagde dem, er ikke den samme opgave, selv om de ender i det samme dokument. Den første opgave lytter til lyd og finder ud af sproget — den er stort set ligeglad med, hvis stemme det er. Den anden opgave lytter til den samme lyd og stiller et andet spørgsmål: passer denne stemme med den fra to sætninger tidligere, eller er det en ny taler? Det spørgsmål besvares ud fra stemmens karakteristika — tonehøjde, klang, taleflow, det akustiske fingeraftryk i en persons tale — ikke ud fra selve ordene.
Det er derfor en transskription kan være ordret korrekt og stadig fordele linjerne forkert. Selve transskriptionen lykkedes. Talerinddelingen gjorde ikke. De to ting kan mislykkes hver for sig, og når nogen siger, at en transskription er ‘forkert’, er det værd at undersøge, hvilken af de to opgaver der faktisk gik fejl, fordi løsningen er forskellig afhængigt af svaret.
Hvad gør talerinddeling god
Talerinddeling fungerer bedst med et lille antal stemmer, der lyder klart forskellige fra hinanden, alle optaget fra én mikrofonplacering, der hører alle nogenlunde lige højt. Det er idealtilfældet: to eller tre personer, tydeligt forskellige stemmer, ét optageapparat placeret et sted, hvor det kan høre hele rummet jævnt.
Hver afvigelse fra det ideal koster noget. Flere talere betyder flere chancer for, at to stemmer lyder ens nok til at smelte sammen. Stemmer, der lyder ens — to personer med samme alder og accent, for eksempel — er sværere at skelne end en dyb stemme og en høj. Og hvis én person optages meget højere end en anden, begynder systemet at behandle forskelle i lydstyrke, som var de forskelle mellem talere, hvilket de ikke er.
Ingen af disse ting er specielle. Det er tæt på det, et menneske også ville bemærke, hvis det lukkede øjnene og bare lyttede. Programmets fordel er tålmodighed og ensartethed gennem en times lyd, ikke en ekstra sans, som en lytter ikke har.
Der hvor det bryder sammen: folk der taler i munden på hinanden
Der er én situation, der pålideligt bryder talerinddelingen, og ingen god opsætning kan rette den: ægte overtale, hvor to personer taler på præcis samme tidspunkt. Under overlap er der intet rent signal, der tilhører én stemme — lyden er en blanding af begge, og der er intet at tilskrive rent til nogen. Det, der typisk sker, er, at den enes ord bliver lagt ind under den andens taletur, så transskriptionen viser én sammenhængende udtalelse, der i virkeligheden var to personer, som talte samtidig.
Det er ikke en fejl, der kan rettes senere. Det er en grænse, der ligger i selve problemets natur — du kan ikke bagefter skille to overlappende stemmer ud i to rene spor, ikke pålideligt. Den ærlige forventning er, at enhver del af en optagelse med reelt overlap kræver et manuelt gennemsyn for at afklare, hvem der sagde hvad, eller den bliver simpelthen stående under den taler, systemet gættede på. Hvis din samtale har meget snak i munden på hinanden — et hidsigt panel, en familiemiddag med diskussioner — så regn med, at den del af transskriptionen skal rettes manuelt, og døm ikke hele værktøjet på det afsnit.
Placeringen af mikrofonen betyder mere end typen
Afstanden til mikrofonen påvirker talerinddelingen mere, end mikrofonens kvalitet gør. En telefon liggende midt på et bord vil normalt give bedre talerinddeling end en finere mikrofon, der tilfældigvis ligger tæt på én person, fordi de stille, længere væk sidende deltagere er præcis dem, systemet taber først. Hvis nogen konsekvent er meget mere stille end de andre, fordi de sidder længst fra mikrofonen, kan den forskel i lydstyrke betyde mere for talerinddelingen end nogen forskel i udstyr.
For en gruppesamtale giver det en simpel regel: placer optageren et centralt sted, ikke et bekvemt sted. Midt på bordet, ikke i den ende, der er tættest på værten. Hvis folk sidder spredt i et rum i stedet for tæt samlet, er det en sværere situation uanset udstyr, og det er værd at vide det på forhånd frem for at opdage det bagefter.
Sådan får du rigtige navne i stedet for Taler 1, Taler 2
Intet i selve lyden fortæller et transskriptionssystem, hvad nogen hedder — det kan høre, at der er to forskellige stemmer til stede, men det har ingen måde at vide, at den ene hedder Mette og den anden Peter. Derfor kommer resultatet ud mærket med anonyme identifikatorer: Taler 1, Taler 2 og så videre. At omdanne dem til rigtige navne er et manuelt trin, og det skal kun gøres én gang, øverst i transskriptionen, hvor du matcher hvert mærke med et navn.
Det, der gør det trin let i stedet for besværligt, er at få alle til at sige deres navn højt tæt på starten af optagelsen. Det tager omkring ti sekunder og giver dig et klart holdepunkt — du ved, at stemmen, der siger ‘det er Peter’ i begyndelsen, er den, der skal mærkes Peter resten af dokumentet. Springer du det over, sidder du med at matche stemmer til navne fra hukommelse eller sammenhæng, hvilket virker, men tager længere tid og bliver mere fejlbehæftet, jo flere talere der er.
Hvis du specifikt optager et interview, er den vane værd at bygge ind i, hvordan du starter hver session — se noterne om transskribering af interviews for mere om at sætte det godt op fra det første minut. Når du skal omdanne en færdig optagelse til mærket tekst, dækker konvertering af lyd til tekst selve konverteringstrinnet, og en app som transskriptionsappen fra SozAI kan levere talerlabels, resumeer og oversættelse på et bredt udvalg af sprog, når du har optagelsen — at navngive talerne bagefter er stadig dit arbejde, men det er den hurtige del.
Hvad du realistisk kan forvente
Selv med en god opsætning giver et par situationer forudsigeligt uperfekte resultater, og det er værd at kende dem på forhånd i stedet for at behandle dem som fejl.
- En taler, der kommer til midt i en optagelse, efter at systemet allerede har fastlagt sine stemmeprofiler, bliver ofte lagt sammen med en eksisterende taler i stedet for at få sit eget nye mærke.
- Én, der kun siger nogle få ord i hele optagelsen — en hurtig tilslutning, et enkelt spørgsmål — bliver ofte lagt ind under den, der talte omkring dem, fordi der ikke er nok af deres stemme til, at systemet kan bygge en separat profil.
- Ægte overlappende tale, som beskrevet ovenfor, har tendens til at kollapse ned i én talers taletur.
- En stor gruppe med mange stemmer, der lyder ens, vil give flere fejlmærkninger end en lille gruppe med tydeligt forskellige stemmer, simpelthen fordi der er flere chancer for forveksling.
Ingen af disse er grunde til at springe over at transskribere en vanskelig optagelse — de er grunde til at forvente en kort manuel oprydning i de afsnit, hvor de forekommer, i stedet for at antage, at hele dokumentet skal gennemgås igen. Hvis du optager noget, du ved vil have denne slags kompleksitet, er det også værd at beslutte på forhånd, om du har brug for hvert ord transskriberet, eller bare de mærkede højdepunkter; at transskribere alt er ikke altid det mest nyttige valg, især for lange optagelser, hvor du primært har brug for at vide, hvem der forpligtede sig til hvad — den type anvendelse dækkes under at omdanne optagelser til mødenotater. Og hvis du vil teste, hvordan en given optagelse bliver mærket, før du binder dig til en længere fil, vil det at hente appen fra downloadsiden og køre en kort prøve først fortælle dig mere, end nogen generel vejledning kan.
Det, der rent faktisk gør en forskel
Hvis du skal tage én ting med fra alt dette, er det, at optagelsen betyder mere end programmet. En central mikrofon, et lille antal klart forskellige stemmer, alle der siger deres navn i starten, og en accept af, at overlappende tale kræver et manuelt kig — den kombination bringer dig længere end nogen indstilling eller funktionsvalg foretaget bagefter. Selve mærkningstrinnet udfører et reelt arbejde, men det arbejder med det, optagelsen gav det, og en optagelse lavet med talerinddeling i tankerne vil altid blive bedre mærket end en, der ikke er, uanset hvad der kører transskriptionen bagefter.
