עד כמה תמלול בבינה מלאכותית מדויק, בפועל

עיקרי הדברים

אין מספר דיוק אחד שנכון לכל המקרים, וכל אחוז שנתקלתם בו מתאר מערכת מסוימת שנבדקה על הקלטה מסוימת. הקלטה נקייה עם דובר אחד ושיחה קבוצתית רועשת נמצאות במרחק כזה שאין אחוז אחד שמתאר את שתיהן. מה שקובע את התוצאה זו ההקלטה עצמה: המרחק מהמיקרופון, רעשי רקע, דיבור חופף ומגוון המבטאים. השגיאות גם מתרכזות במקומות מסוימים, כך שרוב התמלול קריא בסדר גמור, אבל שמות, מונחים מקצועיים, מספרים ודיבור חופף הם המקום שבו זה משתבש. לצורך איתור קטע מסוים זה בסדר. לצורך ציטוט, יש לבדוק כל שורה מול ההקלטה.

בטח נתקלתם באיזשהו אחוז שמוצמד לכלי תמלול. זו מדידה אמיתית של משהו. היא רק לא מדידה של מה שיקרה כשתזינו לכלי את ההקלטה שלכם, ולהתייחס אליה כהבטחה זו הדרך הבטוחה להתאכזב ברגע הכי לא נוח.

השאלה השימושית איננה כמה מדויק תמלול אוטומטי בכלל. השאלה היא אם התמלול שתקבלו יהיה מספיק טוב לצורך הספציפי שאתם מתכננים לעשות בו. אלו שאלות שונות עם תשובות שונות, כי אותו קובץ יכול להיות מספיק לגמרי כדי לאתר רגע מסוים, ולא שמיש בכלל כדי לצטט אותו.

אחוז דיוק מודד הקלטה אחת, לא מערכת

כל טענת דיוק היא תוצאה של הפעלת מערכת מסוימת על הקלטה מסוימת. שנו את ההקלטה, והמספר משתנה איתה. זה לא פגם במדידה. זה מה שהמדידה בעצם היא.

דמיינו את שני הקצוות של הטווח. דובר אחד, קרוב למיקרופון, בחדר שקט, מדבר במבטא נפוץ על נושאים יומיומיים. זה יתמלל מצוין. עכשיו דמיינו ארבעה אנשים סביב שולחן, במזגן פועל, מדברים אחד על השני, משתמשים בקיצורי דרך מקצועיים מהתחום שלהם, ושניים מהם במרחק מטר וחצי מהטלפון. זה יתמלל הרבה יותר גרוע. שתי המדידות אמיתיות לגבי אותה מערכת בדיוק. מספר אחד לא יכול לתאר את שתיהן, והפער בין הקצוות רחב מכדי שגם ממוצע יהיה משמעותי.

אז כשאתם נתקלים במספר בלי לדעת על איזו הקלטה הוא נמדד, המידע החשוב הוא בדיוק החלק שחסר. כל מה שלמדתם באמת הוא שמישהו בדק משהו. הבנצ'מארק שרלוונטי לכם הוא החומר שלכם. קחו כמה דקות מהקלטה שמזכירה את מה שאתם באמת עובדים איתו, הריצו אותה בכלי, וקראו את התוצאה מול ההקלטה. זה יספר לכם יותר מכל טענה שפורסמה, וזה לוקח פחות זמן מקריאת מאמרי השוואה.

ההקלטה משפיעה על התוצאה יותר מהתוכנה

אנשים בוחרים כלי תמלול לפי השוואת דיוק. זו הזווית הלא נכונה לרוב ההקלטות. תנאי ההקלטה משפיעים על התוצאה הרבה יותר מבחירת המנוע.

• מרחק מהמיקרופון. כל תוספת מרחק מכניסה יותר חדר ופחות קול. טלפון שמונח על השולחן בין שני אנשים הוא הקלטה שונה מטלפון שמונח לפני אחד מהם.
• רעשי רקע. תנועה, בית קפה, מאווררים, מקלדות. רעש לא רק נמצא ברקע הדיבור, הוא מתחרה בו, והמילים שנעלמות הן המילים השקטות בסופי המשפטים.
• דיבור חופף. כששני אנשים מדברים בבת אחת, אין אות נקי לתמלל. משהו יירשם, ולעתים קרובות זה יהיה תערובת של שניהם.
• מגוון מבטאים. מבטאים מסוימים מיוצגים הרבה יותר טוב במה שהמערכות הללו למדו ממנו, ומבטאים שלא מיוצגים מספיק מקבלים תוצאות גרועות יותר על אותה הקלטה נקייה.

כלים אכן שונים זה מזה, ואם החומר שלכם באופן עקבי קשה מסוג מסוים, בדיקת כמה כלים שווה את אחר הצהריים. אבל הפער בין שני כלים סבירים על אותה הקלטה הוא בדרך כלל קטן יותר מהפער בין הקלטה טובה להקלטה גרועה באותו כלי. להזיז את המיקרופון קרוב יותר קונה לכם יותר מהחלפת מוצר. אם אתם רוצים להבין מה התוכנה עושה עם מה שאתם נותנים לה, ההסבר הכללי על איך תמלול בבינה מלאכותית עובד מבהיר מדוע התנאים הספציפיים האלה משנים כל כך.

השגיאות לא מתפזרות באופן שווה בקובץ

זה החלק שתופס אנשים בהפתעה, וזה חשוב יותר מהמספר הכללי. שגיאות מתרכזות. רוב התמלול יוצא נקי, והכשלים מתרכזים בכמה מקומות צפויים: שמות פרטיים, אוצר מילים מקצועי, מספרים, וכל רגע שבו אנשים מדברים אחד על השני.

חשבו מה זה אומר לגבי הקריאה. עמוד של שיחה רגילה יתמלל טוב ויקרא בשטף. ואז מגיע שם משפחה, או שם מוצר, או ספרה, וזה מתברר כשגוי. שום דבר בעמוד לא מסמן את ההבדל. המילה השגויה מופיעה באותו פונט בטוח כמו המילים הנכונות, מוקפת במשפטים תקינים, שזה בדיוק ההקשר שגורם לשגיאה להיראות סבירה. תמלול יכול להיקרא בצורה מושלמת ולהיות שגוי בדיוק במקומות שהתכוונתם להשתמש בהם.

יש סיבה שהקטגוריות האלה נכשלות יחד. מילים רגילות מוגבלות על ידי כל מה שסביבן, אז מערכת ששומעת מילה לא נכון יכולה להתאושש מההקשר. שם לא מוגבל כך; כמעט כל צליל יכול להיות שם של מישהו, ואין שום דבר בדקדוק שפוסל ניחוש שגוי. למונחים מקצועיים יש בעיה דומה, עם הקושי הנוסף שמילה נפוצה נשמעת לעתים קרובות קרובה מספיק כדי להחליף את המונח הטכני. מספרים הם המקרה החד ביותר, כי הבדל אקוסטי קטן מייצר ערך שונה לחלוטין, והמשפט נקרא נכון בכל מקרה.

פיסוק הוא ניחוש לגבי היכן מסתיימים המשפטים

פיסוק אוטומטי אינו תמלול. זו הסקה שנעשית מהפסקות, אינטונציה וקצב, לגבי היכן רעיון אחד נגמר והבא מתחיל. לרוב הניחוש נכון, או נכון מספיק כדי שאף אחד לא ישים לב.

כשהוא שגוי, המשמעות משתנה. נקודה שנפלה באמצע פסוקית יכולה לנתק הסתייגות מהדבר שהיא מסתייגת ממנו, כך שאמירה מסויגת הופכת לחד משמעית ותנאי הופך לטענה נחרצת. כל מילה בודדת יכולה להיות נכונה, והמשפט עדיין יכול לומר דבר שהדובר לא אמר. סוג השגיאה הזה בלתי נראה בעמוד, כי אין שום דבר לשים אליו לב. אי אפשר להגיה את זה מתוך התמלול על ידי קריאת התמלול. רק ההקלטה מכריעה.

לתוויות דוברים יש חולשה דומה. הן בדרך כלל נכונות במהלך קטע שבו אדם אחד מדבר ברצף, ופחות מהימנות בנקודות המעבר, שם הערה קצרה יכולה להיות מיוחסת לאדם הלא נכון. אם אתם שולפים ציטוט מסביב לנקודת מעבר בין דוברים, זו שורה שכדאי להאזין לה מחדש.

קבעו את הרף לפי המטרה של התמלול

השאלה איננה אם תמלול מדויק. השאלה היא אם הוא מדויק מספיק למשימה, והמשימה משתנה יותר ממה שאנשים מניחים.

אם אתם משתמשים בתמלול כדי לאתר משהו, שגיאות מפוזרות לא משנות. חיפשתם מילה, נחתתם בסביבת הדקה הנכונה, הפעלתם את ההקלטה. התמלול עשה את שלו, גם עם שם מבולבל שלוש שורות מעל. אותו הדבר תקף לגבי דילוג מהיר על שעה של הקלטה כדי להחליט אילו עשרים דקות שוות את הזמן שלכם, או הפיכת קול מוקלט לטקסט כדי לקרוא אותו מהר יותר ממה שהייתם מאזינים לו.

אם התמלול הולך להיות מצוטט, מתפרסם, נשמר בתיק, או שמישהו שלא היה בחדר יסתמך עליו, הרף שונה והוא לא ניתן למשא ומתן. כל שורה שאתם מתכוונים להשתמש בה נבדקת מול ההקלטה, אחת אחת. לא קריאה חלקה של כל המסמך; האזנה ממוקדת לכל קטע שמצוטט, כי אופני הכשל שתוארו לעיל הם בדיוק אלה שקריאה חלקה לא תתפוס. זה נכון במיוחד לכל מקרה שבו מספר או שם נושאים את כל המשקל של המשפט.

למסמך עבודה, אפליקציה היא הדרך הנכונה. SozAI, הזמינה ל-iOS, ל-Android ול-macOS, מהפכת הקלטות, קבצי אודיו ווידאו וקישורי YouTube לטקסט עם תוויות דוברים, סיכומים ותרגום ביותר מ-99 שפות, ועדיין צריך לבדוק את הציטוטים מול ההקלטה, בדיוק כמו עם כל פלט אוטומטי אחר.

כשהתמלול עצמו הוא התוצר הסופי, שירותי תמלול אנושי הם התשובה המתאימה. הם עולים יותר כי אדם יושב ומאזין, וזה בדיוק מה שאתם משלמים עבורו: מישהו ששומע את השם וכותב אותו נכון, שיודע היכן המשפט הסתיים, שמסמן את הקטע שהיה באמת לא ברור במקום לנחש אותו. אם לקוח, בית משפט, ארכיון או כתב עת מקבלים את המסמך, העלות הזו קונה לכם דבר אמיתי. אם התמלול הוא כלי שאתם משתמשים בו באופן פרטי כדי להגיע להקלטה מהר יותר, היא קונה לכם דבר שאתם לא צריכים.

הקלטה שנייה שווה יותר משעה של תיקונים

לשפר את ההקלטה עצמה זה כמעט תמיד זול יותר משיפור התוצר. עשר דקות שמוקדשות להזזת המיקרופון, סגירת חלון, כיבוי המאוורר ובקשה מהאנשים לדבר אחד בכל פעם, יחסכו יותר עבודה משעה של תיקון טקסט לאחר מכן, והתוצאה תהיה טובה יותר מזו של התיקון, כי תמלול מתוקן טוב בדיוק כמו הסבלנות שלכם בסוף הדרך.

הכי קל לפעול לפי זה בכל דבר חזור על עצמו. אם אתם מקליטים באופן קבוע סוג שיחה מסוים, סיבוב אחד של תשומת לב להגדרות משפר את כל מה שתקליטו מאותו רגע והלאה. זה חשוב במיוחד לראיונות, שבהם החומר הוא לרוב חד פעמי והציטוטים הם כל העניין; ההיבטים המעשיים של תמלול ראיונות הם ברובם היבטים מעשיים של הקלטתם.

לפעמים אין ניסיון שני. השיחה קרתה פעם אחת, הטלפון היה בכיס, וזו ההקלטה שיש לכם. אז הצעד הכן הוא להפסיק לחכות שהתוכנה תציל את המצב ולתקצב זמן תיקון במקום, או להעביר את זה לאדם. הקלטה קשה לא הופכת קלה כי הייתם צריכים אותה כזאת.

למה לצפות כשפותחים את הקובץ

צפו לטקסט שוטף וקריא עם כמה שמות עצם שגויים בו. צפו לקטעים שבהם אנשים דיברו אחד על השני שיהיו דלילים, מעורפלים, או פשוט חסרים בשקט. צפו לבחירות פיסוק שאתם לא הייתם בוחרים, ולתוויות דוברים שנכונות בגדול ולא מהימנות בנקודות המעבר. צפו לאפס דגלים, אפס הדגשות, אפס סימני חוסר ביטחון. המסמך יראה בטוח באופן אחיד, והוא לא יהיה נכון באופן אחיד.

צפו לכך ששמות ומונחים מקצועיים יצטרכו מעבר נוסף, לא משנה כמה נקייה הייתה ההקלטה. אלה נכשלים גם בהקלטה טובה, רק בתדירות נמוכה יותר.

ושמרו את ההקלטה. תמלול אוטומטי לא יכול לאמת את עצמו, וכל הבדיקות שחשובות כרוכות בהאזנה. תמלול עם ההקלטה מאחוריו הוא כלי עבודה מהימן. תמלול שההקלטה שלו נמחקה הוא מסמך שאף אחד לא יכול לבדוק, ואתם בכלל.