איך מקבלים תמלול שמסמן נכון מי אמר מה

עיקרי הדברים

תמלול יכול להיות מדויק במאה אחוז מבחינת המילים, ועדיין לייחס אותן לאדם הלא נכון, כי זיהוי הדיבור וייחוס שלו לדובר מסוים הן שתי פעולות נפרדות. סימון הדוברים מתבסס על מאפייני הקול, ולכן הוא עובד הכי טוב כשיש מעט קולות שנשמעים שונים בבירור זה מזה, ומיקרופון אחד קולט את כולם בעוצמה דומה. הוא מתקשה כשאנשים מדברים אחד על השני, כשדובר שקט או מצטרף באיחור, והוא לעולם לא ייתן לכם שמות אמיתיים בעצמו – את זה מוסיפים בעצמכם בהמשך.

אם פעם פתחתם תמלול של שיחה קבוצתית ומצאתם שחצי ממנו מיוחס לאדם הלא נכון, המילים עצמן היו כנראה מדויקות. הבעיה נמצאת שלב אחד גבוה יותר, בחלק שמחליט מי דיבר, לא מה נאמר. החלק הזה מתבסס על מידע אחר ונכשל בדרכים אחרות, ורוב הגורמים שקובעים אם הוא יעבוד נקבעים כבר בזמן ההקלטה, לפני שכל תוכנה נוגעת בקובץ.

זה החלק ששווה להבין אם אתם עומדים להקליט ראיון, פאנל או שיחת משפחה, ובאמת חשוב לכם לדעת מי אמר מה – ולא רק מה נאמר. חלק מזה תלוי במיקום המיקרופון. חלק מזה הוא קבלת העובדה שמצבים מסוימים לעולם לא יסומנו בצורה נקייה, לא משנה באיזו תוכנה תשתמשו.

שתי משימות נפרדות, תמלול אחד

זיהוי מילים והחלטה מי אמר אותן הן לא אותה משימה, גם אם שתיהן מגיעות לאותו מסמך. המשימה הראשונה מקשיבה לצליל ומפרשת שפה – והיא כמעט לא מתייחסת לשאלה של מי הקול. המשימה השנייה מקשיבה לאותו צליל ושואלת שאלה אחרת: האם הקול הזה תואם לקול ממשפט או שניים לפני כן, או שזה דובר חדש? השאלה הזו נענית לפי מאפייני הקול – גובה הצליל, הטון, הקצב, סוג של חותמת קולית אישית – ולא לפי המילים עצמן.

זו הסיבה שתמלול יכול להיות מדויק מילה במילה ועדיין לייחס שורות לדובר הלא נכון. התמלול הצליח. הפרדת הדוברים לא הצליחה. שתי המשימות יכולות להיכשל בנפרד, וכשמישהו אומר לכם שתמלול 'שגוי', שווה לבדוק איזו משימה בפועל נכשלה, כי הפתרון שונה בהתאם לתשובה.

מה גורם להפרדת דוברים לעבוד

הפרדת דוברים עובדת הכי טוב עם מספר קטן של קולות שנשמעים שונים בבירור זה מזה, כשכולם נקלטים ממיקום מיקרופון אחד ששומע את כולם בעוצמה דומה בקירוב. זה המקרה האידיאלי: שני אנשים או שלושה, קולות מובחנים, מכשיר הקלטה אחד שממוקם במקום שממנו הוא שומע את כל החדר בצורה אחידה.

כל סטייה מהמצב האידיאלי הזה גובה מחיר. יותר דוברים אומר יותר סיכוי ששני קולות יישמעו דומים מספיק כדי להיטמע זה בזה. קולות שנשמעים דומים – למשל שני אנשים בני גיל קרוב ומבטא דומה – קשים יותר להבחין ביניהם מקול עמוק לצד קול גבוה. ואם אדם אחד נקלט בעוצמה גבוהה בהרבה מהאחר, המערכת מתחילה להתייחס להבדלי עוצמה כאילו הם הבדלי דוברים, וזה לא נכון.

אין בכל זה שום דבר יוצא דופן. זה קרוב למה שגם אדם היה שם לב אליו, אם היה עוצם עיניים ופשוט מקשיב. היתרון של התוכנה הוא סבלנות ועקביות במשך שעה שלמה של הקלטה, ולא איזה חוש נוסף שלמאזין אין.

המקום שבו זה קורס: אנשים שמדברים אחד על השני

יש מצב אחד שבאופן עקבי שובר את סימון הדוברים, ואין כמות של הכנה טובה שתפתור אותו: דיבור חופף אמיתי, כשני אנשים מדברים באותו רגע ממש. בזמן חפיפה אין אות נקי שמשתייך לקול אחד – האודיו הוא תמהיל של שניהם, ואין מה לייחס בצורה נקייה. מה שקורה בדרך כלל הוא שהמילים של דובר אחד נבלעות בתוך התור של הדובר האחר, כך שהתמלול מציג היגד רציף אחד שבפועל היה שני אנשים שדיברו בו-זמנית.

זו לא תקלה שאפשר לתקן בהמשך. זו מגבלה מובנית באופי הבעיה עצמה – אי אפשר לפרק בדיעבד שני קולות חופפים לשני ערוצים נקיים, לא באופן שאפשר לסמוך עליו. הציפייה הריאלית היא שכל חלק בהקלטה עם חפיפה אמיתית ידרוש מעבר ידני לסידור מי אמר מה, או שיישאר מיוחס למי שהמערכת ניחשה. אם בשיחה שלכם יש הרבה אנשים שמדברים אחד על השני – פאנל סוער, ארוחת משפחה עם ויכוחים – כדאי להביא בחשבון שהחלק הזה בתמלול ידרוש תיקון ידני, ולא לשפוט את הכלי כולו לפי הקטע הזה.

מיקום המיקרופון חשוב יותר מהסוג שלו

המרחק מהמיקרופון משפיע על סימון הדוברים יותר מאיכות המיקרופון עצמו. טלפון שמונח באמצע השולחן בדרך כלל יעניק הפרדת דוברים טובה יותר ממיקרופון משובח שנמצא בטעות לצד אדם אחד, כי המשתתפים השקטים והרחוקים יותר הם בדיוק אלה שהמערכת מפסידה ראשונים. אם מישהו נשמע באופן עקבי חלש בהרבה מכולם כי הוא הרחוק ביותר מהמיקרופון, הפער בעוצמה הזה יכול להשפיע על סימון הדוברים יותר מכל הבדל בציוד.

לגבי שיחה קבוצתית, זה מוביל לכלל פשוט: להניח את מכשיר ההקלטה במקום מרכזי, לא במקום נוח. באמצע השולחן, לא בקצה הקרוב למארח. אם אנשים מפוזרים בחדר ולא יושבים קרוב זה לזה, זה מקרה מאתגר יותר בלי קשר לציוד, ושווה לדעת את זה מראש ולא לגלות בדיעבד.

לקבל שמות במקום דובר 1, דובר 2

שום דבר בתוך האודיו עצמו לא מגלה למערכת התמלול את השם של מישהו – היא יכולה לזהות ששני קולות שונים נמצאים בהקלטה, אבל אין לה דרך לדעת שאחד נקרא נועה והשני נקרא איתי. אז הפלט מגיע עם תיוגים אנונימיים: דובר 1, דובר 2, וכן הלאה. להמיר את אלה לשמות אמיתיים זו פעולה ידנית, וצריך לעשות אותה רק פעם אחת, בראש התמלול, כשמתאימים כל תיוג לשם.

הדבר היחיד שהופך את הצעד הזה לפשוט במקום מייגע הוא שכל אחד יגיד את שמו בקול בתחילת ההקלטה. זה עולה בערך עשר שניות ונותן לכם עוגן ברור – אתם יודעים שהקול שאומר 'זה איתי' בתחילת ההקלטה הוא זה שיש לתייג בשם איתי בשאר המסמך. אם מדלגים על זה, נשארים עם התאמת קולות לשמות מהזיכרון או מההקשר, וזה עובד, אבל לוקח יותר זמן ופתוח יותר לטעויות ככל שיש יותר דוברים.

אם אתם מקליטים ראיון בפרט, שווה להטמיע את ההרגל הזה בתחילת כל הקלטה – ראו את ההערות בנושא תמלול ראיונות להרחבה על איך להתחיל נכון מהדקה הראשונה. כדי להמיר הקלטה מוגמרת לטקסט מתויג לאחר שהיא כבר קיימת, המרת אודיו לטקסט מסביר את שלב ההמרה עצמו, ואפליקציה כמו אפליקציית התמלול של SozAI יכולה לייצר תיוג דוברים, סיכומים ותרגום במגוון רחב של שפות לאחר שיש לכם את ההקלטה – לתת לדוברים שמות זה עדיין עליכם, אבל זה החלק המהיר.

למה לצפות באופן ריאלי

אפילו עם הכנה טובה, כמה מצבים מייצרים תוצאות לא מושלמות בצורה שאפשר לצפות מראש, ושווה להכיר אותם מראש ולא להתייחס אליהם כאל כשלים.

• דובר שמצטרף באמצע ההקלטה, אחרי שהמערכת כבר קבעה את פרופילי הקול שלה, מתמזג לרוב עם דובר קיים במקום לקבל תיוג חדש משלו.
• מישהו שאומר רק כמה מילים בכל ההקלטה – הסכמה קצרה, שאלה בשורה אחת – נבלע לרוב במי שדיבר לצדו, כי אין מספיק מהקול שלו כדי שהמערכת תבנה עבורו פרופיל נפרד.
• דיבור חופף אמיתי, כמו שהוסבר קודם, נוטה להתמזג לתוך התור של דובר אחד.
• קבוצה גדולה עם הרבה קולות שנשמעים דומים תייצר יותר תיוגים שגויים מקבוצה קטנה עם קולות מובחנים, פשוט כי יש יותר הזדמנויות לבלבול.

אף אחד מהמצבים האלה אינו סיבה לא לתמלל הקלטה מסובכת – הם סיבה לצפות למעבר ניקוי ידני קצר בקטעים שבהם הם מתרחשים, ולא להניח שכל המסמך דורש בדיקה חוזרת. אם אתם מקליטים משהו שאתם יודעים שיהיה בו סוג כזה של מורכבות, שווה גם להחליט מראש אם אתם צריכים תמלול של כל מילה או רק את הנקודות המתויגות החשובות; לתמלל הכל זו לא בהכרח הבחירה השימושית ביותר, במיוחד בהקלטות ארוכות שבהן העיקר הוא לדעת מי התחייב למה – סוג השימוש שמתואר בנושא הפיכת הקלטות לסיכומי פגישה. ואם אתם רוצים לבדוק איך הקלטה מסוימת מתויגת לפני שאתם מתחייבים לקובץ ארוך, הורדת האפליקציה מעמוד ההורדה והרצת דוגמה קצרה תגלה לכם יותר מכל עצה כללית.

מה בפועל עושה את ההבדל

אם יש דבר אחד שכדאי לקחת מכל זה, זה שההקלטה חשובה יותר מהתוכנה. מיקרופון מרכזי, מספר קטן של קולות שנשמעים שונים בבירור, כולם אומרים את שמם בתחילת ההקלטה, וקבלת העובדה שדיבור חופף ידרוש בדיקה ידנית – השילוב הזה יקדם אתכם הרבה יותר מכל הגדרה או תכונה שבוחרים בדיעבד. שלב הסימון עושה עבודה אמיתית, אבל הוא עובד עם מה שההקלטה נתנה לו, והקלטה שנעשתה עם מחשבה על הפרדת דוברים תמיד תתויג טוב יותר מהקלטה שנעשתה בלי, לא משנה איזו תוכנת תמלול תרוץ עליה בהמשך.