Najważniejsze wnioski
Przy dwugodzinnym nagraniu sama automatyczna transkrypcja zajmuje ułamek tego czasu – oprogramowanie nie jest tu przeszkodą. To, jak spędzisz wieczór, decyduje etap poprawek: surowy tekst, który ma być tylko przeszukiwalny, wymaga niewielkiej korekty, natomiast transkrypcja, którą zamierzasz cytować albo opublikować, wymaga pełnego przesłuchania nagrania od początku do końca – z poprawianiem imion, liczb i fragmentów, gdzie ludzie mówią jeden przez drugiego. Przepisywanie nagrania samodzielnie zajmuje kilka razy więcej czasu niż samo nagranie, a przy słabej jakości dźwięku jest jeszcze gorzej. Czas warto zarezerwować na poprawki, nie na samo oprogramowanie.
Dwie godziny mówienia, w tempie, w jakim mówi większość ludzi, to około szesnaście do osiemnaście tysięcy słów – z grubsza objętość krótkiej książki. Ta liczba sama w sobie mówi coś o czekającym cię wieczorze: nikt nie chce przeczytać tego od deski do deski, a niewiele osób chce to przepisywać od zera, jeśli istnieje inny sposób.
Szczera odpowiedź na pytanie, ile to zajmuje, zależy od dwóch rzeczy, na które masz wpływ, i jednej, na którą nie masz: jak czysty jest dźwięk, jak czysty musi być gotowy tekst i jak szybko sam piszesz albo słuchasz. Oprogramowanie zmienia jeden element tego równania. Dwóch pozostałych nie dotyka.
Najpierw policz
Mowa w prezentacjach i na wykładach to zwykle 130–150 słów na minutę. Rozmowa toczy się szybciej i mniej równomiernie – ludzie mówią jeden przez drugiego, zaczynają zdania od nowa, urywają w połowie myśli. Przy tempie wykładowym godzina mówienia to z grubsza osiem do dziewięciu tysięcy słów. Podwój to dla dwugodzinnego nagrania i wychodzi szesnaście do osiemnastu tysięcy słów surowego tekstu, więcej, jeśli to dyskusja, a nie jedna osoba mówiąca.
To jeszcze przed decyzją, jak w ogóle wyprodukujesz ten tekst. Jeśli chcesz szybko oszacować liczbę słów we własnym nagraniu, zanim się w coś zaangażujesz, kalkulator czasu mówienia da ci odpowiedź w około minutę – warto to zrobić, zanim zacznie się wieczór, bo piętnastominutowy klip i dwugodzinne spotkanie to różne zadania, które wydają się podobne, dopóki nie zmierzy się ich faktycznie. Możesz sprawdzić ten szacunek za pomocą kalkulatora czasu mówienia.
Przepisywanie samodzielnie jest wolniejsze, niż się wydaje
Jeśli zastanawiasz się, czy przepisać to dziś wieczorem samodzielnie, poznaj realny mnożnik, zanim zaczniesz. Ręczne przepisywanie transkrypcji zajmuje kilka razy dłużej niż samo nagranie – nie dlatego, że pisanie jest wolne, ale dlatego, że nie można jednocześnie słuchać w tempie mówienia i pisać dokładnie. Zatrzymujesz nagranie, przewijasz kilka sekund do tyłu, wpisujesz to, co usłyszałeś, i zaczynasz od nowa. Ten cykl powtarza się bez przerwy i pogarsza się przy nieznanym słownictwie, szybszej mowie czy momentach, gdy dwie osoby mówią naraz.
Mnożnik rośnie wraz z trudnością nagrania, nie maleje. Czysty wywiad prowadzony w normalnym tempie rozmowy może zająć trzy albo cztery razy więcej czasu niż samo nagranie, gdy zliczysz wszystkie zatrzymania i przewijania. Wykład pełen terminów technicznych, których nie znasz, może zająć znacznie więcej, bo bez przerwy zatrzymujesz się, żeby ustalić pisownię i sformułowania, które inaczej wpisałbyś od razu. Przy dwóch godzinach nagrania ręczne przepisywanie to nie zadanie na jeden wieczór. To zadanie na kilka wieczorów, i lepiej wiedzieć to z góry, niż odkryć po godzinie pracy.
Automatyczna transkrypcja nie zwalnia – ona się psuje
To jest ta część, która zaskakuje ludzi przy pierwszym kontakcie. Automatyczna transkrypcja nie trwa dłużej, gdy dźwięk jest trudny. Zajmuje z grubsza tyle samo czasu przetwarzania niezależnie od tego, czy nagranie to jeden wyraźny głos w cichym pomieszczeniu, czy trzy osoby kłócące się przez słabe połączenie telefoniczne. To, co się zmienia przy trudniejszym dźwięku, to jakość wyniku, nie czas jego uzyskania.
To jednocześnie dobra i zła wiadomość. Dobra, bo nie czekasz dłużej przy gorszych warunkach – oprogramowanie kończy pracę we własnym tempie, niezależnie od okoliczności. Zła, bo czas zaoszczędzony na początku nie znika, tylko przenosi się na koniec, w postać ilości poprawek potrzebnych później w transkrypcji. Coś w rodzaju mechanizmu działającego za konwersją audio na tekst odda ci gotowy dokument dla dwugodzinnego pliku szybko. Czy ten dokument jest bliski gotowego, czy wymaga uważnego przejścia, zależy w całości od tego, co trafiło do mikrofonu, a nie od tego, jak poradziło sobie oprogramowanie.
To etap poprawek naprawdę decyduje o twoim wieczorze
To liczba, której nikt nie wlicza do planu, a właśnie ona ma największe znaczenie. Transkrypcja, którą tworzysz, żeby móc ją później przeszukać – żeby znaleźć fragment, w którym ktoś wspomniał datę, albo przejrzeć, jaka decyzja została podjęta – wymaga niewielkiej korekty. Przechodzisz obok drobnych błędów, bo z góry mniej więcej wiesz, co powinno tam być. Dla dwugodzinnego nagrania taki przegląd może zająć dwadzieścia minut przeglądania i potwierdzenia, że tekst jest użyteczny.
Transkrypcja, którą zamierzasz cytować, publikować albo przekazać komuś, kto nie był w pomieszczeniu, to zupełnie inne zadanie. Wymaga pełnego przesłuchania nagrania, zdanie po zdaniu, bo błąd w cytacie jest innym rodzajem problemu niż błąd w prywatnej notatce dla samego siebie. Dla dwóch godzin materiału źródłowego taki uważny przegląd zajmuje blisko dwóch godzin twojego czasu, czasem więcej, jeśli materiał jest gęsty albo techniczny.
Błędy nie rozkładają się równomiernie w całym nagraniu, co jest jedyną naprawdę dobrą wiadomością w tym wszystkim. Imiona, słownictwo techniczne, liczby i fragmenty, w których ludzie mówią jeden przez drugiego – to właśnie tam automatyczny wynik faktycznie zawodzi. Większość dwugodzinnego nagrania wróci właściwie poprawna, a garstka minut – zwykle tam, gdzie dwie osoby mówią naraz, albo ktoś szybko wyrzuca z siebie jakąś liczbę – będzie wymagała uwagi. Jeśli wiesz z grubsza, gdzie te minuty się znajdują, możesz przejść prosto do nich, zamiast czytać cały dokument od początku do końca. Policzenie własnych szacunków na podstawie długości nagrania i tego, do czego faktycznie potrzebujesz transkrypcji, za pomocą kalkulatora czasu transkrypcji, daje plan bliższy rzeczywistości niż zgadywanie przed rozpoczęciem pracy.
Podzielenie pliku nie przyspiesza pracy, ale ratuje wieczór
Pocięcie dwugodzinnego nagrania na cztery trzydziestominutowe fragmenty przed transkrypcją nie przyspiesza całości pracy. Rachunek z poprzednich sekcji się nie zmienia – wciąż transkrybujesz dwie godziny mowy i poprawiasz to, co wymaga poprawy, niezależnie od tego, jak pokroisz plik. To, co się zmienia, to możliwość przerwania pracy.
Jeden dwugodzinny plik to w praktyce jedno posiedzenie, bo powrót do niego później oznacza szukanie miejsca, w którym się skończyło, w ścianie tekstu bez naturalnych przerw. Cztery odrębne pliki to cztery posiedzenia – jedno możesz skończyć dziś wieczorem, drugie jutro, a resztę w kolejnym tygodniu, bez gubienia miejsca, w którym przerwałeś. Przy tak długim nagraniu – wystarczająco długim, że skończenie całości za jednym razem jest dla większości ludzi mało realne – ta możliwość przerywania ma większe znaczenie niż jakiekolwiek przyspieszenie z równoległego przetwarzania fragmentów. Jeśli zamierzasz przeprowadzić etap poprawek porządnie, zaplanuj podzielenie pracy, a nie liczenie na to, że siądziesz raz i skończysz.
Aplikacja, która obsługuje cały plik za jednym razem, zamiast wymagać od ciebie ręcznego dzielenia go, to jedna z opcji, o której warto wiedzieć. Aplikacja do transkrypcji SozAI jest dostępna na stronie do pobrania na iOS, Android i macOS, i przyjmuje audio, wideo, nagrania albo link do YouTube, a w zamian oddaje tekst z etykietami mówiących, podsumowaniem i tłumaczeniem na wiele języków – jedna z kilku dróg opisanych wyżej, nie sposób na obejście samego etapu poprawek.
Czego żadna metoda nie obejdzie
Automatyczna transkrypcja nie zna imion twoich rozmówców, jeśli sam jej ich nie podasz. Przypisuje etykietę, nie imię, którego nie ma szans zgadnąć, i tak zostaje, dopóki ktoś tego nie poprawi. Nie złapie też pewnie imienia, którego nigdy wcześniej nie widziała zapisanego, terminu specyficznego dla twojej branży czy liczby wypowiedzianej szybko w środku zdania. To właśnie te miejsca zawsze są w centrum poprawek, i żadna moc obliczeniowa tego nie zmieni.
Sytuacja, gdy dwoje ludzi mówi naraz, jest niemal niemożliwa do w pełni odtworzenia, niezależnie od wybranej metody. Kiedy dwie osoby mówią jednocześnie, i automatyczna transkrypcja, i osoba przepisująca ręcznie tracą część tego fragmentu – oprogramowanie skupia się na jednym wątku i pomija drugi, a osoba przepisująca ma ten sam problem, tylko wolniej. Jeśli dwugodzinne nagranie ma długie odcinki nakładającej się rozmowy, zarezerwuj na nie dodatkowy czas poprawek i nie oczekuj od żadnej metody czystego odczytu obu głosów naraz.
Sam szacunek dwóch godzin to punkt wyjścia, nie gwarancja. Nagranie z równym tempem, jednym mówcą i znaną terminologią przejdzie przez każdy z opisanych tu etapów szybciej niż nagranie z trzema osobami, słabym mikrofonem i tematem, którego dobrze nie znasz. Powyższy rachunek daje ci plan na wieczór. Nie obiecuje, że skończysz go za jeden raz.
