Najważniejsze informacje
Zanim zaczniesz przepisywać nagraną rozmowę, sprawdź, czy nagranie było zgodne z prawem w miejscu, w którym znajdowały się strony rozmowy. Przepisy różnią się w zależności od jurysdykcji – w niektórych wymagana jest zgoda wszystkich uczestników, w innych wystarczy zgoda jednej osoby – i tę kwestię trzeba rozstrzygnąć zanim jeszcze wcisnęto przycisk nagrywania. Później zostaje już tylko problem techniczny. Dźwięk rozmowy telefonicznej jest wąskopasmowy, więc kodek odrzuca szczegóły, na których opiera się transkrypcja, a wiele nagrań miesza obie strony rozmowy w jeden kanał, co utrudnia poprawne przypisanie wypowiedzi do osób. Najbardziej narażone na błędy są liczby, zapisy nazwisk i adresy. Sprawdzaj je z nagraniem dźwiękowym, a nie tylko z tekstem.
Masz plik. Ktoś na nagraniu powiedział coś ważnego – liczbę, datę, nazwisko, obietnicę – i chcesz mieć to w formie tekstu, żeby móc później na to wskazać. Zamiana pliku na tekst to najprostsza część. Dwie rzeczy, które decydują o tym, czy otrzymasz coś, na czym można się oprzeć, wydarzyły się jeszcze przed otwarciem pliku: to, czy nagranie było dozwolone, i to, jak zarejestrowano dźwięk.
Zacznijmy od kwestii prawnej. Nie zależy ona od niczego technicznego, a najdokładniejsza transkrypcja nie uratuje nagrania, którego nie powinno się było robić.
Legalność nagrania to podstawa
To, czy rozmowę telefoniczną można nagrywać, zależy od tego, gdzie znajdowały się strony rozmowy. Przepisy różnią się między jurysdykcjami. W niektórych wymagana jest zgoda wszystkich uczestników. W innych wystarczy zgoda jednej osoby, którą może być ta, która nagrywa. To naprawdę różne zasady, a tego, która z nich obowiązuje w danym przypadku, nie da się ustalić na podstawie samego nagrania.
To pytanie prawne, nie techniczne. To ma większe znaczenie, niż się wydaje, bo odpowiedź została ustalona w momencie nagrywania. Nic, co zrobisz później, tego nie zmieni. Przepisanie pliku na tekst tego nie zmienia. Usunięcie fragmentu pliku tego nie zmienia. Uzyskanie zgody drugiej strony później nie zmienia z mocą wsteczną charakteru pierwotnego nagrania.
Jeśli obie strony rozmowy znajdowały się w różnych miejscach, może obowiązywać więcej niż jeden zestaw przepisów, i to jest właśnie sytuacja, w której warto zapytać kogoś, kto faktycznie zna się na prawie obowiązującym w danym miejscu, a nie zgadywać na podstawie tego, co się gdzieś przeczytało. To krótka rozmowa i odbywa się zanim zbuduje się na nagraniu cokolwiek dalszego.
Nic z tego nie oznacza, że trzeba odrzucić plik, który już się ma. Wiele nagrań rozmów powstaje za wiedzą wszystkich uczestników, albo w miejscach, gdzie wystarczy zgoda jednej strony, albo jest robionych przez osobę, która faktycznie brała udział w rozmowie, na własne potrzeby. Ale tę kwestię trzeba rozstrzygnąć, zanim transkrypt zacznie krążyć, zanim się z niego cytuje albo dołącza do czegokolwiek. Transkrypt rozchodzi się znacznie dalej niż plik audio, i robi to szybciej.
Dlaczego dźwięk z rozmowy telefonicznej jest trudniejszy niż nagranie zrobione w pomieszczeniu
Rozmowa telefoniczna to dźwięk wąskopasmowy. Kodek, który przesyła rozmowę, odrzuca dużą część dźwięku jeszcze przed zapisaniem czegokolwiek do pliku, bo potrzebuje zachować tylko tyle, by człowiek mógł na żywo śledzić rozmowę. Ludzie bardzo dobrze uzupełniają brakujące fragmenty z kontekstu. Transkrypcja robi to gorzej, a szczegóły, które pomogłyby odróżnić jeden dźwięk od podobnego, to właśnie to, co zostało odrzucone.
Dlatego ta sama osoba, mówiąc to samo zdanie, zostanie przepisana dokładniej z dyktafonu leżącego na stole niż z połączenia telefonicznego. Nie chodzi o to, że oprogramowanie jest w jednym przypadku lepsze niż w drugim. Po prostu w pliku z rozmowy telefonicznej tej informacji już nie ma. Żaden późniejszy proces jej nie przywróci – ani redukcja szumów, ani normalizacja głośności, ani przepuszczenie pliku przez kolejne narzędzie. Pracuje się z tym, co przetrwało kodek.
Do tego dodają się typowe warunki prawdziwej rozmowy, przez co robi się jeszcze trudniej. Jedna osoba idzie i się rusza. Druga ma słaby zasięg i dźwięk zrywa się na fragmenty sylab. Ktoś mówi jednocześnie z kimś innym. W nagraniu z pomieszczenia nakładające się głosy są trudne do rozdzielenia; w skompresowanej rozmowie telefonicznej często są nie do odzyskania, a transkrypcja po cichu wybierze jeden głos i zgubi drugi, zamiast poinformować, że miała z tym problem.
Nagrywanie rozmowy z głośnika telefonu za pomocą drugiego urządzenia
Włączenie głośnika i nagrywanie rozmowy innym telefonem albo dyktafonem wydaje się prostym obejściem problemu. W rzeczywistości jest gorsze niż oryginał. Druga strona rozmowy już została skompresowana do wąskiego pasma, a teraz nagrywa się ten skompresowany dźwięk odtwarzany przez mały głośnik, odbijający się od ścian, razem z pogłosem pomieszczenia i wszystkim innym, co się w nim znajduje. Zachowuje się każdą stratę wprowadzoną przez kodek i dokłada się na to kolejną warstwę.
Jeśli urządzenie lub usługa może nagrać rozmowę bezpośrednio, warto z tego skorzystać. Nagrywanie z głośnika to ostatnia deska ratunku, i warto pamiętać, że to właśnie ostatnia deska ratunku, zanim zacznie się na tym opierać coś precyzyjnego.
Jeden kanał albo dwa – to decyduje, czy dostaniesz oznaczenia rozmówców
Wiele nagrań rozmów miesza obie strony rozmowy w jeden kanał. Wszystko trafia do jednego strumienia, a najbardziej wyraźny sygnał pozwalający odróżnić dwie osoby – to, po której stronie linii kto był – zostaje utracony. Zostają same głosy: wysokość, tempo, barwa. To działa lepiej przy dwóch niepodobnych do siebie głosach niż przy dwóch podobnych, a działa jeszcze gorzej w dźwięku wąskopasmowym, bo cechy głosu, które pomogłyby je odróżnić, to właśnie ten rodzaj szczegółu, który kodek odrzucił.
Tam, gdzie obie strony są zapisane jako osobne kanały, przypisywanie wypowiedzi jest dużo bardziej wiarygodne. Każdy kanał to jedna osoba. Nie potrzeba żadnego wnioskowania. Jeśli narzędzie do nagrywania, z którego korzystasz, daje taki wybór, warto go znaleźć – i lepiej znaleźć go przed rozmową, a nie po niej.
Pracując z nagraniem, w którym oba głosy są zmieszane, traktuj oznaczenia rozmówców jako pomocną hipotezę, a nie zapis faktów. Zwykle będą trafne na długich, nieprzerwanych fragmentach, a zawodne w miejscach, gdzie rozmówcy się zmieniają, zwłaszcza gdy sobie przerywają. Jeśli sens transkryptu polega na tym, kto się na co zgodził, to właśnie te momenty zmiany rozmówcy muszą być poprawne, więc warto je zweryfikować z nagraniem.
Wydobywanie tekstu z pliku
Kiedy nagranie rozmowy zostanie wyeksportowane, przestaje być rozmową telefoniczną. Staje się zwykłym plikiem audio i można je przepisać jak każdy inny. Sposób eksportu bywa różny: aplikacje do nagrywania, systemy telefoniczne i operatorzy różnią się między sobą, a odpowiednia opcja znajduje się zwykle gdzieś pod przyciskiem udostępniania albo menu z trzema punktami przy samym nagraniu. Najpierw wyciągnij plik, a potem przestań myśleć o nim jak o rozmowie telefonicznej i zacznij myśleć o nim jak o dźwięku.
Od tego momentu proces wygląda tak samo jak w przypadku każdego innego pliku audio, który chcesz zamienić na tekst. SozAI przepisuje nagrania na iOS, Androidzie i macOS, z oznaczeniami rozmówców, podsumowaniami i tłumaczeniem na ponad 99 języków; aplikację można pobrać tutaj, a ta sama droga działa też w przypadku wiadomości głosowych, które są wąskopasmowe z tego samego powodu i zachowują się tak samo. To jedna z kilku dostępnych opcji, a wybór ma mniejsze znaczenie niż jakość pliku, który się do niej podaje.
Jeśli to nie jest jedna rozmowa, a cały folder nagrań zebranych przez wiele miesięcy, problem zmienia charakter. Przepisywanie wszystkiego, żeby znaleźć jedno zdanie, to zwykle błędny odruch – bardziej użytecznym celem jest możliwość przeszukania zaległych nagrań rozmów, a nie ich czytanie od początku do końca.
Jeśli nagranie może stać się dowodem
Nagranie zrobione po to, by przypomnieć sobie, co zostało powiedziane, i nagranie używane jako dowód, podlegają innym standardom. Do celów prywatnych transkrypt z kilkoma niedociągnięciami jest w porządku – wiadomo, co się wydarzyło, a tekst jest tylko pomocą pamięci. W sprawach formalnych oryginalny plik zwykle musi zostać zachowany w niezmienionej formie.
To znaczy zachowanie pliku dokładnie w takiej postaci, w jakiej zszedł z urządzenia. Nie przycinaj ciszy na początku. Nie wycinaj nieistotnego fragmentu ze środka. Nie eksportuj go ponownie w innym formacie, żeby zmniejszyć rozmiar, i nie przepuszczaj go przez narzędzie, które normalizuje głośność i zapisuje nowy plik. Każda z tych czynności tworzy plik pochodny, a to oryginał ma wartość dowodową. Pracuj na kopii, a oryginału nie dotykaj.
W takim kontekście transkrypt jest dokumentem pomocniczym, który istnieje razem z nagraniem, a nie zastępuje go. Pomaga znaleźć właściwe trzydzieści sekund. Nagranie to, co w tych trzydziestu sekundach faktycznie powiedziano. Czy nagranie w ogóle może zostać uznane za dowód, to osobna kwestia, i należy ją skierować do tej samej osoby, którą zapytano o legalność jego zrobienia.
Co i tak trzeba sprawdzić ręcznie
Elementy rozmowy, których ludzie najbardziej potrzebują później, to liczby, zapisy nazwisk i adresy – numer referencyjny, kwota, sposób zapisu nazwiska, nazwa ulicy. To też elementy, które dźwięk wąskopasmowy uszkadza najbardziej, bo nie niosą ze sobą kontekstu. Całe zdanie można zrekonstruować na podstawie słów wokół niego. Siedmiocyfrowej liczby nie da się zrekonstruować w ten sposób. Jeśli jedna cyfra jest błędna, nic w otaczającym dźwięku tego nie zasygnalizuje, a transkrypcja przedstawi ją z taką samą pewnością jak wszystko inne.
Dlatego każdą liczbę, nazwisko i adres w transkrypcie rozmowy telefonicznej trzeba traktować jako coś do zweryfikowania, a nie coś, na czym można się od razu oprzeć. Znajdź to miejsce w tekście, przejdź do odpowiedniego momentu w nagraniu, wysłuchaj. To zajmuje minutę na element, a właśnie ta minuta stanowi różnicę między transkryptem, na którym można działać, a takim, który jest po prostu prawdopodobny. Jeśli jakiś szczegół jest na tyle ważny, że pomyłka kosztowałaby coś realnego, to jest właśnie sygnał, że trzeba go sprawdzić.
Reszcie ustaw odpowiednio poziom zaufania. Transkrypt rozmowy telefonicznej jest zwykle dobrym zapisem treści – przebiegu rozmowy, tego, co zaproponowano, co przyjęto, tonu sporu. Jest znacznie słabszym zapisem precyzyjnych szczegółów, i staje się jeszcze słabszy tam, gdzie dwie osoby mówią jednocześnie albo gdzie połączenie się zerwało. Wiedza o tym, którym fragmentom można wierzyć, to większość tej umiejętności. Transkrypt daje szybką, przeszukiwalną wersję rozmowy i sposób powrotu do nagrania w konkretnej sekundzie, której potrzeba. Nie zastępuje nagrania, a w przypadku pliku wąskopasmowego nigdy nie miał tego zrobić.
