Najważniejsze informacje
Zrozumienie wiadomości głosowej w języku, którego nie znasz, wymaga dwóch odrębnych czynności: najpierw trzeba zamienić nagranie na tekst w języku, w którym faktycznie mówi nadawca, a potem przetłumaczyć ten tekst. Aplikacja do tłumaczenia nie ruszy z miejsca, dopóki pierwszy etap nie zostanie ukończony, bo czeka na wpisany tekst. To właśnie na etapie transkrypcji rozstrzyga się jakość całego wyniku – błąd popełniony tam zostaje wiernie przetłumaczony na twój język i przestaje wyglądać jak błąd. Jeśli wykonasz obie czynności sam, nikt inny nie musi wysłuchać tej wiadomości.
Wiadomość głosowa przychodzi od krewnego, dostawcy albo właściciela wynajmowanego mieszkania. Łapiesz kilka słów – wystarczająco, by wiedzieć, że to ważne, ale za mało, by zrozumieć, o co chodzi. Naturalnym odruchem jest otworzenie aplikacji do tłumaczenia, którą już masz w telefonie, ale ten odruch nie działa, bo aplikacja czeka, aż coś wpiszesz, a przecież nie możesz wpisać czegoś, czego nie rozumiesz ze słuchu.
Drugim naturalnym odruchem jest przesłanie nagrania komuś, kto znа ten język. To działa, ale ma swoją cenę, którą nie zawsze chcesz płacić. Ten artykuł mówi o tym, jak obejść się bez żadnego z tych dwóch rozwiązań – co maszyna robi dobrze i w jakich konkretnych miejscach się myli, tak że nauczysz się to zauważać nawet w języku, którego nigdy nie czytałeś.
Czemu aplikacja do tłumaczenia, którą już masz, nie może zacząć pracy
Tłumaczenie mowy to w rzeczywistości dwie różne operacje ukryte pod jedną nazwą. Pierwsza to transkrypcja: zamiana dźwięku na zapisane słowa w języku, którym mówi nadawca. Druga to tłumaczenie: zamiana tych zapisanych słów na język, który ty rozumiesz. To dwa odrębne mechanizmy, które zawodzą w różny sposób, a większość narzędzi, po które ludzie sięgają, radzi sobie tylko z drugim etapem.
Właśnie z tego powodu aplikacja w twoim telefonie stoi bezużytecznie. Jest zbudowana wokół okienka do wpisywania tekstu. Tekst wchodzi, tekst wychodzi. Gdy dasz jej plik dźwiękowy, nie ma nic, na czym mogłaby pracować. Niektóre narzędzia przyjmują mowę przez mikrofon, co pomaga, gdy sam mówisz i możesz powtórzyć zdanie, a znacznie mniej pomaga przy nagraniu kogoś innego, mówiącego szybko przez słabe połączenie.
Kiedy zrozumiesz kolejność tych czynności, problem wygląda inaczej. Nie szukasz tłumacza. Szukasz czegoś, co zamieni wiadomość na tekst w oryginalnym języku – a wtedy twoje zwykłe sposoby tłumaczenia działają tak jak zawsze. To, czym już posługujesz się przy tekście, wystarczy na drugą połowę zadania. Pierwsza połowa jest tym, co trzeba dopiero rozwiązać.
To wyjaśnia też coś, co bywa zagadkowe: dlaczego wiadomość może wrócić przetłumaczona na płynny, pewny siebie i całkowicie błędny polski. Druga część – tłumaczenie – wykonała swoje zadanie. Tylko dostała do pracy zły materiał wejściowy i przetworzyła go bezbłędnie.
Cena proszenia kogoś o wysłuchanie
Przesłanie wiadomości znajomemu, kuzynowi albo koledze z pracy, który akurat znа ten język, jest szybkie i zwykle trafne. Oznacza to jednak przekazanie tej osobie treści prywatnej rozmowy – w całości, wraz z tonem głosu.
Przy wiadomości o terminie dostawy nikogo to nie obchodzi. Przy wiadomościach dotyczących pieniędzy, zdrowia czy rodziny rachunek wygląda inaczej. Nagrania od krewnego z wynikami badań nie chcesz, by słuchał kolega z pracy. Wiadomości od właściciela mieszkania o zaległościach w czynszu nie chcesz wyjaśniać znajomemu, zanim samemu zdecydujesz, co o tym myślisz. To samo dotyczy wiadomości od dostawcy o płatności, którą być może przelałeś nieprawidłowo.
W efekcie wiadomość zostaje nieotworzona. Nie dlatego, że jest nieważna, ale dlatego, że jej obsłużenie wymaga zaangażowania kogoś innego, a to ma społeczny koszt, który płaci się jeszcze zanim wiadomo, o czym w ogóle jest ta wiadomość. Ludzie zostawiają głosówki na dni właśnie z tego powodu. Wiadomość, której nie mogą przeczytać, jest tą, której najmniej chcą usłyszeć na głos przy kimś.
To realny powód, by samodzielnie przejść przez obie czynności, i warto powiedzieć to wprost, a nie traktować prywatność jako dodatkowy bonus. Nie chodzi o to, że automatyczna transkrypcja jest lepsza od twojego kuzyna. Kuzyn jest pewnie lepszy. Chodzi o to, że najpierw ty przeczytasz treść, sam, i dopiero potem zdecydujesz, czy ktoś inny musi o tym wiedzieć.
Pierwszy etap decyduje o jakości drugiego
To, jak przydatny będzie efekt końcowy, zależy od transkrypcji w oryginalnym języku. Jeśli ten etap wypadnie dobrze, tłumaczenie jest już rutynowym zadaniem. Jeśli wypadnie źle, błąd wędruje dalej.
I tu tkwi niebezpieczeństwo. Jeśli transkrypcja w oryginalnym języku zawiera błąd, a ty nie znasz tego języka, nigdy tego błędu nie zauważysz. Trafia on do etapu tłumaczenia, zostaje wiernie przetworzony na język, który rozumiesz, i wygląda jak zwyczajne zdanie. Nic go nie zdradza. Nic nie zapala lampki ostrzegawczej. Błędne słowo, które przetrwa tłumaczenie, wygląda dokładnie tak jak poprawne.
Porównaj to z transkrypcją w języku, który znasz – tam błąd sam się zdradza. Czytasz zdanie, nie ma ono sensu, odtwarzasz nagranie jeszcze raz. Ta pętla korekty jest tutaj dla ciebie niedostępna. Czytasz wynik procesu, którego nie możesz skontrolować.
Praktyczny wniosek jest taki, że podejrzliwością powinieneś obejmować transkrypcję, nie tłumaczenie. Jeśli coś w twoim języku brzmi nienaturalnie, wina bardzo rzadko leży w tłumaczeniu. Prawie zawsze to słowo, które transkrypcja źle usłyszała, a naprawą jest spojrzenie na tekst w oryginalnym języku w tym miejscu i ponowne odsłuchanie tego fragmentu nagrania, nawet bez rozumienia go. Usłyszenie, że mówiący wypowiedział krótkie słowo, a w transkrypcji jest długie, mówi ci już całkiem dużo.
Pozwól, żeby narzędzie samo rozpoznało język, a potem sprawdź tę nazwę
Od razu pojawia się praktyczna przeszkoda: niektóre narzędzia proszą, żeby najpierw wybrać język źródłowy z listy, zanim zrobią cokolwiek. Jeśli nie jesteś w stanie z pewnością rozpoznać języka – a ludzie często nie odróżniają ze słuchu blisko spokrewnionych języków – zgadujesz ustawienie, które decyduje o całym wyniku.
Rozpoznawanie języka bezpośrednio z nagrania eliminuje ten krok. Rozszerzenie SozAI do WhatsApp Web ustala język na podstawie samego nagrania, zamiast pytać cię o wybór, i umieszcza przy wyniku etykietę informującą, jaki język wybrał. Ta etykieta jest tu najważniejsza, bo to dzięki niej wychwycisz błędne rozpoznanie: jeśli pojawia się nazwa języka, którego – jak wiesz – nadawca nie mówi, transkrypcja poniżej nie jest warta przeczytania, i widzisz to od razu, a nie po dwóch akapitach zdezorientowanej lektury.
Jedno trzeba przewidzieć. Transkrypcja wraca w tym samym języku, w którym nagrano wiadomość. To jest zachowanie poprawne na tym etapie i oznacza, że wiadomość, której nie umiałeś przeczytać, wciąż jest wiadomością, której nie umiesz przeczytać. Zamieniłeś problem dźwiękowy na problem tekstowy, co jest właśnie celem tego kroku, ale tłumaczenie wciąż zostaje do wykonania po twojej stronie.
Elementy najbardziej narażone na błędy są zwykle tymi, które mają największe znaczenie
Automatyczne transkrypcje najlepiej radzą sobie ze zwykłą, płynną mową, a najsłabiej z dokładnie trzema rzeczami: imionami i nazwiskami, nazwami miejsc oraz liczbami. Zwyczajne słowo można przewidzieć z kontekstu, na podstawie słów wokół niego. Nazwiska tak się nie przewidzi. Nazwy ulicy też nie. Liczby również nie.
A teraz zastanów się, czego zwykle dotyczą wiadomości głosowe. Gdzie się spotkać. Ile się komu należy. Który dzień. Kto co komu powiedział. Informacja, której naprawdę potrzebujesz, jest skupiona właśnie w tych fragmentach transkrypcji, które są najmniej wiarygodne, a w wiadomości o adresie albo kwocie te fragmenty to nie detal – to jest cała wiadomość.
Czytaj więc transkrypcję dwuetapowo. Pierwsze czytanie daje ogólny obraz: kto mówi, o co chodzi, czy trzeba odpowiedzieć jeszcze dziś. Temu można ufać. Drugie czytanie jest tylko dla konkretów, i tam trzeba raczej sprawdzać, niż wierzyć.
- Odtwórz kilka sekund nagrania wokół każdej liczby i posłuchaj cyfr – często są rozpoznawalne nawet w języku, którego nie znasz.
- Sprawdzaj imiona i nazwiska we własnych kontaktach albo wcześniejszych wiadomościach, nie w samej transkrypcji.
- Porównaj adres z tym, który masz już zapisany dla tej osoby albo firmy.
- Jeśli kwota decyduje o twoim kolejnym kroku, potwierdź ją na piśmie, zanim zaczniesz działać.
Prośba do nadawcy o potwierdzenie liczby na piśmie nie jest przyznaniem się, że czegoś nie zrozumiałeś. To po prostu to, co zrobiłbyś z liczbą usłyszaną przez słabą linię telefoniczną, nawet we własnym języku.
Czego to nie zrobi za ciebie
Nie dostaniesz od razu wiadomości w swoim języku jednym ruchem. Dwa etapy to dwa etapy, a transkrypcja wraca w języku, w którym mówił nadawca. Jeśli chcesz gotowy wynik we własnym języku, bez samodzielnego uruchamiania osobno etapu tłumaczenia, to jest inne zadanie niż sama transkrypcja – i tu warto sprawdzić tłumaczenie między językami. To samo dotyczy nagrań, które masz jako plik, a nie jako wiadomość WhatsApp – nagrania, przesłanego załącznika, czegoś zapisanego z telefonu – z czym radzi sobie aplikacja do transkrypcji, a rozszerzenie do WhatsApp Web w przeglądarce już nie.
Nie usłyszysz z tego tonu głosu. Krótka transkrypcja długiej wiadomości pomija wahanie, ciepło, irytację i pauzę przed ważnym zdaniem. Jeśli próbujesz ocenić, jak bardzo zmartwiony jest krewny, same słowa cię zawiodą – warto wtedy odsłuchać nagranie jeszcze raz, mając transkrypcję przed oczami.
Nie będzie to wiarygodne przy źle nagranym dźwięku. Wiatr, głośnik w samochodzie, dwie osoby mówiące jednocześnie, wiadomość nagrana na korytarzu. Słaby materiał wejściowy daje pewną siebie, ale błędną transkrypcję, a nie oczywistą porażkę – i to jest gorsze, bo wygląda na dopracowaną.
I nie zastąpi to twojego kuzyna, kiedy wiadomość jest naprawdę niejasna. Dzięki temu narzędziu dowiesz się jednak, czy wiadomość jest niejasna, zanim usłyszy ją ktoś inny. Najczęściej odpowiedź brzmi „nie” i możesz sam sobie z tym poradzić. Kiedy odpowiedź brzmi „tak”, wiesz już, o które trzydzieści sekund zapytać, zamiast przekazywać całe nagranie.
