Najważniejsze wnioski
Transkrypcja może mieć każde słowo zapisane poprawnie i mimo to przypisać je do złej osoby, bo rozpoznawanie mowy i przypisywanie jej do konkretnego mówcy to dwie zupełnie różne operacje. Rozpoznawanie mówców opiera się na charakterystyce głosu, więc najlepiej działa przy kilku wyraźnie różniących się głosach nagranych na podobnym poziomie głośności przez jeden mikrofon. Gorzej radzi sobie, gdy ludzie mówią jeden przez drugiego, gdy ktoś mówi cicho albo dołącza później, i nigdy samodzielnie nie poda prawdziwych imion — to dopisujesz sam, na końcu.
Jeśli kiedykolwiek otworzyłeś transkrypcję rozmowy w grupie i zauważyłeś, że połowa wypowiedzi jest przypisana do złej osoby, same słowa najpewniej były zapisane poprawnie. Problem leży wyżej, w tej części procesu, która decyduje, kto mówił, a nie co powiedział. Ta część działa na innych danych i zawodzi w inny sposób, a to, czy zadziała dobrze, w ogromnej mierze rozstrzyga się już w momencie nagrywania, zanim jakikolwiek program dotknie pliku.
To jest ta część, którą warto zrozumieć, jeśli masz nagrać wywiad, panel dyskusyjny albo rodzinną rozmowę i naprawdę potrzebujesz wiedzieć, kto co powiedział — nie tylko co zostało powiedziane. Część tego dotyczy tego, gdzie postawisz mikrofon. Część to zaakceptowanie, że pewnych sytuacji nie da się czysto oznaczyć, niezależnie od tego, jakim programem je przepuścisz.
Dwa różne zadania, jedna transkrypcja
Rozpoznawanie słów i ustalanie, kto je wypowiedział, to nie to samo zadanie, choć oba trafiają do jednego dokumentu. Pierwsze zadanie słucha dźwięku i rozpoznaje język — w dużej mierze nie ma znaczenia, czyj to głos. Drugie zadanie słucha tego samego dźwięku i zadaje inne pytanie: czy ten głos odpowiada temu z dwóch zdań wcześniej, czy to nowa osoba? Odpowiedź na to drugie pytanie wynika z charakterystyki głosu — wysokości, barwy, rytmu mówienia, akustycznego „odcisku palca” czyjejś mowy — a nie z samych słów.
Właśnie dlatego transkrypcja może być zapisana słowo w słowo poprawnie i mimo to źle przypisywać wypowiedzi. Rozpoznawanie mowy się udało. Rozdzielenie mówców — nie. Te dwa procesy mogą zawodzić niezależnie od siebie, i kiedy ktoś mówi, że transkrypcja jest „błędna”, warto sprawdzić, które z tych zadań faktycznie nie zadziałało, bo w zależności od odpowiedzi inaczej to naprawisz.
Co sprawia, że rozdzielanie mówców działa dobrze
Rozdzielanie mówców działa najlepiej przy niewielkiej liczbie głosów, które wyraźnie różnią się od siebie, nagranych przez jeden mikrofon ustawiony tak, by słyszał wszystkich z podobną głośnością. To jest sytuacja idealna: dwie albo trzy osoby, wyraźnie różne głosy, jedno urządzenie nagrywające, które słyszy całe pomieszczenie równo.
Każde odejście od tego idealnego scenariusza coś kosztuje. Więcej mówców to więcej szans, że dwa głosy zabrzmią na tyle podobnie, że się zleją. Głosy podobne do siebie — na przykład dwie osoby w podobnym wieku, mówiące z podobnym akcentem — trudniej odróżnić niż głos niski i wysoki. A jeśli jedna osoba jest nagrana dużo głośniej niż druga, system zaczyna traktować różnice w głośności jak różnice między mówcami, choć nimi nie są.
Nic w tym egzotycznego. To jest bliskie temu, co zauważyłby też człowiek, gdyby zamknął oczy i po prostu słuchał. Przewaga programu to cierpliwość i spójność w ciągu godziny nagrania, a nie jakiś dodatkowy zmysł, którego słuchaczowi brakuje.
Gdzie się to sypie: ludzie mówiący jeden przez drugiego
Jest jedna sytuacja, która niezmiennie rozbija oznaczanie mówców, i żadne dobre przygotowanie tego nie naprawi: prawdziwe nakładanie się głosów, kiedy dwie osoby mówią w tym samym momencie. W trakcie takiego nakładania nie istnieje czysty sygnał należący do jednego głosu — dźwięk jest mieszanką obu, i nie ma czego czysto przypisać. Zwykle wychodzi na to, że słowa jednej osoby zostają wtopione w wypowiedź drugiej, więc transkrypcja pokazuje jedną ciągłą wypowiedź, choć w rzeczywistości mówiły dwie osoby naraz.
To nie jest błąd, który można później załatać. To ograniczenie wpisane w naturę problemu — nie da się później rozdzielić dwóch nałożonych na siebie głosów z powrotem na dwa czyste strumienie, przynajmniej nie w sposób, na który można liczyć. Realistycznie trzeba założyć, że każdy fragment nagrania z prawdziwym nakładaniem się głosów będzie wymagał ręcznego poprawienia, kto co powiedział, albo po prostu zostanie przypisany temu, kogo system uznał za bardziej prawdopodobnego. Jeśli twoja rozmowa ma dużo momentów, w których ludzie mówią jeden przez drugiego — ostra dyskusja panelowa, kłótliwa kolacja rodzinna — licz się z tym, że ten fragment transkrypcji będzie wymagał ręcznej poprawki, i nie oceniaj całego narzędzia przez ten jeden fragment.
Gdzie postawisz mikrofon ma większe znaczenie niż to, jaki on jest
Odległość od mikrofonu wpływa na oznaczanie mówców bardziej niż jakość samego mikrofonu. Telefon leżący na środku stołu zwykle da lepsze rozdzielenie mówców niż lepszy mikrofon, który akurat stoi blisko jednej osoby, bo cisi, siedzący dalej uczestnicy są dokładnie tym, co system gubi najpierw. Jeśli ktoś jest stale znacznie cichszy od innych, bo siedzi najdalej od mikrofonu, ta różnica w głośności może mieć większe znaczenie dla oznaczania mówców niż jakakolwiek różnica w sprzęcie.
Przy rozmowie w grupie wynika z tego prosta zasada: postaw urządzenie nagrywające gdzieś centralnie, a nie tam, gdzie po prostu wygodnie. Na środku stołu, nie na jego końcu, najbliżej gospodarza. Jeśli ludzie są rozsiani po pomieszczeniu, a nie siedzą blisko siebie, to trudniejszy przypadek niezależnie od sprzętu, i lepiej wiedzieć to wcześniej, niż odkryć to po fakcie.
Jak zamiast Mówca 1, Mówca 2 dostać prawdziwe imiona
Nic w samym dźwięku nie mówi systemowi transkrypcji, jak kto się nazywa — system może stwierdzić, że w nagraniu są dwa różne głosy, ale nie ma żadnego sposobu, by wiedzieć, że jeden z nich należy do Anny, a drugi do Tomka. Dlatego wynik wychodzi oznaczony anonimowymi etykietami: Mówca 1, Mówca 2 i tak dalej. Zamiana ich na prawdziwe imiona to ręczny krok, który trzeba wykonać tylko raz, na początku transkrypcji, dopasowując każdą etykietę do imienia.
Jedna rzecz, która robi z tego kroku coś prostego, a nie męczącego, to sprawienie, żeby każda osoba na początku nagrania powiedziała swoje imię na głos. Kosztuje to około dziesięciu sekund, a daje ci jasny punkt odniesienia — wiesz, że głos mówiący „tu Tomek” na początku to ten, który przez resztę dokumentu masz oznaczać jako Tomek. Jeśli to pominiesz, zostaje dopasowywanie głosów do imion z pamięci albo z kontekstu, co też działa, ale zajmuje więcej czasu i tym łatwiej o błąd, im więcej osób bierze udział w rozmowie.
Jeśli nagrywasz konkretnie wywiad, warto wprowadzić ten zwyczaj jako stały element każdej sesji — więcej o tym, jak dobrze to ustawić od pierwszej minuty, znajdziesz w tekście o transkrypcji wywiadów. Jeśli chodzi o sam krok zamiany gotowego nagrania na oznaczony tekst, temat ten opisuje artykuł o zamianie dźwięku na tekst, a aplikacja taka jak aplikacja do transkrypcji od SozAI może po nagraniu wygenerować etykiety mówców, podsumowania i tłumaczenie w wielu językach — nazwanie mówców po imieniu wciąż zostaje po twojej stronie, ale to już ta szybsza część roboty.
Czego realistycznie się spodziewać
Nawet przy dobrze przygotowanym nagraniu kilka sytuacji z reguły daje niedoskonały wynik, i lepiej znać je z góry, niż traktować jako błąd programu.
- Osoba, która dołącza do nagrania w jego trakcie, gdy system już ustalił profile głosów, jest często dopisywana do jednego z istniejących mówców, a nie oznaczana jako nowa osoba.
- Ktoś, kto w całym nagraniu odzywa się tylko kilka razy — krótkie potwierdzenie, jedno pytanie — często zostaje przypisany do osoby, która mówiła wokół niego, bo systemowi brakuje wystarczającej ilości jego głosu, żeby zbudować dla niego osobny profil.
- Prawdziwe nakładanie się mowy, jak opisano wcześniej, ma tendencję do zlewania się w wypowiedź jednego mówcy.
- Duża grupa z wieloma podobnie brzmiącymi głosami wygeneruje więcej błędnych przypisań niż mała grupa z głosami wyraźnie różnymi, po prostu dlatego, że jest więcej okazji do pomyłki.
Żadna z tych sytuacji nie jest powodem, by odpuścić transkrypcję trudnego nagrania — to powody, by liczyć się z krótką ręczną poprawką tych fragmentów, w których się pojawiają, a nie zakładać, że cały dokument trzeba sprawdzać od nowa. Jeśli wiesz, że nagrywasz coś, gdzie takie komplikacje na pewno się zdarzą, warto też z góry zdecydować, czy potrzebujesz transkrypcji każdego słowa, czy tylko oznaczonych najważniejszych fragmentów; zapisywanie wszystkiego nie zawsze jest sensownym wyborem, zwłaszcza przy długich nagraniach, gdzie głównie chcesz wiedzieć, kto się do czego zobowiązał — to właśnie ten przypadek opisuje tekst o zamianie nagrań na notatki ze spotkania. A jeśli chcesz sprawdzić, jak konkretne nagranie zostanie oznaczone, zanim zdecydujesz się na dłuższy plik, pobranie aplikacji ze strony do pobrania i przetestowanie na krótkiej próbce powie ci więcej niż jakakolwiek ogólna rada.
Co naprawdę ma znaczenie
Jeśli z całego tego tekstu masz zapamiętać jedną rzecz, to tę, że sposób nagrywania ma większe znaczenie niż samo oprogramowanie. Mikrofon ustawiony centralnie, niewielka liczba wyraźnie różnych głosów, każda osoba mówiąca swoje imię na początku i zgoda na to, że nakładająca się mowa będzie wymagała ręcznego przeglądu — to połączenie zaprowadzi cię dalej niż jakiekolwiek ustawienie czy funkcja wybrana po fakcie. Etap oznaczania mówców wykonuje realną pracę, ale pracuje na tym, co dostał z nagrania, a nagranie zrobione z myślą o rozdzieleniu mówców zawsze zostanie oznaczone lepiej niż to zrobione bez takiej myśli, niezależnie od tego, jaki program potem zrobi transkrypcję.
