Det viktigaste
Det finns ingen enskild noggrannhetssiffra, och varje procenttal du har läst beskriver ett system mätt på en inspelning. Ren ljudupptagning med en talare och ett stökigt gruppsamtal ligger så långt ifrån varandra att ingen procentsats täcker båda. Det som avgör ditt resultat är själva inspelningen: mikrofonavstånd, bakgrundsljud, överlappande tal, hur väl accenten är representerad. Felen klumpar sig också ihop, så det mesta av en transkription läses fint medan namn, fackuttryck, siffror och pratminus i munnen på varandra går fel. För att hitta ett ögonblick är det inga problem. Ska du citera, kontrollera varje rad mot ljudet.
Du har säkert sett ett procenttal kopplat till ett transkriberingsverktyg någonstans. Det är ett verkligt mått på något. Det är bara inte ett mått på vad som händer när du matar in din egen inspelning, och att behandla det som ett löfte är precis så folk blir besvikna vid sämsta möjliga tillfälle.
Den relevanta frågan är inte hur exakt automatisk transkribering är i allmänhet. Det är om transkriptionen du får tillbaka blir tillräckligt bra för det du faktiskt tänker använda den till. Det är olika frågor med olika svar, eftersom samma fil kan vara fullt duglig för att hitta ett ögonblick och helt oanvändbar för att citera ett.
En noggrannhetssiffra mäter en inspelning, inte ett system
Varje påstående om noggrannhet är resultatet av att ett specifikt system har körts mot specifikt ljud. Byt ljudet och siffran ändras med det. Det är inte en brist i mätningen. Det är vad mätningen är.
Föreställ dig de två ytterligheterna. En talare, nära mikrofonen, i ett tyst rum, som pratar med en vanligt förekommande accent om vardagliga saker. Det transkriberas mycket bra. Föreställ dig sedan fyra personer runt ett bord i ett rum med en fläkt som surrar, som pratar i munnen på varandra, använder branschjargong och där två av dem sitter en och en halv meter från telefonen. Det transkriberas mycket sämre. Båda är ärliga mätningar av samma system. En enda siffra kan inte beskriva båda, och skillnaden mellan dem är så stor att ett genomsnitt inte heller säger något.
Så när du ser en siffra utan uppgift om vilket ljud den mätts på, är det som saknas den viktiga informationen. Allt du egentligen vet är att någon har testat något. Det referensvärde som spelar roll för dig är ditt eget material. Ta några minuter av en inspelning som liknar de du faktiskt jobbar med, kör den genom verktyget och läs resultatet mot ljudet. Det säger dig mer än något publicerat påstående, och det tar kortare tid än att läsa jämförelseartiklar.
Inspelningen påverkar resultatet mer än programvaran gör
Folk jämförshoppar mellan verktyg för att hitta bäst noggrannhet. Det är fel ände av problemet för de flesta inspelningar. Förutsättningarna vid inspelningstillfället påverkar resultatet mer än valet av motor gör.
- Mikrofonavstånd. Varje extra bit avstånd ger mer rum och mindre röst. En telefon på bordet mellan två personer är en annan inspelning än en telefon placerad framför en av dem.
- Bakgrundsljud. Trafik, ett kafé, fläktar, tangentbord. Bruset ligger inte bara bakom talet, det konkurrerar med det, och de ord som förlorar är de tysta orden i slutet av meningarna.
- Överlappande tal. När två personer pratar samtidigt finns ingen ren signal att transkribera. Något skrivs ner, och det blir ofta en blandning av båda.
- Hur väl accenten är representerad. Vissa accenter är betydligt bättre representerade i det systemen har tränats på än andra, och de som inte är det får sämre resultat även på lika rent ljud.
Verktygen skiljer sig verkligen åt, och om ditt material konsekvent är svårt på ett bestämt sätt är det värt en eftermiddag att testa några. Men skillnaden mellan två rimliga verktyg på samma ljud är vanligtvis mindre än skillnaden mellan bra och dåligt ljud med samma verktyg. Att flytta mikrofonen närmare ger dig mer än att byta produkt gör. Om du vill förstå vad programvaran gör med det du matar in, förklarar den generella beskrivningen av hur AI-transkribering fungerar varför just dessa förutsättningar spelar roll.
Felen är inte jämnt spridda genom filen
Det här är den del som fångar folk på fel fot, och det är viktigare än den siffra som står i rubriken. Felen klumpar sig ihop. Merparten av en transkription blir ren, och misslyckandena koncentreras till några förutsägbara ställen: egennamn, teknisk terminologi, siffror och alla stunder då folk pratar i munnen på varandra.
Tänk på vad det innebär vid läsning. En sida vanligt samtal transkriberas bra och läses flytande. Sedan dyker ett efternamn upp, eller ett produktnamn, eller en siffra, och det blir fel. Ingenting på sidan markerar skillnaden. Det felaktiga ordet står med samma självsäkra typsnitt som de rätta, omgivet av meningar som är korrekta, vilket är precis det sammanhang som gör ett fel trovärdigt. En transkription kan läsas perfekt och vara fel exakt där du tänkte använda den.
Det finns en anledning till att just de kategorierna går fel tillsammans. Vanliga ord begränsas av allt runt omkring dem, så ett system som hör fel på ett ord kan rätta till det utifrån sammanhanget. Ett namn begränsas inte på samma sätt; nästan vilket ljud som helst kan vara någons namn, och grammatiken utesluter inte en felaktig gissning. Fackjargong har samma problem, med den extra svårigheten att ett vanligt ord ofta låter tillräckligt likt för att ersätta det tekniska ordet. Siffror är det tydligaste fallet, eftersom en liten akustisk skillnad ger ett helt annat värde och meningen läses korrekt ändå.
Skiljetecken är en gissning om var meningar tar slut
Automatisk interpunktion är inte transkribering. Det är en slutsats dragen från pauser, tonfall och rytm om var en tanke slutar och nästa börjar. För det mesta är gissningen rätt, eller rätt nog att ingen märker det.
Där den är fel förskjuts betydelsen. En punkt som hamnar mitt i en bisats kan lösgöra en förbehållssats från det den förbehåller, så ett försiktigt formulerat påstående blir absolut och ett villkor blir ett fastslaget faktum. Varje enskilt ord kan vara korrekt och meningen kan ändå säga något talaren inte sa. Den typen av fel är osynligt på sidan, eftersom det inte finns något att lägga märke till. Du kan inte korrekturläsa bort det genom att läsa transkriptionen. Bara ljudet avgör saken.
Talarmarkeringar har en liknande svaghet. De är oftast rätt genom en längre passage där en person pratar och minst tillförlitliga vid växlingarna, där en kort inflikning kan hamna på fel person. Om du plockar ett citat nära en talarväxling är det en rad du bör lyssna på igen.
Sätt kravnivån utifrån vad transkriptionen ska användas till
Frågan är inte om en transkription är korrekt. Det är om den är korrekt nog för uppgiften, och uppgiften varierar mer än man tror.
Om du använder transkriptionen för att hitta något spelar spridda fel ingen roll. Du sökte på ett ord, du hamnade nära rätt minut, du spelade upp ljudet. Transkriptionen gjorde sitt jobb även med ett förvanskat namn tre rader ovanför. Samma gäller när du skummar igenom en timmes inspelning för att avgöra vilka tjugo minuter som är värda din uppmärksamhet, eller när du omvandlar inspelat ljud till text för att kunna läsa snabbare än du hade kunnat lyssna.
Om transkriptionen ska citeras, publiceras, arkiveras eller ligga till grund för någon som inte var i rummet, gäller en annan måttstock, och den går inte att förhandla bort. Varje rad du tänker använda kontrolleras mot ljudet, en och en. Inte en genomläsning av hela dokumentet, utan ett riktat lyssnande på varje citerat avsnitt, eftersom det är just de felen ovan som en genomläsning inte fångar upp. Det gäller med extra kraft för allt där en siffra eller ett namn bär upp hela meningen.
För ett arbetsdokument är en app ett förnuftigt val. SozAI, som finns för iOS, Android och macOS, omvandlar inspelningar, ljud- och videofiler samt YouTube-länkar till text med talarmarkeringar, sammanfattningar och översättning till mer än 99 språk, och du kontrollerar fortfarande citaten mot ljudet, precis som med all annan automatisk output.
När själva transkriptionen är slutprodukten är mänskliga transkriberingstjänster det rätta valet. De kostar mer eftersom en person sitter och lyssnar, och det är precis det du betalar för: någon som hör namnet och skriver det rätt, som vet var meningen slutade, som flaggar det avsnitt som verkligen var ohörbart istället för att gissa. Om en kund, en domstol, ett arkiv eller en publikation ska ta emot dokumentet köper den kostnaden dig något verkligt. Om transkriptionen är ett verktyg du använder privat för att komma åt ljudet snabbare, köper den dig något du inte behöver.
En ny inspelning slår en timmes efterarbete
Att förbättra själva inspelningen är nästan alltid billigare än att förbättra resultatet efteråt. Tio minuter på att flytta mikrofonen, stänga ett fönster, stänga av fläkten och be folk prata en i taget sparar mer arbete än en timmes texträttning efteråt, och det ger ett bättre resultat än rättningen gör, eftersom en rättad transkription bara blir så bra som ditt tålamod räcker till mot slutet.
Det är lättast att agera på för allt som återkommer. Om du regelbundet spelar in samma typ av samtal förbättrar en enda genomgång av upplägget allt du spelar in därefter. Det spelar störst roll vid intervjuer, där materialet ofta är unikt och citaten är hela poängen; det praktiska kring att transkribera intervjuer handlar till stor del om det praktiska kring att spela in dem.
Ibland finns det inget andra försök. Samtalet hände en gång, telefonen låg i en ficka, och det är det ljudet du har. Då är den ärliga lösningen att sluta hoppas att programvaran ska rädda situationen och istället budgetera tid för rättning, eller lämna över det till en person. Svårt ljud blir inte lätt bara för att du behövde det.
Vad du ska förvänta dig när du öppnar filen
Förvänta dig flytande, lättläst text med ett antal felaktiga substantiv i sig. Förvänta dig att passagerna där folk pratade i munnen på varandra blir tunna, hackiga eller tyst utelämnade. Förvänta dig skiljeteckensval du själv inte skulle ha gjort, och talarmarkeringar som generellt är rätt men opålitliga vid växlingarna. Förvänta dig inga flaggor, ingen markering, inga tecken på osäkerhet. Dokumentet ser lika självsäkert ut genomgående, och det är inte lika korrekt genomgående.
Förvänta dig att namn och fackuttryck behöver en extra kontroll oavsett hur rent ljudet var. De går fel även på bra ljud, bara mer sällan.
Och spara ljudet. En automatisk transkription kan inte verifiera sig själv, och alla kontroller som spelar roll kräver lyssning. En transkription med inspelningen bevarad bakom sig är ett pålitligt arbetsverktyg. En transkription där inspelningen är raderad är ett dokument ingen kan kontrollera, inte heller du.
