Kort sammanfattning
För en tvåtimmarsinspelning tar den automatiska transkriberingen i sig bara en bråkdel av den tiden – mjukvaran är inte den flaskhalsen. Det som styr hela kvällen är korrigeringsarbetet efteråt: en grov, sökbar text kräver knappt någon städning, medan en text du ska citera eller publicera kräver en fullständig genomlyssning mot ljudet, där du rättar namn, siffror och tillfällen då flera pratar samtidigt. Att skriva av för hand istället tar flera gånger så lång tid som själva inspelningen, och det blir värre med dåligt ljud. Lägg tiden på korrigeringen, inte på verktyget.
Två timmars tal, i det tempo de flesta pratar, blir ungefär sexton till arton tusen ord – ungefär längden på en kort bok. Bara den siffran säger något om kvällen som väntar: ingen vill läsa igenom det i ett enda svep, och nästan ingen vill skriva av det från noll om det finns ett annat sätt.
Det ärliga svaret på hur lång tid det tar beror på två saker du styr över och en du inte gör: hur rent ljudet är, hur felfri den färdiga texten behöver vara, och hur snabbt du faktiskt skriver eller lyssnar. Mjukvara ändrar en del av det här ekvationen. Den rör inte de andra två.
Räkna på det först
Föredrag och föreläsningar ligger vanligtvis på 130 till 150 ord i minuten. Vanligt samtal går snabbare och ojämnare – människor pratar i mun på varandra, börjar om på meningar, tappar tråden mitt i en tanke. I föredragstempo blir en timmes tal ungefär åtta till nio tusen ord. Dubbla det för en tvåtimmarsinspelning och du landar på sexton till arton tusen ord rå text, mer om det är ett samtal snarare än en person som talar.
Det är innan du ens har bestämt hur du ska ta fram texten. Vill du snabbt få en känsla för ordantalet i din egen inspelning innan du bestämmer dig för något, tar en kalkylator för taltid en minut att använda – väl värt att göra innan kvällen börjar, eftersom en femtonminutersklipp och ett tvåtimmarsmöte är olika sorters jobb som känns lika tills man faktiskt mätt dem. Du kan testa det med kalkylatorn för taltid.
Att skriva av för hand tar längre än man tror
Om du överväger att skriva av allt för hand ikväll, bör du känna till den verkliga tidsåtgången i förväg. Att skriva av en transkription för hand tar flera gånger så lång tid som inspelningen – inte för att skrivandet i sig är långsamt, utan för att man inte kan lyssna i taltempo och skriva korrekt samtidigt. Man stoppar ljudet, spolar tillbaka några sekunder, skriver vad man hörde, och börjar om. Det upprepas hela tiden, och det blir värre med ovanliga ord, snabbt tal eller stunder då två personer pratar samtidigt.
Multiplikatorn växer med ljudets svårighetsgrad, den minskar inte. En ren intervju i normalt samtalstempo kan ta tre till fyra gånger sin egen längd när man räknar in allt stopp och all tillbakaspolning. En föreläsning full av tekniska termer man inte redan känner till kan ta betydligt längre, eftersom man ständigt stannar upp för att lista ut stavning och formulering som man annars skulle skriva rakt av. För två timmars ljud är avskrift för hand inget man klarar på en kväll. Det är ett projekt över flera kvällar, och det är bättre att veta det innan man börjar än en timme in i arbetet.
Automatisk transkribering blir inte långsammare – den blir sämre
Det här är den del som förvånar folk första gången de provar det. Automatisk transkribering tar inte längre tid när ljudet är svårt. Den tar ungefär samma tid att bearbeta oavsett om inspelningen är en tydlig röst i ett tyst rum eller tre personer som pratar i munnen på varandra över en dålig telefonlinje. Vad som förändras med svårare ljud är resultatets kvalitet, inte tiden det tar att producera det.
Det är goda och dåliga nyheter i samma andetag. Bra, för att du inte behöver vänta längre vid sämre förhållanden – mjukvaran är klar på sin egen tid oavsett. Dåligt, för att tiden som sparas i början inte försvinner, den flyttas till slutet, till hur mycket korrigering texten behöver efteråt. Ett flöde som det bakom omvandling av ljud till text ger dig ett komplett dokument för en tvåtimmarsfil snabbt. Om det dokumentet är nästan färdigt eller behöver en noggrann genomgång beror helt på vad som kom in i mikrofonen, inte på hur mjukvaran hanterade det.
Korrigeringen är det som faktiskt avgör kvällen
Det här är siffran nästan ingen lägger tid på, och det är den som spelar störst roll. En text du tar fram för att kunna söka i den senare – för att hitta det tillfället någon nämnde ett datum, eller för att skumma efter ett beslut som fattades – behöver knappt någon korrigering alls. Man läser förbi de mindre felen eftersom man redan ungefär vet vad som borde stå där. För en tvåtimmarsinspelning kan en sådan genomgång ta tjugo minuter för att skumma igenom och bekräfta att texten går att använda.
En text du tänker citera, publicera eller lämna till någon som inte var i rummet är ett helt annat jobb. Den kräver en fullständig genomlyssning mot ljudet, mening för mening, eftersom ett fel i ett citat är ett annat slags problem än ett fel i en privat anteckning till dig själv. För två timmars källjud tar en så noggrann genomgång nästan lika lång tid som själva inspelningen, ibland mer om materialet är tätt eller tekniskt.
Felen är inte utspridda jämnt över inspelningen, vilket är den enda riktigt goda nyheten här. Namn, tekniska termer, siffror och tillfällen med flera röster samtidigt är där den automatiska texten faktiskt brister. Det mesta av en tvåtimmarsinspelning kommer tillbaka i princip rätt, och ett fåtal minuter – oftast där två personer pratar i munnen på varandra, eller någon rabblar en siffra snabbt – kommer att behöva riktig uppmärksamhet. Vet du ungefär var de minuterna finns kan du gå direkt till dem istället för att läsa om hela dokumentet från början till slut. Att räkna på det själv i förväg, utifrån inspelningens längd och vad du faktiskt ska använda texten till, med en kalkylator för transkriberingstid ger en plan som ligger närmare verkligheten än en gissning gjord innan du börjat.
Att dela upp filen sparar inte tid – men det räddar kvällen
Att klippa en tvåtimmarsinspelning i fyra bitar på en halvtimme var innan man transkriberar gör inte hela jobbet snabbare. Räkneexemplen ovan ändras inte – du transkriberar fortfarande två timmars tal och korrigerar det som behöver korrigeras, oavsett hur du delar upp filen. Vad som förändras är om arbetet kan avbrytas.
En enda tvåtimmarsfil är i praktiken ett enda arbetspass, eftersom att öppna den igen senare innebär att leta reda på var man var i en väggmur av text utan naturliga pauser. Fyra separata filer är fyra arbetspass, och du kan klara en ikväll, en imorgon och resten nästa vecka utan att tappa bort var du slutade. För en så lång inspelning – lång nog att de flesta inte kommer hinna med allt i ett svep – väger den möjligheten att kunna avbryta tyngre än den tid man eventuellt sparar genom att bearbeta bitarna parallellt. Om du ska göra korrigeringen ordentligt, planera för att dela upp den istället för att förvänta dig att sätta dig en gång och bli klar.
En app som hanterar hela filen på en gång, istället för att kräva att du delar upp den själv, är ett alternativ värt att känna till här. Transkriberingsappen finns via nedladdningssidan för iOS, Android och macOS, och tar emot ljud, video, inspelningar eller en YouTube-länk och lämnar tillbaka text med talaretiketter, en sammanfattning och översättning till ett brett urval av språk – ett alternativ bland de flera som beskrivits ovan, inte en genväg förbi själva korrigeringen.
Det som inte går att räkna bort, ärligt talat
Automatisk transkribering känner inte igen dina talare vid namn om du inte talar om det. Den sätter en etikett istället för ett namn den ändå inte kan gissa sig till, och det förblir så tills någon rättar det. Den fångar heller inte tillförlitligt upp ett namn den aldrig sett stavat, en term specifik för ditt ämnesområde, eller en siffra sagd snabbt mitt i en fartfylld mening. Det är precis de svåra punkterna korrigeringen alltid kretsar kring, och ingen mängd datorkraft undviker dem.
Flera röster samtidigt är nästan omöjliga att rädda oavsett metod. När två personer pratar i munnen på varandra tappar både den automatiska texten och en person som skriver för hand en del av det – mjukvaran binder sig till ett spår och tappar det andra, och en person som skriver för hand har samma problem, bara långsammare. Har en tvåtimmarsinspelning långa stunder med överlappande samtal, lägg extra korrigeringstid specifikt på de stunderna, och förvänta dig inte att någon av metoderna ger dig en ren återgivning av båda rösterna samtidigt.
Själva tvåtimmarsuppskattningen är en utgångspunkt, ingen garanti. En inspelning med jämnt tempo, en talare och bekant terminologi går snabbare genom varje steg som beskrivits här än en med tre personer, en dålig mikrofon och ett ämne du inte redan känner väl. Räkneexemplen ovan ger dig en plan för kvällen. De lovar inte att du blir klar på en enda.
