Viktigast att veta
Innan du transkriberar ett inspelat samtal, kontrollera att inspelningen var laglig där parterna befann sig. Reglerna skiljer sig åt mellan olika länder – ibland måste alla parter samtycka, ibland räcker det att en av dem gör det – och den frågan var avgjord redan innan du tryckte på inspelningsknappen. Efter det är det ett tekniskt problem. Samtalsljud är smalbandigt, så kodeken kastar bort detaljer som transkriberingen är beroende av, och många inspelningar blandar båda parters ljud i en och samma kanal, vilket gör det osäkert vem som sa vad. Siffror, stavningar och adresser drabbas mest. Kontrollera dem mot ljudet i stället för att lita blint på texten.
Du har en ljudfil. Någon i samtalet sa något viktigt – en siffra, ett datum, ett namn, ett löfte – och du vill ha det som text så att du kan hänvisa till det senare. Att omvandla filen till text är den enkla biten. De två saker som avgör om resultatet blir något du kan lita på hände redan innan du öppnade filen: om inspelningen var tillåten, och hur ljudet fångades in.
Ta den juridiska frågan först. Den beror inte på något tekniskt, och ingen aldrig så noggrann transkribering kan rädda en inspelning du inte fick göra.
Frågan om inspelningen var laglig kommer först
Om ett telefonsamtal får spelas in beror på var parterna i samtalet befann sig. Reglerna skiljer sig åt mellan olika länder. I vissa krävs att alla i samtalet samtycker. I andra räcker det att en person gör det, och den personen kan vara den som spelar in. Det här är verkligen olika regelverk, och vilket som gäller för dig går inte att avgöra utifrån ljudet i sig.
Det här är en juridisk fråga, inte en teknisk. Det spelar större roll än det låter, eftersom svaret redan var fastställt i det ögonblick inspelningen gjordes. Ingenting du gör efteråt ändrar på det. Att transkribera filen ändrar inte på det. Att radera en del av filen ändrar inte på det. Att få den andra personen att gå med på det senare gör inte inspelningen till något den inte var från början.
Om ni två inte befann er på samma plats kan mer än ett regelverk vara aktuellt, och just då är det värt att fråga någon som faktiskt kan lagen där du bor, i stället för att gissa utifrån något du läst. Det är ett kort samtal, och det bör ske innan du bygger något vidare på inspelningen.
Inget av detta är ett skäl att ge upp en fil du redan har. Många samtalsinspelningar görs med alla inblandades vetskap, eller på platser där det räcker att en part samtycker, eller av personen som själv var med i samtalet, för eget minne. Men reda ut frågan innan du delar transkriptionen, citerar från den eller bifogar den till något. En transkription sprids mycket längre än en ljudfil gör, och den sprids snabbare.
Varför samtalsljud är svårare än en inspelning gjord i ett rum
Ett telefonsamtal är smalbandigt. Kodeken som förmedlar samtalet kastar bort en stor del av ljudet innan något alls skrivs till en fil, eftersom den bara behöver behålla tillräckligt för att en människa ska kunna följa ett samtal i realtid. Människor är mycket bra på att fylla i luckor utifrån sammanhang. Transkribering är sämre på det, och just de detaljer den skulle behöva för att skilja ett ljud från ett liknande är en del av det som kastades bort.
Det är därför samma talare, som säger samma mening, transkriberas mer korrekt från en inspelare som ligger på bordet än från en telefonlinje. Det handlar inte om att mjukvaran är bättre i det ena fallet än det andra. Informationen finns helt enkelt inte i samtalsfilen. Ingenting i efterhand återställer den – inte brusreducering, inte volymnormalisering, inte att köra filen genom ännu ett verktyg. Du arbetar med det som överlevde kodeken.
Lägg till de vanliga förutsättningarna för ett verkligt samtal och det blir ännu tunnare. En person går och rör sig. En person har dålig täckning och ljudet försvinner en stavelse i taget. Någon pratar i mun på någon annan. I en rumsinspelning är överlappande tal svårt att fånga; i ett komprimerat samtal är det ofta omöjligt, och transkriptionen kommer helt tyst att välja en röst och tappa den andra, utan att tala om att den hade problem.
Att spela in en högtalartelefon med en andra enhet
Att sätta samtalet på högtalarläge och spela in det med en annan telefon eller en handhållen inspelare känns som en genväg. Det blir sämre än originalet. Den andra partens ljud har redan komprimerats ner till smalband, och nu fångar du det komprimerade ljudet spelat genom en liten högtalare, som studsar mot väggarna, tillsammans med rummets eko och allt annat som finns i rummet. Du behåller alla förluster kodeken orsakade och lägger till ett nytt lager ovanpå.
Om en enhet eller tjänst kan spela in samtalet direkt, använd det i stället. Högtalarmetoden är en sista utväg, och det är värt att komma ihåg att den är just det innan du litar på den för något som behöver vara exakt.
En eller två kanaler avgör om du får talarmarkeringar
Många samtalsinspelningar blandar båda sidor av konversationen i en enda kanal. Allt hamnar i ett flöde, och den tydligaste signalen för att skilja de två personerna åt – vilken sida av linjen var och en satt på – är borta. Det som blir kvar är rösterna själva: tonhöjd, tempo, klangfärg. Det fungerar bättre med två olika röster än med två liknande, och det fungerar sämre på smalbandigt ljud, eftersom just de röstegenskaper som skulle särskilja dem är exakt den typ av detalj kodeken kastade bort.
Där de två sidorna sparas som separata kanaler blir tillskrivningen mycket säkrare. Varje kanal är en person. Ingen gissning behövs. Om verktyget du använder för inspelning erbjuder ett val, är det här inställningen värd att leta efter, och den är värd att hitta innan samtalet, inte efter.
När du jobbar med en blandad inspelning, läs talarmarkeringarna som en bra gissning snarare än ett faktum. De brukar stämma över en lång sammanhängande sträcka och slå fel kring bytena, särskilt där de två personerna avbryter varandra. Om poängen med transkriptionen är vem som gick med på vad, är just bytena där det behöver vara rätt, så stäm av dessa ögonblick mot ljudet.
Att få ut texten ur filen
När en samtalsinspelning väl har exporterats slutar den att vara ett samtal. Det är en vanlig ljudfil och kan transkriberas som vilken annan. Exportsteget varierar: inspelningsappar, telefonsystem och operatörer fungerar alla olika, och alternativet finns oftast under en delaknapp eller en meny med tre punkter på själva inspelningen. Få ut filen först, och sluta sedan tänka på den som ett telefonsamtal – tänk på den som ljud.
Från den punkten är processen densamma som för vilken ljudfil du vill ha som text. SozAI transkriberar inspelningar på iOS, Android och macOS med talarmarkeringar, sammanfattningar och översättning till över 99 språk; du kan ladda ner appen här, och samma metod fungerar för röstbrevlådemeddelanden, som är smalbandiga av samma skäl och beter sig likadant. Det är ett alternativ bland flera, och valet spelar mindre roll än kvaliteten på filen du matar in.
Om det inte handlar om ett samtal utan om en mapp fulla med dem, samlade under flera månader, ändrar problemet karaktär. Att transkribera allt bara för att hitta en mening är oftast fel instinkt – det mer användbara målet är att kunna söka i en hel bunt gamla samtalsinspelningar snarare än att läsa igenom dem.
Om inspelningen kan bli bevismaterial
En inspelning gjord för att du ska kunna påminna dig vad som sades och en inspelning som används som bevis bedöms efter olika mått. För eget bruk räcker en transkription med några skavanker gott; du vet vad som hände, och texten är ett minnesstöd. För något formellt behöver ofta originalfilen bevaras oredigerad.
Det betyder att du behåller filen exakt som den kom från enheten. Klipp inte bort tystnaden i början. Ta inte bort den ointressanta mitten. Exportera inte om den till ett annat format för att göra den mindre, och kör den inte genom ett verktyg som normaliserar volymen och skriver en ny fil. Allt sådant skapar en ny version, och det är originalet som väger tyngst. Arbeta utifrån en kopia och lämna originalet orört.
Transkriptionen är i det sammanhanget ett arbetsdokument som ligger vid sidan av inspelningen, inte ersätter den. Den hjälper folk att hitta de relevanta trettio sekunderna. Inspelningen är vad de relevanta trettio sekunderna faktiskt säger. Om en inspelning över huvud taget får användas som bevis är en separat fråga, och den hör hemma hos samma person du frågade om lagligheten i att göra inspelningen.
Det du fortfarande måste rätta för hand
De delar av ett samtal folk oftast behöver i efterhand är siffror, stavningar och adresser – ett referensnummer, ett belopp, hur ett efternamn stavas, vilken gata. Det är också de delar smalbandigt ljud skadar mest, eftersom de saknar sammanhang. En hel mening kan återskapas utifrån orden runt omkring. Ett sjusiffrigt nummer kan inte det. Om en siffra är fel finns det ingenting i ljudet runt omkring som flaggar det, och transkriptionen presenterar den med samma orubbliga säkerhet som allt annat.
Behandla därför varje siffra, namn och adress i en samtalstranskription som något att kontrollera, inte något att använda rakt av. Hitta det i texten, hoppa till det ögonblicket i ljudet, lyssna. Det tar en minut per uppgift, och det är skillnaden mellan en transkription du kan agera på och en som bara verkar rimlig. Om en detalj är viktig nog att ett fel skulle kosta dig något, är det testet för om den behöver kontrolleras.
Ställ in dina förväntningar på resten därefter. En transkription av ett telefonsamtal är i regel en bra återgivning av innehållet – samtalets form, vad som föreslogs, vad som accepterades, tonen i en oenighet. Den är en svagare källa för exakta detaljer, och den blir svagare där två personer pratar samtidigt eller där täckningen försvann. Att veta vilka delar man kan lita på är den viktigaste färdigheten. Transkriptionen ger dig en snabb, sökbar version av samtalet och en väg tillbaka till exakt den sekund i ljudet du behöver. Den ersätter inte ljudet, och på en smalbandig fil var den aldrig tänkt att göra det.
