Viktiga slutsatser
Att förstå ett röstmeddelande på ett språk du inte talar kräver två separata steg: först omvandla ljudet till text på det språk det faktiskt talades, sedan översätta den texten. Din översättningsapp kan inte börja förrän det första steget är klart, eftersom den förväntar sig skriven text. Transkriberingssteget är det som avgör kvaliteten, och ett fel där översätts troget till ditt språk och slutar se ut som ett fel. Gör båda stegen själv, och ingen annan behöver höra meddelandet.
Ett röstmeddelande dyker upp från en släkting, en leverantör, en hyresvärd. Du fångar några ord, tillräckligt för att förstå att det är viktigt men inte tillräckligt för att veta vad det handlar om. Det självklara är att öppna översättningsappen du redan har i mobilen, och det självklara fungerar inte, eftersom appen väntar på att du ska skriva och du kan inte skriva det du inte hör.
Det andra självklara alternativet är att skicka vidare meddelandet till någon som talar språket. Det fungerar, och det kostar dig något du kanske inte vill betala. Den här artikeln handlar om hur du gör det utan något av de två alternativen, vad maskinen klarar bra, och de specifika ställen där den går fel som du kan lära dig att upptäcka även på ett språk du aldrig har läst.
Varför översättningsappen du redan har inte kan komma igång
Att översätta tal är egentligen två olika processer som döljer sig under ett namn. Den första är transkribering: att omvandla ljudet till skriven text på det språk talaren använde. Den andra är översättning: att omvandla den skrivna texten till ett språk du kan läsa. Det är två separata mekanismer, de går fel på olika sätt, och de flesta verktyg folk tar till gör bara den andra av dem.
Det är hela anledningen till att appen i din mobil bara ligger där och inte gör någon nytta. Den är byggd kring en textruta. Text in, text ut. Får den en ljudfil har den inget att jobba med. Vissa verktyg tar emot tal via mikrofon, vilket hjälper när det är du själv som talar och kan upprepa dig, men hjälper betydligt mindre när det gäller en inspelning av någon annan som pratar snabbt över en dålig uppkoppling.
När du förstår i vilken ordning stegen måste ske ändrar problemet form. Du letar inte efter en översättare. Du letar efter något som kan ta fram en skriven version av meddelandet på originalspråket, varefter dina vanliga översättningsvanor fungerar precis som de alltid har gjort. Vad du redan använder för text fungerar fint för den andra halvan. Den första halvan är den du måste lösa.
Det förklarar också något folk tycker är förbryllande: varför ett meddelande kan komma tillbaka översatt till flytande, självsäker och helt fel svenska. Översättningshalvan gjorde sitt jobb. Den fick dåligt indata och återgav det vackert.
Priset för att be någon lyssna
Att skicka vidare meddelandet till en tvåspråkig vän, en kusin, en kollega som råkar tala språket, är snabbt och vanligtvis korrekt. Det innebär också att du lämnar över innehållet i ett privat samtal i sin helhet, tonläget inkluderat.
Gäller det ett meddelande om en leveransdag bryr ingen sig. Gäller det pengar, hälsa eller familj ändras kalkylen. Ett röstmeddelande från en släkting om ett provresultat är inte något du vill att en kollega hör. Ett meddelande från hyresvärden om obetald hyra är inte något du vill förklara för en vän innan du själv har bestämt vad du tycker om det. Detsamma gäller ett meddelande från en leverantör om en betalning du kanske har gjort fel.
Vad som händer istället är att meddelandet förblir olyssnat. Inte för att det är oviktigt, utan för att det innebär att blanda in någon, och att blanda in någon har ett socialt pris som betalas innan du ens vet vad meddelandet säger. Folk låter röstmeddelanden ligga i dagar precis av den anledningen. Meddelandet de inte kan läsa är det de allra minst vill ha uppläst.
Det är en riktig anledning att köra båda stegen själv, och det är värt att säga rakt ut snarare än att behandla integriteten som en bonusfunktion. Poängen är inte att maskintranskribering är bättre än din kusin. Din kusin är troligen bättre. Poängen är att du får läsa saken först, ensam, och avgöra efteråt om någon annan behöver veta.
Det första steget avgör kvaliteten på det andra
Allt som avgör hur användbart resultatet blir handlar om transkriptet på originalspråket. Får du det rätt är översättningen ett rutinproblem. Går det fel följer felet med.
Här är vad som gör det farligt. Om ett transkript på originalspråket innehåller ett fel, och du inte kan läsa originalspråket, kommer du aldrig att se felet. Det förs vidare in i översättningssteget, återges troget på ett språk du kan läsa, och landar som en helt vanlig mening. Det finns ingen skarv. Inget flaggar det. Ett fel ord som överlever översättningen ser exakt likadant ut som ett rätt.
Jämför det med ett transkript på ett språk du talar, där ett fel avslöjar sig självt. Du läser en mening, den låter fel, du spelar upp ljudet igen. Den korrigeringsloopen är inte tillgänglig för dig här. Du läser resultatet av en process du inte kan granska.
Den praktiska konsekvensen är att du ska betrakta transkriptet, inte översättningen, som det du bör misstro. Om något låter konstigt på ditt språk ligger felet väldigt sällan i översättningshalvan. Det är nästan alltid ett ord transkriberingen hört fel, och lösningen är att titta på originalspråkets text på just den punkten och lyssna på det momentet i ljudet igen, även utan att förstå det. Att höra att talaren sa ett kort ord där transkriptet har ett långt ord säger dig något.
Låt verktyget avgöra språket, kontrollera sedan namnet
Ett praktiskt hinder dyker upp direkt: vissa verktyg ber dig välja källspråk från en lista innan de gör något alls. Kan du inte identifiera språket med säkerhet, och folk kan ofta inte skilja närbesläktade språk på örat, gissar du på inställningen som avgör hela resultatet.
Att låta ljudet själv avgöra språket tar bort det steget. SozAI-tillägget för WhatsApp Web räknar ut språket från inspelningen istället för att fråga dig, och sätter en märkning på resultatet som visar vilket språk det bestämde sig för. Den märkningen är den nyttiga delen, för det är så du upptäcker en felaktig gissning: om den anger ett språk du vet att avsändaren inte talar är transkriptet under den inte värt att läsa, och du vet det på en sekund istället för efter två stycken förvirring.
En sak att förvänta sig. Sammanfattningen kommer tillbaka på samma språk som meddelandet talades på. Det är korrekt beteende för det första steget, och det innebär att ett meddelande du inte kan läsa fortfarande är ett meddelande du inte kan läsa. Du har omvandlat ett ljudproblem till ett textproblem, vilket är hela poängen, men översättningssteget är fortfarande ditt att göra efteråt.
Delarna som troligen blir fel är delarna som spelar roll
Automatiska transkript är starkast på vanligt löpande tal och svagast på exakt tre saker: personnamn, ortnamn och siffror. Ett vanligt ord kan förutses av orden runt omkring. Ett efternamn kan inte det. Ett gatunamn kan inte det. En siffra kan inte det.
Tänk nu på vad röstmeddelanden vanligtvis handlar om. Var man ska mötas. Hur mycket som ska betalas. Vilken dag. Vem som sagt vad till vem. Informationen du faktiskt behövde är koncentrerad i de delar av transkriptet som minst sannolikt är korrekta, och i ett meddelande om en adress eller ett belopp är de delarna inte detaljer, de är meddelandet.
Läs därför transkriptet i två omgångar. Första genomläsningen ger dig formen på meddelandet: vem som talar, vad det handlar om, om det kräver svar idag. Lita på det. Den andra genomläsningen är bara för specifikationerna, och där ska du kontrollera snarare än att lita blint.
- Spela upp de få sekunderna runt varje siffra och lyssna efter talen, som ofta går att känna igen även på ett språk du inte talar.
- Kontrollera namn mot dina egna kontakter eller tidigare meddelanden snarare än mot transkriptet.
- Jämför en adress med en du redan har sparad för den personen eller det företaget.
- Om ett belopp avgör vad du gör härnäst, bekräfta det skriftligt innan du agerar på det.
Att be avsändaren bekräfta en siffra skriftligt är inte ett erkännande att du inte förstod. Det är vad du skulle göra med ett tal du hörde dåligt över en skral telefonlinje på ditt eget språk.
Vad detta inte gör för dig
Det ger dig inte meddelandet på ditt språk i ett enda steg. Två steg innebär två steg, och transkriptet kommer på det språk det talades på. Vill du ha slutresultatet på ditt eget språk utan att köra översättningshalvan separat är det en annan uppgift än ren transkribering, och översättning mellan språk är rätt ställe att titta. Samma gäller ljud du har som en fil snarare än som ett WhatsApp-meddelande, en inspelning, en vidarebefordrad bilaga, något sparat från en mobil, vilket transkriberingsappen hanterar men ett webbläsartillägg för WhatsApp Web inte gör.
Det säger dig inte tonläget. Ett kort transkript av ett långt meddelande tar bort tvekan, värme, irritation och pausen före den viktiga meningen. Försöker du bedöma hur orolig en släkting är kommer orden ensamma inte räcka till, och du bör lyssna på ljudet igen med transkriptet framför dig.
Det är inte tillförlitligt på dåligt inspelat ljud. Vind, en högtalartelefon i en bil, två personer som pratar samtidigt, ett röstmeddelande spelat in i en korridor. Dåligt indata ger ett självsäkert men felaktigt transkript snarare än ett tydligt misslyckande, vilket är värre, eftersom det ser färdigt ut.
Och det ersätter inte din kusin när meddelandet verkligen är otydligt. Vad det gör är att låta dig ta reda på om meddelandet är otydligt innan någon annan hör det. Oftast är svaret nej, och du kan hantera det själv. När svaret är ja vet du nu exakt vilka trettio sekunder du ska fråga om, istället för att lämna över hela inspelningen.
