Det viktigaste
En transkription kan ha varenda ord rätt och ändå sätta det under fel namn, eftersom det att känna igen tal och det att avgöra vem som pratar är två separata steg. Talarseparering bygger på röstegenskaper, så den funkar bäst med några få tydligt olika röster som spelas in på ungefär samma volym av en enda mikrofon. Den har svårt för när folk pratar i mun på varandra, för tysta eller sent tillkomna talare, och den kan aldrig på egen hand ge dig riktiga namn – det lägger du till själv efteråt.
Har du någon gång öppnat en transkription av ett gruppsamtal och sett att halva texten hamnat under fel persons namn, så var själva orden förmodligen korrekta. Problemet ligger ett steg upp, i den del av processen som bestämmer vem som pratade, inte vad som sades. Den delen jobbar med annan information och går fel på andra sätt, och nästan allt som avgör om det fungerar bestäms redan vid inspelningstillfället, innan någon mjukvara rört filen.
Det här är värt att förstå om du är på väg att spela in en intervju, en panel eller ett familjesamtal och verkligen behöver veta vem som sa vad – inte bara vad som sades. En del handlar om var du placerar mikrofonen. En del handlar om att acceptera att vissa situationer aldrig blir helt rätt märkta, oavsett vilket verktyg du kör dem genom.
Två olika uppgifter, en transkription
Att känna igen ord och att avgöra vem som sa dem är inte samma uppgift, även om de hamnar i samma dokument. Den första uppgiften lyssnar på ljud och tolkar språk – den bryr sig i stort sett inte om vems röst det är. Den andra uppgiften lyssnar på samma ljud och ställer en annan fråga: matchar den här rösten den från två meningar tidigare, eller är det en ny talare? Den frågan besvaras utifrån röstegenskaper – tonhöjd, klang, rytm, det akustiska fingeravtrycket i någons sätt att prata – inte utifrån orden i sig.
Det är därför en transkription kan vara ordagrant korrekt och ändå tillskriva repliker fel person. Själva transkriberingen lyckades. Talarsepareringen gjorde det inte. De kan gå fel oberoende av varandra, och när någon säger att en transkription är »fel« är det värt att kolla vilken av de två uppgifterna som faktiskt brast, eftersom lösningen skiljer sig åt beroende på svaret.
Vad som gör att talarseparering fungerar
Talarseparering funkar som bäst med ett litet antal röster som låter tydligt olika, alla upptagna av en och samma mikrofonplacering som hör alla ungefär lika starkt. Det är idealfallet: två eller tre personer, distinkta röster, en inspelningsapparat som ligger så att den hör hela rummet jämnt.
Varje avsteg från det idealet kostar något. Fler talare ger fler chanser för två röster att låta så lika att de smälter samman. Röster som liknar varandra – till exempel två personer i samma ålder med samma dialekt – är svårare att skilja åt än en djup röst och en ljus. Och om en person spelas in mycket starkare än en annan börjar systemet behandla volymskillnader som om de var talarskillnader, vilket de inte är.
Inget av det här är särskilt exotiskt. Det ligger nära vad en människa också skulle lägga märke till om hon slöt ögonen och bara lyssnade. Mjukvarans fördel är tålamod och konsekvens genom en hel timmes ljud, inte något extra sinne som en lyssnare saknar.
Där det brister: när folk pratar i mun på varandra
Det finns en situation som med säkerhet knäcker talarmärkningen, och ingen genomtänkt uppsättning löser det: äkta samtidigt tal, där två personer pratar exakt samtidigt. Under överlappning finns ingen ren signal som hör till en enda röst – ljudet är en blandning av båda, och det finns inget att tillskriva rent. Det som brukar hända är att en talares ord vävs in i den andras replik, så att transkriptionen visar ett enda sammanhängande uttalande som i själva verket var två personer som pratade samtidigt.
Det här är inte en bugg som kan patchas bort senare. Det är en begränsning inbyggd i själva problemets natur – du kan inte i efterhand separera två överlappande röster till två rena spår, inte tillförlitligt. Den ärliga förväntningen är att alla delar av en inspelning med verklig överlappning kommer behöva en manuell genomgång för att sortera ut vem som sa vad, eller helt enkelt förblir tillskrivna den talare systemet gissade på. Om ditt samtal har mycket avbrytande – en het paneldebatt, en argsint middagsdiskussion – ska du räkna med att den delen av transkriptionen behöver rättas för hand, och döm inte hela verktyget efter den delen.
Var du placerar mikrofonen spelar större roll än vilken mikrofon du har
Avståndet till mikrofonen påverkar talarmärkningen mer än mikrofonens kvalitet. En mobil som ligger mitt på bordet ger ofta bättre talarseparering än en finare mikrofon som råkar stå bredvid en enda person, eftersom de tysta, mer avlägsna deltagarna är exakt de som ett system tappar först. Om någon konsekvent är mycket tystare än alla andra bara därför att den sitter längst från mikrofonen, kan den volymskillnaden spela större roll för talarmärkningen än någon skillnad i utrustning.
För ett gruppsamtal ger det en enkel regel: placera inspelningsapparaten centralt, inte där det råkar vara bekvämt. Mitten av bordet, inte änden närmast den som håller i mötet. Om folk sitter utspridda i ett rum snarare än tätt tillsammans är det ett svårare fall oavsett utrustning, och det är bra att veta det i förväg snarare än att upptäcka det efteråt.
Att få namn istället för Talare 1, Talare 2
Ingenting i själva ljudet talar om för ett transkriptionssystem vad någon heter – det kan avgöra att två olika röster förekommer, men har inget sätt att veta att en av dem heter Anna och den andra Erik. Resultatet kommer därför märkt med anonyma beteckningar: Talare 1, Talare 2 och så vidare. Att göra dem till riktiga namn är ett manuellt steg, och det behöver bara göras en gång, högst upp i transkriptionen, genom att matcha varje beteckning mot ett namn.
Det som gör steget enkelt istället för pilligt är att alla säger sitt namn högt i början av inspelningen. Det kostar ungefär tio sekunder och ger dig en tydlig ankarpunkt – du vet att rösten som säger »det här är Erik« i inledningen är den som ska märkas Erik genom resten av dokumentet. Hoppar du över det får du istället matcha röster mot namn utifrån minne eller sammanhang, vilket går men tar längre tid och blir mer felbenäget ju fler talare det är.
Spelar du specifikt in en intervju är det här en vana värd att bygga in i hur du inleder varje session – se anteckningarna om att transkribera intervjuer för mer om hur du sätter upp det bra från första minuten. För att gå från en färdig inspelning till märkt text när du väl har den, tar att konvertera ljud till text upp själva omvandlingssteget, och en app som transkriptionsappen från SozAI kan ta fram talarmärkning, sammanfattningar och översättning på ett brett spann av språk när du väl har inspelningen – att sätta namn på talarna efteråt är fortfarande något du gör själv, men det går snabbt.
Vad du realistiskt kan förvänta dig
Även med en bra uppsättning ger några situationer förutsägbart ofullständiga resultat, och det är värt att känna till dem i förväg snarare än att se dem som fel.
- En talare som ansluter mitt i en inspelning, efter att systemet redan bestämt sina röstprofiler, blir ofta sammanslagen med en befintlig talare istället för att få sin egen nya beteckning.
- Någon som bara säger ett fåtal ord under hela inspelningen – ett snabbt jaha, en enradig fråga – blir ofta invävd i den som pratade runt omkring, eftersom det inte finns nog av rösten för att systemet ska kunna bygga en egen profil av den.
- Äkta överlappande tal, som beskrivits ovan, tenderar att smälta samman till en enda talares replik.
- En stor grupp med många liknande röster ger fler felmärkningar än en liten grupp med tydligt olika röster, helt enkelt eftersom det finns fler tillfällen till förväxling.
Inget av detta är skäl att avstå från att transkribera en svår inspelning – det är snarare skäl att räkna med en kort manuell putsomgång i de delar där det uppstår, istället för att anta att hela dokumentet behöver dubbelkollas. Vet du redan att en inspelning kommer ha den här typen av komplexitet är det också värt att bestämma i förväg om du behöver varje ord transkriberat eller bara de märkta höjdpunkterna; att transkribera allt är inte alltid det mest användbara valet, särskilt vid långa inspelningar där du huvudsakligen behöver veta vem som lovade vad – det användningsfallet täcks under att omvandla inspelningar till mötesanteckningar. Och vill du testa hur en given inspelning märks innan du binder dig för en lång fil, säger det mer att hämta appen från nedladdningssidan och köra ett kort testprov än något allmänt råd kan göra.
Vad som faktiskt gör skillnad
Om du tar med dig en sak från allt det här, är det att inspelningen betyder mer än mjukvaran. En central mikrofon, ett litet antal tydligt olika röster, att alla säger sitt namn i början, och en acceptans för att överlappande tal kommer behöva en manuell genomgång – den kombinationen tar dig längre än någon inställning eller funktion vald i efterhand. Märkningssteget gör ett verkligt arbete, men det arbetar med det inspelningen gett den, och en inspelning gjord med talarseparering i åtanke kommer alltid märkas bättre än en som inte är det, oavsett vad som kör själva transkriberingen efteråt.
