สรุปสั้นๆ
macOS ไม่สามารถถอดข้อความจากไฟล์วิดีโอได้เองตรงๆ สิ่งที่ทำได้โดยไม่ต้องดาวน์โหลดอะไรเพิ่ม คือการแยกแทร็กเสียงออกจากวิดีโอด้วย QuickTime Player ซึ่งจะได้ไฟล์ที่เล็กลงมากสำหรับนำไปใช้งานต่อ ส่วนฟีเจอร์ dictation ที่มีในตัวเครื่องนั้นพิมพ์ตามสิ่งที่ไมโครโฟนได้ยินแบบสดๆ ขณะที่คุณพูด จึงไม่ใช่เครื่องมือสำหรับไฟล์ที่บันทึกไว้แล้ว การถอดเสียงเป็นขั้นตอนที่แยกออกไปต่างหาก และเป็นขั้นตอนเดียวกันไม่ว่าคุณจะใช้คอมพิวเตอร์เครื่องไหนก็ตาม
คุณมีไฟล์วิดีโออยู่ใน Mac อาจเป็นการอัดหน้าจอตอนประชุม คลิปบรรยายที่มีคนส่งมาให้ หรือคลิปที่คุณเซฟไว้ สิ่งที่อยากได้คือข้อความในนั้น และคงไม่อยากไปสมัครสมาชิกกับบริษัทที่ไม่เคยรู้จักมาก่อนเพื่อให้ได้มันมา
งานนี้แยกออกเป็นสองส่วนชัดเจน ส่วนแรกคือดึงไฟล์เสียงที่สะอาดออกจากวิดีโอ ส่วนที่สองคือแปลงเสียงนั้นให้เป็นข้อความ ส่วนแรก Mac ทำได้เองอยู่แล้วตอนนี้ ด้วยซอฟต์แวร์ที่มีอยู่ในเครื่อง ส่วนที่สองทำไม่ได้ และต่อให้เข้าไปไล่ดูใน System Settings จนหมดก็ไม่มีทางเจอ การรู้ว่าเส้นแบ่งอยู่ตรงไหนจะช่วยประหยัดเวลาที่ต้องเสียไปกับการหาเมนูที่ไม่มีอยู่จริง
สิ่งที่ macOS ทำได้อยู่แล้ว
QuickTime Player มาพร้อมกับ Mac ทุกเครื่อง มันเล่นวิดีโอได้ อัดหน้าจอได้ และแยกเสียงออกจากไฟล์วิดีโอได้ด้วย ข้อสุดท้ายนี้แหละที่มีประโยชน์ในกรณีนี้ และหลายครั้งก็เป็นขั้นตอนเดียวที่คุณต้องทำก่อนส่งไฟล์ให้เครื่องมืออื่นทำงานต่อ
macOS ยังมีฟีเจอร์ dictation ที่แปลงเสียงพูดเป็นข้อความขณะที่คุณพูดอยู่ และมี Voice Memos ซึ่งซิงค์กับแอปตัวเดียวกันบน iPhone ผ่าน iCloud รวมสามอย่างนี้เข้าด้วยกัน คุณจะบันทึกเสียง เก็บไฟล์ และพิมพ์ด้วยเสียงพูดได้
แต่ไม่มีตัวใดเลยที่จะอ่านไฟล์วิดีโอที่มีอยู่แล้วแล้วให้ข้อความถอดเสียงกลับมา เรื่องนี้ต้องบอกให้ชัดไปเลย เพราะเครื่องมือเหล่านี้อยู่ใกล้กันจนรู้สึกเหมือนฟีเจอร์นี้ควรจะซ่อนอยู่ที่ไหนสักแห่ง แต่ไม่มี Mac เก่งเรื่องสร้างการบันทึก แต่ไม่เก่งเรื่องแปลงมันเป็นข้อความ
ดึงเสียงออกมาก่อนเป็นอันดับแรก
ไฟล์วิดีโอเป็นเหมือนกล่องบรรจุ มันมีทั้งภาพและแทร็กเสียงอยู่ในนั้น และการถอดเสียงจะแตะเฉพาะส่วนเสียงเท่านั้น ภาพจึงเป็นน้ำหนักส่วนเกินที่ไม่มีประโยชน์ในงานนี้
ดังนั้นให้แยกเสียงออกมาก่อนทำอะไรอย่างอื่น QuickTime Player ทำได้ นั่นแปลว่าขั้นตอนแรกไม่เสียเงินและไม่ต้องติดตั้งอะไรเลย สิ่งที่ได้กลับมาคือไฟล์ที่เล็กกว่าไฟล์วิดีโอเดิมมาก บางครั้งเล็กลงอย่างเห็นได้ชัด ขึ้นอยู่กับลักษณะของวิดีโอนั้น
ความแตกต่างของขนาดไฟล์นี้ไม่ใช่เรื่องนามธรรมอีกต่อไปเมื่อการบันทึกนั้นยาวมาก คลิปบรรยายสองชั่วโมงในรูปแบบวิดีโอเป็นสิ่งที่ยุ่งยากในการย้าย อัปโหลด หรือเก็บไว้หลายก๊อปปี้ระหว่างที่คุณยังตัดสินใจไม่ได้ว่าจะใช้เครื่องมือไหน แต่สองชั่วโมงเดียวกันในรูปแบบเสียงกลับเป็นไฟล์ขนาดพอเหมาะที่จัดการได้โดยไม่ต้องคิดมาก ถ้าคุณมีโฟลเดอร์เต็มไปด้วยไฟล์บันทึกที่ต้องจัดการ การแยกเสียงออกก่อนคือความแตกต่างระหว่างใช้เวลาแค่เย็นวันเดียวกับต้องเสียเวลาทั้งสุดสัปดาห์
การแยกเสียงออกยังช่วยตัดปัญหาที่คนมักสับสน คือว่าต้องใช้เครื่องมือที่รองรับการแปลงไฟล์วิดีโอเป็นข้อความโดยเฉพาะหรือไม่ หรือแค่เครื่องมือถอดเสียงจากไฟล์เสียงทั่วไปก็เพียงพอ พอเสียงกลายเป็นไฟล์แยกต่างหากแล้ว ความแตกต่างนี้ก็ไม่มีความหมายอีก เครื่องมือถอดเสียงตัวไหนก็ตามที่รับไฟล์เสียงได้ จะรับไฟล์ของคุณได้เช่นกัน
Dictation เป็นงานคนละแบบ
Dictation กับการถอดเสียงมักถูกใช้แทนกันเหมือนเป็นคำเดียวกัน แต่ไม่ใช่ และความแตกต่างนี้แหละที่เป็นตัวขวางคุณจากข้อความถอดเสียงที่ต้องการ
Dictation ฟังจากไมโครโฟนแล้วพิมพ์สิ่งที่ได้ยินแบบเรียลไทม์ ขณะที่มันเกิดขึ้น คุณพูด ตัวอักษรก็ปรากฏขึ้น มันเป็นวิธีพิมพ์แบบหนึ่ง ส่วนการถอดเสียงนั้นนำไฟล์บันทึกที่มีอยู่แล้ว ไม่ว่าจะจบไปตั้งชั่วโมงหรือปีที่แล้ว มาแปลงเป็นข้อความ อย่างหนึ่งคืออุปกรณ์รับข้อมูล อีกอย่างคือการแปลงข้อมูล
คุณอาจพยายามเชื่อมสองอย่างนี้เข้าด้วยกันโดยเปิดวิดีโอออกลำโพงแล้วให้ dictation ฟังจากลำโพงนั้น หลายคนทำแบบนี้ และมันได้ผลไม่ดีเลย เพราะเท่ากับให้ไมโครโฟนอัดเสียงที่ถูกอัดมาแล้วครั้งหนึ่งซ้ำอีกครั้ง ตามสภาพเสียงของห้องที่เปิดอยู่ และคุณต้องนั่งฟังจนจบความยาวทั้งหมดไปพร้อมกัน วิดีโอหนึ่งชั่วโมงก็กินเวลาไปหนึ่งชั่วโมงเต็ม สำหรับอะไรที่ยาวกว่าคลิปสั้นๆ นี่ไม่ใช่ทางเลือกที่จริงจัง มีรายละเอียดเพิ่มเติมเรื่องการแปลงเสียงเป็นข้อความบน Macและจุดที่ฟีเจอร์ในตัวเครื่องไปไม่ถึง แต่สรุปสั้นๆ คือ dictation ไม่ได้ถูกสร้างมาเพื่อรับมือกับไฟล์บันทึกตั้งแต่แรก
เมื่อคุณยังไม่มีไฟล์อยู่ในมือ
ทั้งหมดที่ผ่านมาตั้งสมมติฐานว่าวิดีโออยู่ในดิสก์ของคุณแล้ว แต่บางครั้งก็ไม่ใช่ สิ่งที่คุณต้องการข้อความจากมันอาจเป็นการโทรที่กำลังเกิดขึ้น หรือวิดีโอที่เล่นอยู่ในแท็บเบราว์เซอร์ และไม่มีอะไรให้แยกเสียงออกมาได้ เพราะยังไม่มีการบันทึกเก็บไว้เลย
นี่คืออุปสรรคตัวจริงของ Mac การจับเสียงระบบของ Mac เอง หมายถึงเสียงที่ออกมาจากตัวเครื่อง ไม่ใช่เสียงที่เข้าไปในไมโครโฟน ไม่ใช่สิ่งที่ macOS เปิดให้ใช้ได้โดยค่าเริ่มต้น การอัดหน้าจอให้ภาพมาได้ แต่การได้เสียงที่ควรจะมาคู่กันเป็นปัญหาคนละเรื่อง และเป็นขั้นตอนเดียวที่ทำให้คนส่วนใหญ่ต้องหยุดชะงัก ถ้าคุณเคยได้ไฟล์บันทึกการประชุมที่ไม่มีเสียงเลย และงงว่าทำอะไรผิดไป นี่แหละคือสิ่งที่คุณเจอ คุณไม่ได้ทำอะไรผิดหรอก
มีวิธีแก้ปัญหานี้อยู่ และควรเข้าใจไว้ก่อนที่จะต้องใช้จริง ดีกว่าไปงมหาวิธีตอนอยู่กลางการโทรที่ทำซ้ำไม่ได้ วิธีการอัดหน้าจอ Mac พร้อมเสียงเป็นอีกเรื่องที่ควรพูดถึงแยกไปเลย สิ่งสำคัญที่นี่คือมันเป็นปัญหาเรื่องการบันทึกเสียง ไม่ใช่ปัญหาเรื่องการถอดเสียง และถ้าแก้ปัญหานี้ได้ก็จะกลับเข้าสู่กรณีปกติ คือมีไฟล์อยู่ในดิสก์แล้ว
อีกทางหนึ่งคือหลีกเลี่ยงปัญหานี้ไปเลย Voice Memos บน Mac แชร์การบันทึกกับแอปตัวเดียวกันบน iPhone ผ่าน iCloud ดังนั้นอะไรที่คุณอัดจากโทรศัพท์จะไปโผล่ที่ Mac เองโดยไม่ต้องส่งอีเมลถึงตัวเองหรือหาสายเชื่อมต่อ สำหรับการสนทนาต่อหน้า หรือการฟังบรรยายที่คุณนั่งอยู่ในนั้น การอัดจากโทรศัพท์แล้วไปหยิบไฟล์จากเดสก์ท็อปนั้นง่ายกว่าการสู้กับปัญหาเสียงระบบมาก แต่แน่นอนว่ามันช่วยอะไรไม่ได้กับเสียงที่ Mac เองเป็นคนสร้างขึ้นมา
แปลงเสียงให้เป็นข้อความ
เมื่อไฟล์เสียงมีอยู่แล้ว การตัดสินใจก่อนหน้านี้ทั้งหมดก็ไม่มีความหมายอีกต่อไป การถอดเสียงไม่สนว่าไฟล์นั้นมาจากวิดีโอ จากโทรศัพท์ จากการอัดหน้าจอ หรือจากไฟล์ที่เพื่อนร่วมงานส่งมาให้ และไม่สนด้วยว่าคุณใช้ Mac จากจุดนี้ไปมันเป็นงานเดียวกันไม่ว่าจะใช้เครื่องไหน นั่นแปลว่าตัวเลือกของคุณอยู่ที่เครื่องมือถอดเสียงเพียงอย่างเดียว
นี่คือจุดที่ความอยากไม่สมัครสมาชิกใครมาชนกับความเป็นจริง เลยขอพูดตรงๆ เลย เครื่องมือที่ทำงานทั้งหมดในเบราว์เซอร์สามารถรับปากได้ว่าไฟล์ของคุณจะไม่หลุดออกจากเครื่อง และบางตัวก็ทำงานแบบนั้นจริงๆ แต่เครื่องมือในเบราว์เซอร์แบบนั้นมักจัดการกับสิ่งที่เป็นข้อความอยู่แล้ว อย่างไฟล์ซับไตเติลหรือการนับคำ ส่วนการรู้จำเสียงพูดจริงๆ กับไฟล์บันทึกยาวสองชั่วโมงเป็นงานที่หนักกว่ามาก และเครื่องมือที่ทำแบบนั้นได้ส่วนใหญ่ต้องการทั้งแอปที่ติดตั้งไว้หรือส่งไฟล์ไปที่เซิร์ฟเวอร์ของเขา ไม่ว่าจะเลือกแบบไหน นั่นคือคำถามที่ควรถาม และคำตอบควรหาได้ง่าย
SozAI เป็นหนึ่งในตัวเลือก คือแอปถอดเสียงสำหรับ macOSที่จัดการไฟล์เสียงและวิดีโอ การบันทึก และลิงก์ YouTube ได้ พร้อมระบุผู้พูดแยกคน สรุปเนื้อหา และแปลภาษาได้กว่า 99 ภาษา เว็บไซต์เดียวกันนี้ยังมีเครื่องมือซับไตเติลและนับคำฟรีที่ทำงานในเบราว์เซอร์ทั้งหมด ไม่ต้องอัปโหลดอะไรและไม่ต้องสมัครสมาชิก เครื่องมือเหล่านั้นไม่ได้ถอดเสียงให้ แต่มีประโยชน์เมื่อคุณมีข้อความถอดเสียงแล้วและต้องมาจัดการต่อ
สิ่งที่ข้อความถอดเสียงทำให้ไม่ได้
ถ้าจุดประสงค์คือย้อนกลับไปหาจุดใดจุดหนึ่ง ให้ขอ timestamp ด้วย ข้อความที่ไม่มี timestamp เป็นก้อนตัวอักษรที่ค้นหาได้ก็จริง คุณจะเจอประโยคนั้น แต่การเจอประโยคไม่เหมือนกับการเจอจุดในวิดีโอที่มันถูกพูดขึ้น ถ้าคุณถอดเสียงบรรยายเพื่อจะกระโดดไปดูสิบนาทีที่สำคัญ timestamp คือฟีเจอร์หลักเลย แต่ถ้าถอดเสียงเพื่ออ่านครั้งเดียวแล้วไม่เปิดวิดีโออีก มันก็แค่รกหน้าจอ ตัดสินใจก่อนเริ่มว่าคุณต้องการแบบไหน เพราะถ้ามาเพิ่มทีหลังก็ต้องทำงานสองรอบ
คาดหวังได้ว่าข้อความจะสะท้อนสภาพของการบันทึกที่มันมาจาก การรู้จำเสียงพูดทำงานกับสิ่งที่ถูกอัดมาจริงๆ และการบันทึกที่ทำในห้องที่มีคนพูดทับกันย่อมให้ข้อมูลน้อยกว่าการบันทึกที่เสียงสะอาด การแยกเสียงออกจากวิดีโอไม่ได้ทำให้เสียงดีขึ้น มันแค่แยกสิ่งที่มีอยู่แล้วออกมาต่างหาก ถ้าเสียงต้นทางไม่ดี คุณจะต้องแก้ข้อความถอดเสียงเอง และไม่มีขั้นตอนก่อนหน้านี้ตัวใดแก้ปัญหานี้ให้ได้
และควรยอมรับว่าบางส่วนของวิดีโอจะหายไปไม่รอดถึงปลายทาง สไลด์ แผนภาพ อะไรที่เขียนบนไวท์บอร์ด ใครกำลังชี้ไปที่อะไร ทั้งหมดนี้หลุดออกไป เพราะคุณตั้งใจทิ้งภาพเพื่อให้ได้ไฟล์ที่จัดการง่ายขึ้น สำหรับการสนทนาทั่วไป การเสียส่วนนี้ไม่มีผลอะไร แต่สำหรับการสาธิตหรือการนำเสนอ ข้อความถอดเสียงเป็นแค่ครึ่งหนึ่งของบันทึกทั้งหมด และควรเก็บวิดีโอต้นฉบับไว้ควบคู่กันไปด้วย
