วิธีถอดไฟล์บันทึกการสนทนาทางโทรศัพท์ให้เป็นข้อความ

สรุปสาระสำคัญ

ก่อนจะถอดไฟล์บันทึกการโทรเป็นข้อความ ต้องมั่นใจก่อนว่าการบันทึกครั้งนั้นทำได้โดยชอบด้วยกฎหมายในที่ที่คู่สนทนาอยู่ กฎหมายแต่ละที่ไม่เหมือนกัน บางแห่งต้องให้ทุกคนในสายยินยอม บางแห่งขอแค่คนเดียวก็พอ และคำตอบนั้นถูกกำหนดไปแล้วตั้งแต่วินาทีที่คุณกดปุ่มอัด หลังจากนั้นจึงเหลือแค่ปัญหาทางเทคนิค เสียงจากสายโทรศัพท์เป็นเสียงแบบแถบความถี่แคบ (narrowband) โคเดกจึงตัดรายละเอียดที่ระบบถอดเสียงต้องใช้ทิ้งไป และไฟล์จำนวนมากยังรวมเสียงทั้งสองฝั่งไว้ในช่องเดียว ทำให้การแยกว่าใครพูดตอนไหนไม่แน่นอน สิ่งที่เพี้ยนง่ายที่สุดคือตัวเลข การสะกดชื่อ และที่อยู่ ตรงนี้ให้ย้อนไปฟังเสียงจริงแทนที่จะเชื่อข้อความ

คุณมีไฟล์อยู่ไฟล์หนึ่ง มีใครบางคนพูดอะไรที่สำคัญเอาไว้ — ตัวเลข วันที่ ชื่อ หรือคำรับปาก — และคุณอยากได้มันในรูปข้อความเพื่อจะได้ชี้ให้ดูได้ทีหลัง การเปลี่ยนไฟล์ให้เป็นข้อความคือส่วนที่ง่ายที่สุด สองเรื่องที่ตัดสินว่าคุณจะได้อะไรที่พึ่งพาได้จริงหรือไม่นั้น เกิดขึ้นไปแล้วก่อนที่คุณจะเปิดไฟล์ด้วยซ้ำ นั่นคือการบันทึกครั้งนั้นทำได้หรือไม่ และเสียงถูกเก็บมาอย่างไร

เริ่มจากเรื่องกฎหมายก่อน เพราะมันไม่ได้ขึ้นกับเรื่องเทคนิคใด ๆ และไม่ว่าจะถอดข้อความอย่างประณีตแค่ไหนก็ช่วยไฟล์ที่ไม่ควรมีอยู่ตั้งแต่แรกไม่ได้

เรื่องแรกคือการบันทึกนั้นชอบด้วยกฎหมายหรือไม่

การสนทนาทางโทรศัพท์จะบันทึกได้หรือไม่ ขึ้นอยู่กับว่าคู่สนทนาอยู่ที่ไหน กฎหมายของแต่ละที่ต่างกัน บางแห่งกำหนดว่าทุกคนในสายต้องยินยอม บางแห่งกำหนดเพียงว่าคนใดคนหนึ่งยินยอมก็พอ ซึ่งอาจหมายถึงตัวคนที่กดอัดเอง นี่คือกฎคนละแบบกันจริง ๆ และคุณไม่มีทางรู้จากไฟล์เสียงว่ากฎข้อไหนใช้กับกรณีของคุณ

นี่เป็นคำถามทางกฎหมาย ไม่ใช่คำถามทางเทคนิค และนั่นสำคัญกว่าที่ฟังดู เพราะมันแปลว่าคำตอบถูกล็อกไว้แล้วตั้งแต่ตอนที่บันทึก สิ่งที่คุณทำหลังจากนั้นเปลี่ยนอะไรไม่ได้ ถอดเป็นข้อความก็ไม่เปลี่ยน ลบบางช่วงทิ้งก็ไม่เปลี่ยน ไปขอความยินยอมจากอีกฝ่ายทีหลังก็ไม่ทำให้การบันทึกครั้งแรกกลายเป็นอย่างอื่นย้อนหลังได้

ถ้าคุณสองคนไม่ได้อยู่ในที่เดียวกัน ก็อาจมีกฎมากกว่าหนึ่งชุดเข้ามาเกี่ยวข้อง และนั่นคือสถานการณ์ที่ควรถามคนที่รู้กฎหมายในพื้นที่ของคุณจริง ๆ แทนที่จะเดาจากสิ่งที่อ่านเจอมา คุยกันไม่นานหรอก และควรคุยก่อนที่จะเอาไฟล์นั้นไปต่อยอดเป็นอะไรทั้งสิ้น

ทั้งหมดนี้ไม่ใช่เหตุผลให้ทิ้งไฟล์ที่คุณมีอยู่แล้ว การบันทึกสายจำนวนมากทำโดยที่ทุกฝ่ายรู้เห็น หรือทำในที่ที่ความยินยอมของคนเดียวก็เพียงพอ หรือทำโดยคนที่อยู่ในสายนั้นเองเพื่อเก็บไว้ทบทวน แต่ให้เคลียร์คำถามนี้ให้จบก่อนจะส่งต่อข้อความถอดเสียง ก่อนจะยกมาอ้าง หรือก่อนจะแนบไปกับอะไรก็ตาม ข้อความเดินทางไปได้ไกลกว่าไฟล์เสียงมาก และเดินทางเร็วกว่าด้วย

ทำไมเสียงจากสายโทรศัพท์จึงยากกว่าเสียงที่อัดในห้อง

สายโทรศัพท์เป็นเสียงแบบแถบความถี่แคบ โคเดกที่ใช้ส่งสัญญาณตัดเสียงทิ้งไปจำนวนมากก่อนที่อะไรจะถูกเขียนลงไฟล์ด้วยซ้ำ เพราะมันแค่ต้องเก็บไว้พอให้คนฟังตามบทสนทนาแบบเรียลไทม์ได้เท่านั้น คนเราเก่งมากในการเติมช่องว่างจากบริบท ระบบถอดเสียงไม่ได้เก่งขนาดนั้น และรายละเอียดที่มันจะใช้แยกเสียงหนึ่งออกจากอีกเสียงที่คล้ายกันก็คือส่วนที่ถูกตัดทิ้งไปแล้ว

นี่คือเหตุผลที่คนพูดคนเดียวกัน ประโยคเดียวกัน จะถอดออกมาแม่นกว่าถ้าอัดจากเครื่องบันทึกที่วางอยู่บนโต๊ะ เทียบกับอัดจากสายโทรศัพท์ ไม่ใช่เพราะซอฟต์แวร์ตัวหนึ่งดีกว่าอีกตัว แต่เพราะข้อมูลนั้นไม่มีอยู่ในไฟล์สายโทรศัพท์ตั้งแต่แรก ไม่มีขั้นตอนไหนหลังจากนั้นกู้คืนได้ ไม่ว่าจะลดเสียงรบกวน ปรับระดับเสียงให้เท่ากัน หรือเอาไฟล์ไปเข้าเครื่องมืออีกตัว คุณกำลังทำงานกับสิ่งที่รอดจากโคเดกมาได้เท่านั้น

พอบวกสภาพจริงของการคุยโทรศัพท์เข้าไป มันยิ่งบางลง คนหนึ่งเดินไปคุยไป อีกคนสัญญาณไม่ดี เสียงหายเป็นพยางค์ ๆ บางทีก็พูดแทรกกัน ถ้าเป็นการอัดในห้อง เสียงที่พูดทับกันก็ยากอยู่แล้ว แต่ในไฟล์สายโทรศัพท์ที่ถูกบีบอัด มันมักจะกู้ไม่ได้เลย และข้อความที่ได้จะเลือกเก็บเสียงหนึ่งแล้วตัดอีกเสียงทิ้งไปเงียบ ๆ แทนที่จะบอกคุณว่ามันจับไม่ทัน

การเปิดลำโพงแล้วอัดด้วยอีกเครื่อง

การเปิดสายผ่านลำโพงแล้วใช้โทรศัพท์อีกเครื่องหรือเครื่องบันทึกพกพาอัดไว้ ดูเหมือนเป็นทางออก แต่จริง ๆ แล้วแย่กว่าไฟล์ต้นทาง เสียงจากปลายสายถูกบีบให้เหลือแถบความถี่แคบไปแล้วรอบหนึ่ง แล้วคุณกำลังอัดเสียงที่ถูกบีบนั้นซ้ำอีกทีหลังจากมันออกลำโพงเล็ก ๆ สะท้อนผนัง ปนกับเสียงก้องในห้องและเสียงอื่น ๆ รอบตัว คุณเก็บความสูญเสียทุกอย่างจากโคเดกไว้ครบ แล้วเพิ่มอีกชั้นทับลงไป

ถ้ามีอุปกรณ์หรือบริการที่บันทึกสายได้โดยตรง ให้ใช้ทางนั้น การอัดผ่านลำโพงคือทางเลือกสุดท้าย และควรรู้ว่ามันเป็นทางเลือกสุดท้ายตั้งแต่ก่อนจะไปพึ่งพามันกับเรื่องที่ต้องการความแม่นยำ

ช่องเสียงหนึ่งหรือสองช่อง ตัดสินว่าจะแยกผู้พูดได้หรือไม่

ไฟล์บันทึกสายจำนวนมากรวมเสียงทั้งสองฝั่งไว้ในช่องเดียว ทุกอย่างไหลมารวมกันเป็นสตรีมเดียว และสัญญาณที่ชัดเจนที่สุดในการแยกคนสองคนออกจากกัน — คือแต่ละคนอยู่ฝั่งไหนของสาย — ก็หายไป สิ่งที่เหลือคือตัวเสียงเอง ระดับเสียงสูงต่ำ จังหวะการพูด และน้ำเสียง ซึ่งได้ผลดีกับเสียงสองเสียงที่ต่างกันชัด แต่แย่ลงเมื่อเสียงคล้ายกัน และแย่ลงอีกกับเสียงแถบความถี่แคบ เพราะลักษณะเฉพาะของเสียงที่จะใช้แยกกันได้นั้นเป็นรายละเอียดประเภทที่โคเดกตัดทิ้งไปพอดี

ถ้าไฟล์เก็บทั้งสองฝั่งไว้เป็นคนละช่อง การระบุผู้พูดจะเชื่อถือได้มากกว่ามาก เพราะหนึ่งช่องคือหนึ่งคน ไม่ต้องเดาอะไรเลย ถ้าเครื่องมือที่คุณใช้บันทึกมีตัวเลือกนี้ให้ นี่คือการตั้งค่าที่ควรไปหาให้เจอ และควรหาก่อนโทร ไม่ใช่หลังวางสาย

เวลาทำงานกับไฟล์ที่รวมช่องเสียงไว้ด้วยกัน ให้ถือว่าป้ายชื่อผู้พูดเป็นการเดาที่ช่วยได้ ไม่ใช่บันทึกที่ถูกต้อง โดยทั่วไปมันจะถูกตลอดช่วงที่คนหนึ่งพูดยาว ๆ ไม่มีใครแทรก แต่จะพลาดตรงจุดที่สลับคนพูด โดยเฉพาะตอนที่ทั้งสองคนพูดแทรกกัน ถ้าประเด็นของข้อความถอดเสียงคือ “ใครตกลงอะไร” จุดสลับผู้พูดคือจุดที่คุณต้องการความถูกต้องที่สุดพอดี ฉะนั้นให้สุ่มตรวจช่วงเหล่านั้นกับเสียงจริง

การดึงข้อความออกจากไฟล์

เมื่อส่งออกไฟล์บันทึกสายมาแล้ว มันก็เลิกเป็น “สายโทรศัพท์” มันคือไฟล์เสียงธรรมดาไฟล์หนึ่ง และถอดเป็นข้อความได้เหมือนไฟล์เสียงอื่น ๆ ขั้นตอนการส่งออกต่างกันไป แอปบันทึกเสียง ระบบโทรศัพท์ขององค์กร และผู้ให้บริการเครือข่ายแต่ละเจ้าไม่เหมือนกัน แต่ตัวเลือกมักซ่อนอยู่ใต้ปุ่มแชร์หรือเมนูจุดสามจุดบนรายการบันทึกนั้นเอง เอาไฟล์ออกมาให้ได้ก่อน แล้วเลิกมองมันเป็นการโทร เริ่มมองมันเป็นไฟล์เสียง

จากตรงนั้นขั้นตอนก็เหมือนกับไฟล์เสียงทั่วไปที่ต้องการแปลงเป็นข้อความ SozAI ถอดเสียงไฟล์บันทึกบน iOS, Android และ macOS พร้อมป้ายชื่อผู้พูด สรุปเนื้อหา และการแปลกว่า 99+ ภาษา คุณดาวน์โหลดแอปได้ที่นี่ และวิธีเดียวกันนี้ใช้กับข้อความเสียงฝากไว้ได้ด้วย เพราะเป็นเสียงแถบความถี่แคบด้วยเหตุผลเดียวกันและมีพฤติกรรมเหมือนกัน นี่เป็นทางเลือกหนึ่งในหลาย ๆ ทาง และตัวเลือกเครื่องมือสำคัญน้อยกว่าคุณภาพของไฟล์ที่คุณป้อนเข้าไป

ถ้าสิ่งที่คุณมีไม่ใช่สายเดียว แต่เป็นทั้งโฟลเดอร์ที่สะสมมาหลายเดือน โจทย์จะเปลี่ยนรูปไป การถอดทุกไฟล์เพื่อจะหาประโยคเดียวมักเป็นสัญชาตญาณที่ผิด เป้าหมายที่มีประโยชน์กว่าคือการค้นหาจากกองไฟล์บันทึกสายที่ค้างอยู่ ไม่ใช่การนั่งอ่านมันทั้งหมด

ถ้าไฟล์นั้นอาจถูกใช้เป็นหลักฐาน

ไฟล์ที่บันทึกไว้เตือนความจำตัวเองว่าคุยอะไรกัน กับไฟล์ที่ใช้เป็นหลักฐาน ถูกวัดด้วยมาตรฐานคนละแบบ ถ้าเก็บไว้ใช้ส่วนตัว ข้อความถอดเสียงที่ยังหยาบอยู่บ้างก็ไม่เป็นไร เพราะคุณรู้อยู่แล้วว่าเกิดอะไรขึ้นและข้อความเป็นแค่ตัวช่วยจำ แต่ถ้าเป็นเรื่องที่เป็นทางการ ไฟล์ต้นฉบับมักต้องถูกเก็บรักษาไว้โดยไม่แก้ไข

นั่นแปลว่าต้องเก็บไฟล์ไว้ตามที่ออกมาจากเครื่องเป๊ะ ๆ อย่าตัดช่วงเงียบตอนต้นออก อย่าตัดช่วงกลางที่ไม่เกี่ยวข้องทิ้ง อย่าส่งออกใหม่เป็นอีกฟอร์แมตเพื่อให้ไฟล์เล็กลง และอย่าเอาไปผ่านเครื่องมือที่ปรับระดับเสียงแล้วเขียนไฟล์ใหม่ ทุกอย่างที่ว่ามาสร้างไฟล์ที่เป็นของสืบเนื่อง ในขณะที่สิ่งที่มีน้ำหนักคือไฟล์ต้นฉบับ ให้ทำงานจากสำเนา แล้วปล่อยต้นฉบับไว้เฉย ๆ

ในบริบทนั้น ข้อความถอดเสียงเป็นเอกสารประกอบการทำงานที่อยู่คู่กับไฟล์เสียง ไม่ใช่ตัวแทนของไฟล์เสียง มันช่วยให้คนหาช่วงสามสิบวินาทีที่เกี่ยวข้องเจอ ส่วนไฟล์เสียงคือสิ่งที่บอกว่าสามสิบวินาทีนั้นพูดอะไรจริง ๆ ส่วนคำถามว่าไฟล์บันทึกนั้นรับฟังเป็นพยานหลักฐานได้หรือไม่ เป็นอีกคำถามหนึ่ง และเป็นคำถามสำหรับคนเดียวกับที่คุณถามเรื่องความชอบด้วยกฎหมายของการบันทึก

สิ่งที่คุณยังต้องแก้เองด้วยมือ

ส่วนของบทสนทนาที่คนต้องการมากที่สุดหลังวางสาย คือตัวเลข การสะกดชื่อ และที่อยู่ — เลขอ้างอิง จำนวนเงิน นามสกุลสะกดอย่างไร ถนนเส้นไหน ซึ่งก็เป็นส่วนที่เสียงแถบความถี่แคบทำพังมากที่สุดพอดี เพราะมันไม่มีบริบทรองรับ ทั้งประโยคยังพอเดาย้อนจากคำรอบข้างได้ แต่ตัวเลขเจ็ดหลักทำแบบนั้นไม่ได้ ถ้าเลขหลักเดียวผิด ไม่มีอะไรในเสียงรอบ ๆ ส่งสัญญาณเตือน และข้อความจะแสดงมันออกมาด้วยความมั่นใจเรียบ ๆ เท่ากับทุกอย่างที่เหลือ

ฉะนั้นให้ถือว่าตัวเลข ชื่อ และที่อยู่ทุกตัวในข้อความถอดเสียงจากสายโทรศัพท์เป็นสิ่งที่ต้องไปตรวจสอบ ไม่ใช่สิ่งที่หยิบไปใช้ได้เลย หาจุดนั้นในข้อความ กระโดดไปยังนาทีนั้นในไฟล์เสียง แล้วฟัง ใช้เวลาชิ้นละนาทีเดียว และนี่คือความต่างระหว่างข้อความที่เอาไปทำอะไรต่อได้จริง กับข้อความที่แค่ “ดูน่าจะถูก” ถ้ารายละเอียดไหนสำคัญพอที่ผิดแล้วคุณเสียหาย นั่นแหละคือเกณฑ์ว่าต้องตรวจ ส่วนที่เหลือก็ตั้งความคาดหวังให้สอดคล้องกัน ข้อความถอดเสียงจากสายโทรศัพท์โดยทั่วไปเป็นบันทึกเนื้อหาสาระที่ดี — รูปร่างของบทสนทนา ใครเสนออะไร ตกลงอะไรกัน น้ำเสียงตอนที่เห็นไม่ตรงกัน แต่มันเป็นบันทึกรายละเอียดที่แม่นยำได้แย่กว่า และยิ่งแย่ลงตรงที่คนสองคนพูดพร้อมกันหรือตรงที่สัญญาณหลุด การรู้ว่าส่วนไหนเชื่อได้คือทักษะเกือบทั้งหมดของเรื่องนี้ ข้อความให้เวอร์ชันที่เร็วและค้นหาได้ของบทสนทนา พร้อมทางกลับเข้าไปในไฟล์เสียง ณ วินาทีที่คุณต้องการ มันไม่ได้มาแทนไฟล์เสียง และกับไฟล์แถบความถี่แคบ มันไม่มีวันแทนได้อยู่แล้ว