เข้าใจข้อความเสียงที่เป็นภาษาที่คุณฟังไม่ออก

สรุปสิ่งสำคัญ

การทำความเข้าใจข้อความเสียงในภาษาที่คุณไม่รู้ ต้องผ่านสองขั้นตอนที่แยกจากกัน คือแปลงเสียงเป็นตัวอักษรในภาษาที่ผู้พูดใช้จริงก่อน แล้วจึงแปลข้อความนั้นอีกครั้ง แอปแปลภาษาที่คุณใช้อยู่จะเริ่มทำงานไม่ได้จนกว่าขั้นแรกจะเสร็จ เพราะมันรอให้คุณพิมพ์ ขั้นตอนถอดเสียงเป็นตัวอักษรนี่แหละที่ตัดสินคุณภาพทั้งหมด เพราะถ้าผิดตรงนี้ มันจะถูกแปลออกมาอย่างเนียนสนิทจนดูไม่เหมือนความผิดพลาดเลย ถ้าคุณทำทั้งสองขั้นตอนเอง ก็ไม่ต้องให้ใครมาฟังข้อความนั้นแทนคุณ

ข้อความเสียงส่งมาจากญาติ ซัพพลายเออร์ หรือเจ้าของบ้านที่คุณเช่าอยู่ คุณฟังจับได้บางคำ พอจะรู้ว่ามันสำคัญ แต่ไม่พอจะรู้ว่าเนื้อหาคืออะไร วิธีแรกที่นึกถึงคือเปิดแอปแปลภาษาที่มีอยู่ในมือถือ แต่วิธีนี้ใช้ไม่ได้ เพราะแอปรอให้คุณพิมพ์ และคุณพิมพ์สิ่งที่คุณฟังไม่ออกไม่ได้

วิธีที่สองคือส่งข้อความนั้นต่อให้คนที่พูดภาษานั้นได้ ซึ่งได้ผลจริง แต่ต้องแลกกับบางอย่างที่คุณอาจไม่อยากเสีย บทความนี้จะพูดถึงวิธีทำความเข้าใจข้อความเสียงโดยไม่ต้องพึ่งทั้งสองวิธีข้างต้น สิ่งที่เครื่องทำได้ดี และจุดที่มันพลาดบ่อย ๆ ซึ่งคุณสามารถจับสังเกตได้แม้ในภาษาที่คุณไม่เคยอ่านมาก่อน

ทำไมแอปแปลภาษาที่คุณมีอยู่แล้วถึงเริ่มงานไม่ได้

การแปลเสียงพูดจริง ๆ คือสองการทำงานที่ถูกเรียกด้วยชื่อเดียว อย่างแรกคือการถอดเสียงเป็นตัวอักษร คือแปลงเสียงให้เป็นข้อความในภาษาที่ผู้พูดใช้ อย่างที่สองคือการแปลภาษา คือแปลงข้อความนั้นให้เป็นภาษาที่คุณอ่านออก ทั้งสองอย่างเป็นกลไกคนละชุด ผิดพลาดได้คนละแบบ และเครื่องมือส่วนใหญ่ที่คนหยิบมาใช้ทำได้แค่อย่างที่สอง

นี่คือสาเหตุที่แอปในมือถือของคุณนั่งเฉย ๆ ทำอะไรไม่ได้ มันถูกออกแบบมาให้มีกล่องข้อความ พิมพ์เข้าไปแล้วได้ผลออกมา แต่พอส่งไฟล์เสียงให้ มันไม่มีอะไรให้ทำงานด้วยเลย บางแอปรับเสียงผ่านไมโครโฟนได้ ซึ่งช่วยได้เวลาคุณเป็นคนพูดเองและพูดซ้ำได้ แต่ช่วยได้น้อยมากเวลาเป็นการอัดเสียงคนอื่นพูดเร็ว ๆ ผ่านสัญญาณที่ไม่ดี

เมื่อเข้าใจลำดับการทำงานแล้ว ปัญหาจะเปลี่ยนรูปไปทันที คุณไม่ได้ตามหาตัวแปลภาษา คุณตามหาสิ่งที่จะแปลงข้อความเสียงให้เป็นตัวอักษรในภาษาต้นฉบับก่อน จากนั้นวิธีแปลภาษาที่คุณคุ้นเคยอยู่แล้วก็จะใช้ได้เหมือนเดิมทุกอย่าง อะไรก็ตามที่คุณใช้แปลข้อความอยู่แล้วใช้ได้กับครึ่งหลัง ส่วนครึ่งแรกคือสิ่งที่คุณต้องแก้ให้ได้ก่อน

ตรงนี้เองที่อธิบายเรื่องที่คนมักงงว่า ทำไมข้อความบางครั้งแปลออกมาเป็นภาษาไทยที่ลื่นไหล มั่นใจ แต่ผิดทั้งหมด เพราะครึ่งการแปลทำหน้าที่ของมันถูกต้องแล้ว มันแค่ได้รับข้อมูลตั้งต้นที่ผิด แล้วเรียบเรียงออกมาได้อย่างสวยงาม

ราคาที่ต้องจ่ายเมื่อขอให้คนอื่นฟังแทน

การส่งข้อความต่อให้เพื่อน ญาติ หรือเพื่อนร่วมงานที่บังเอิญพูดภาษานั้นได้ เป็นวิธีที่เร็วและมักถูกต้อง แต่ก็หมายความว่าคุณต้องยกเนื้อหาการสนทนาส่วนตัวทั้งหมดให้คนคนนั้นฟัง รวมทั้งน้ำเสียงด้วย

ถ้าเป็นข้อความเรื่องวันนัดส่งของ ไม่มีใครสนใจ แต่ถ้าเป็นข้อความเรื่องเงิน สุขภาพ หรือครอบครัว การคำนวณจะเปลี่ยนไปทันที ข้อความเสียงจากญาติเรื่องผลตรวจสุขภาพ ไม่ใช่สิ่งที่คุณอยากให้เพื่อนร่วมงานได้ยิน ข้อความจากเจ้าของบ้านเรื่องค้างค่าเช่า ก็ไม่ใช่สิ่งที่คุณอยากอธิบายให้เพื่อนฟังก่อนที่คุณจะตัดสินใจเรื่องนี้เองด้วยซ้ำ เช่นเดียวกับข้อความจากซัพพลายเออร์เรื่องเงินที่คุณอาจโอนผิด

ผลที่ตามมาคือข้อความนั้นถูกปล่อยทิ้งไว้โดยไม่เปิดอ่าน ไม่ใช่เพราะไม่สำคัญ แต่เพราะการจัดการกับมันหมายถึงต้องดึงคนอื่นเข้ามาเกี่ยวข้อง และการดึงคนอื่นเข้ามามีต้นทุนทางสังคมที่ต้องจ่ายก่อนที่คุณจะรู้ด้วยซ้ำว่าข้อความนั้นเขียนว่าอะไร คนจำนวนมากปล่อยข้อความเสียงทิ้งไว้เป็นวันเพราะเหตุผลนี้เป๊ะ ๆ ข้อความที่คุณอ่านไม่ออกมักเป็นข้อความที่คุณอยากให้คนอื่นอ่านออกเสียงให้ฟังน้อยที่สุด

นี่เป็นเหตุผลที่แท้จริงในการทำทั้งสองขั้นตอนด้วยตัวเอง และควรพูดตรง ๆ แบบนี้ ไม่ใช่มองว่าความเป็นส่วนตัวเป็นแค่ของแถม ประเด็นไม่ได้อยู่ที่ว่าการถอดเสียงด้วยเครื่องดีกว่าญาติของคุณ ญาติของคุณน่าจะเก่งกว่าด้วยซ้ำ ประเด็นคือคุณได้อ่านข้อความนั้นก่อนคนเดียว แล้วค่อยตัดสินใจทีหลังว่าจำเป็นต้องให้คนอื่นรู้ด้วยหรือไม่

ขั้นแรกเป็นตัวตัดสินคุณภาพของขั้นที่สอง

ผลลัพธ์ที่ใช้ได้จริงทั้งหมดขึ้นอยู่กับข้อความที่ถอดออกมาในภาษาต้นฉบับ ถ้าขั้นนี้ถูกต้อง การแปลภาษาก็เป็นเรื่องปกติธรรมดา ถ้าขั้นนี้ผิด ความผิดพลาดนั้นจะเดินทางต่อไปด้วย

ที่อันตรายคือตรงนี้ ถ้าข้อความที่ถอดออกมาในภาษาต้นฉบับมีจุดผิด และคุณอ่านภาษาต้นฉบับไม่ออก คุณจะไม่มีวันเห็นจุดผิดนั้นเลย มันจะถูกส่งเข้าสู่ขั้นตอนแปลภาษา ถูกแปลออกมาอย่างถูกต้องแม่นยำเป็นภาษาที่คุณอ่านออก และมาถึงคุณในรูปประโยคปกติธรรมดา ไม่มีจุดสะดุด ไม่มีอะไรเตือน คำที่ผิดแล้วรอดผ่านการแปลมาได้ จะดูเหมือนคำที่ถูกทุกประการ

ลองเทียบกับข้อความที่ถอดในภาษาที่คุณพูดได้เอง ซึ่งข้อผิดพลาดจะแสดงตัวออกมาทันที คุณอ่านประโยคหนึ่งแล้วรู้สึกว่าไม่สมเหตุสมผล ก็เปิดฟังเสียงซ้ำอีกครั้ง วงจรตรวจสอบแบบนี้ใช้ไม่ได้ในกรณีนี้ คุณกำลังอ่านผลลัพธ์จากกระบวนการที่คุณตรวจสอบเองไม่ได้

ผลในทางปฏิบัติคือ คุณควรตั้งข้อสงสัยกับข้อความที่ถอดเสียงในภาษาต้นฉบับมากกว่าคำแปล ถ้าอะไรในภาษาของคุณอ่านแล้วรู้สึกแปลก ๆ ความผิดพลาดมักไม่ได้อยู่ที่ขั้นแปลภาษา แต่เกือบทุกครั้งอยู่ที่คำที่ถอดเสียงผิดตั้งแต่แรก วิธีแก้คือดูข้อความต้นฉบับตรงจุดนั้น แล้วเปิดฟังเสียงตรงช่วงนั้นอีกครั้ง แม้จะฟังไม่เข้าใจก็ตาม การได้ยินว่าผู้พูดพูดคำสั้น ๆ ในจุดที่ข้อความถอดออกมายาว ก็บอกอะไรบางอย่างกับคุณได้แล้ว

ให้ระบบเดาภาษาก่อน แล้วค่อยตรวจสอบชื่อภาษานั้น

อุปสรรคที่พบทันทีคือ เครื่องมือบางตัวให้คุณเลือกภาษาต้นฉบับจากรายการก่อนที่มันจะทำงานอะไรได้เลย ถ้าคุณไม่มั่นใจว่าข้อความนี้เป็นภาษาอะไร และหลายคนก็แยกภาษาที่ใกล้เคียงกันไม่ออกด้วยการฟังอยู่แล้ว คุณก็กำลังเดาค่าที่จะกำหนดผลลัพธ์ทั้งหมด

การตรวจจับภาษาจากไฟล์เสียงเองช่วยตัดขั้นตอนนี้ออกไปได้ ส่วนขยาย SozAI สำหรับ WhatsApp บนเว็บ จะวิเคราะห์ภาษาจากไฟล์เสียงโดยตรงแทนที่จะให้คุณเลือกเอง แล้วแสดงป้ายกำกับบอกว่าระบบสรุปว่าเป็นภาษาอะไร ป้ายนี้แหละที่มีประโยชน์มาก เพราะเป็นวิธีจับได้ว่าระบบเดาผิดหรือไม่ ถ้าป้ายระบุภาษาที่คุณรู้ว่าผู้ส่งพูดไม่ได้แน่ ๆ ข้อความที่ถอดออกมาก็ไม่มีประโยชน์ให้อ่านต่อ และคุณจะรู้ได้ในพริบตาเดียว ไม่ต้องเสียเวลาอ่านจนงงไปสองพารากราฟก่อน

มีเรื่องหนึ่งที่ต้องรู้ไว้ก่อน คือสรุปที่ได้จะออกมาเป็นภาษาเดียวกับที่ข้อความเสียงพูด นั่นคือพฤติกรรมที่ถูกต้องสำหรับขั้นแรก และหมายความว่าข้อความที่คุณอ่านไม่ออกก็ยังเป็นข้อความที่คุณอ่านไม่ออกอยู่ดี คุณเพิ่งเปลี่ยนปัญหาจากเสียงมาเป็นปัญหาข้อความ ซึ่งเป็นเป้าหมายทั้งหมดของขั้นนี้ แต่ขั้นแปลภาษายังเป็นสิ่งที่คุณต้องทำเองต่อไป

ส่วนที่มักผิดพลาดที่สุด คือส่วนที่สำคัญที่สุด

การถอดเสียงอัตโนมัติทำได้ดีที่สุดกับคำพูดทั่วไปที่ต่อเนื่องกัน และแม่นยำน้อยที่สุดกับสามอย่างนี้ คือชื่อคน ชื่อสถานที่ และตัวเลข คำทั่วไปพอเดาได้จากคำรอบข้าง แต่นามสกุลเดาไม่ได้ ชื่อถนนเดาไม่ได้ ตัวเลขเดาไม่ได้

ลองนึกดูว่าข้อความเสียงส่วนใหญ่พูดถึงอะไร นัดเจอที่ไหน ค้างเงินเท่าไหร่ วันไหน ใครพูดอะไรกับใคร ข้อมูลที่คุณต้องการจริง ๆ กระจุกอยู่ในส่วนของข้อความที่ถอดออกมาแม่นยำน้อยที่สุด และในข้อความเรื่องที่อยู่หรือจำนวนเงิน ส่วนเหล่านั้นไม่ใช่แค่รายละเอียด มันคือเนื้อความจริง ๆ

ดังนั้นให้อ่านข้อความที่ถอดออกมาสองรอบ รอบแรกดูภาพรวมของข้อความ ใครพูด เรื่องอะไร ต้องตอบวันนี้หรือไม่ เชื่อได้ในส่วนนี้ รอบที่สองเน้นเฉพาะรายละเอียด ตรงนี้ต้องตรวจสอบ ไม่ใช่เชื่อทันที

• เปิดฟังเสียงช่วงสองสามวินาทีรอบตัวเลขที่ปรากฏ แล้วฟังตัวเลขตรง ๆ ซึ่งมักฟังออกได้แม้ไม่รู้ภาษานั้น
• ตรวจชื่อคนกับรายชื่อผู้ติดต่อของคุณหรือข้อความก่อนหน้า ไม่ใช่กับข้อความที่ถอดออกมา
• เทียบที่อยู่กับที่อยู่ที่คุณมีบันทึกไว้แล้วสำหรับคนนั้นหรือธุรกิจนั้น
• ถ้าจำนวนเงินเป็นตัวตัดสินว่าคุณจะทำอะไรต่อ ให้ยืนยันเป็นตัวหนังสือก่อนลงมือทำ

การขอให้ผู้ส่งยืนยันตัวเลขเป็นข้อความ ไม่ใช่การยอมรับว่าคุณไม่เข้าใจ มันคือสิ่งที่คุณจะทำอยู่แล้วถ้าได้ยินตัวเลขผ่านสายโทรศัพท์ที่สัญญาณไม่ดีในภาษาของคุณเอง

สิ่งที่วิธีนี้ทำให้คุณไม่ได้

วิธีนี้จะไม่ให้ข้อความมาในภาษาของคุณในขั้นตอนเดียว สองขั้นตอนก็คือสองขั้นตอน และข้อความที่ถอดออกมาจะเป็นภาษาที่พูดต้นฉบับเสมอ ถ้าคุณต้องการผลลัพธ์สุดท้ายเป็นภาษาของคุณโดยไม่ต้องแยกทำขั้นแปลภาษาเอง นั่นเป็นงานคนละแบบจากการถอดเสียงเพียงอย่างเดียว และ การแปลระหว่างภาษา คือสิ่งที่คุณควรมองหา หลักการเดียวกันนี้ใช้กับไฟล์เสียงที่คุณมีเป็นไฟล์ ไม่ใช่ข้อความ WhatsApp เช่น ไฟล์อัดเสียง ไฟล์แนบที่ส่งต่อมา หรือไฟล์ที่เซฟไว้จากมือถือ ซึ่ง แอปถอดเสียงเป็นข้อความ รองรับได้ ในขณะที่ส่วนขยายเบราว์เซอร์สำหรับ WhatsApp บนเว็บทำไม่ได้

วิธีนี้จะไม่บอกน้ำเสียงให้คุณ ข้อความสั้น ๆ ที่ถอดจากเสียงยาว ตัดความลังเล ความอบอุ่น ความหงุดหงิด และช่วงเงียบก่อนประโยคสำคัญออกไปหมด ถ้าคุณพยายามจะรู้ว่าญาติของคุณกังวลมากแค่ไหน ตัวอักษรเพียงอย่างเดียวไม่พอ ควรฟังเสียงอีกครั้งพร้อมข้อความที่ถอดไว้ตรงหน้า

วิธีนี้จะไม่น่าเชื่อถือกับเสียงที่อัดมาไม่ดี เสียงลม ลำโพงในรถ คนพูดพร้อมกันสองคน หรือข้อความเสียงที่อัดในทางเดิน เสียงต้นฉบับที่แย่จะให้ผลถอดเสียงที่ดูมั่นใจแต่ผิด ไม่ใช่ความล้มเหลวที่เห็นได้ชัด ซึ่งแย่กว่า เพราะมันดูเหมือนเสร็จสมบูรณ์แล้ว

และวิธีนี้จะไม่แทนญาติของคุณได้ในกรณีที่ข้อความนั้นกำกวมจริง ๆ สิ่งที่มันทำได้คือให้คุณรู้ก่อนว่าข้อความนั้นกำกวมหรือไม่ ก่อนที่จะให้คนอื่นฟัง ส่วนใหญ่คำตอบคือไม่กำกวม และคุณจัดการเองได้เลย เมื่อคำตอบคือกำกวมจริง คุณก็รู้แล้วว่าควรถามเจาะจงตรงช่วงสามสิบวินาทีไหน แทนที่จะยกไฟล์เสียงทั้งหมดให้คนอื่นฟัง