ถอดเสียงให้รู้ว่าใครพูดอะไร

สรุปสิ่งที่ควรรู้

ไฟล์ถอดเสียงอาจพูดถูกทุกคำแต่ใส่ชื่อคนพูดผิด เพราะการรู้จำคำพูดกับการระบุว่าใครเป็นคนพูดนั้นเป็นคนละงานกัน การระบุผู้พูดทำงานจากลักษณะของเสียง ดังนั้นมันจะทำงานได้ดีที่สุดเมื่อมีเสียงคนพูดไม่กี่คนที่ต่างกันชัดเจน และถูกอัดด้วยไมโครโฟนตัวเดียวในระดับความดังที่ใกล้เคียงกัน มันจะมีปัญหาเมื่อคนพูดแทรกกัน เมื่อมีคนพูดเสียงเบาหรือเข้าร่วมทีหลัง และมันจะไม่มีทางให้ชื่อจริงของใครมาเองได้ ส่วนนั้นคุณต้องเติมเข้าไปเอง

ถ้าคุณเคยเปิดไฟล์ถอดเสียงบทสนทนากลุ่มแล้วพบว่าครึ่งหนึ่งถูกใส่ชื่อผิดคน ตัวคำพูดเองน่าจะถูกต้องอยู่แล้ว ปัญหาอยู่อีกขั้นหนึ่ง คือส่วนที่ตัดสินว่าใครเป็นคนพูด ไม่ใช่ส่วนที่ตัดสินว่าพูดอะไร ส่วนนี้ทำงานด้วยข้อมูลคนละชุดและผิดพลาดในรูปแบบที่ต่างกัน และสิ่งที่กำหนดว่ามันจะทำงานได้ดีแค่ไหนนั้น ส่วนใหญ่ถูกตัดสินตั้งแต่ตอนอัดเสียง ก่อนที่ซอฟต์แวร์จะได้แตะไฟล์ด้วยซ้ำ

เรื่องนี้คุ้มค่าที่จะเข้าใจ ถ้าคุณกำลังจะอัดสัมภาษณ์ อัดงานเสวนา หรืออัดบทสนทนาในครอบครัว และคุณต้องรู้จริง ๆ ว่าใครพูดอะไร ไม่ใช่แค่พูดว่าอะไร บางส่วนเกี่ยวกับตำแหน่งที่คุณวางไมโครโฟน บางส่วนคือการยอมรับว่าบางสถานการณ์จะไม่มีทางแยกผู้พูดได้สะอาดหมดจด ไม่ว่าจะรันผ่านโปรแกรมไหนก็ตาม

สองงานที่แยกจากกัน แต่มารวมอยู่ในไฟล์เดียว

การรู้จำคำพูดกับการตัดสินว่าใครเป็นคนพูดนั้น ไม่ใช่งานเดียวกัน แม้ผลลัพธ์จะมาอยู่ในเอกสารเดียวกันก็ตาม งานแรกฟังเสียงแล้วตีความเป็นภาษา ซึ่งแทบไม่สนใจว่าเสียงนั้นเป็นของใคร งานที่สองฟังเสียงเดียวกันแต่ถามคำถามคนละแบบ คือเสียงนี้ตรงกับเสียงเมื่อสองประโยคก่อนหรือไม่ หรือนี่คือคนพูดคนใหม่ คำถามที่สองนี้ตอบได้จากลักษณะของเสียง เช่น ระดับเสียง น้ำเสียง จังหวะการพูด ซึ่งเป็นเหมือนลายนิ้วมือทางเสียงของแต่ละคน ไม่ใช่จากตัวคำพูดเอง

นี่คือเหตุผลที่ไฟล์ถอดเสียงอาจถูกต้องทุกคำเป๊ะ แต่ยังใส่ชื่อคนพูดผิดได้ การถอดเสียงทำสำเร็จ แต่การแยกผู้พูดทำไม่สำเร็จ ทั้งสองอย่างล้มเหลวแยกจากกันได้ และเมื่อมีคนบอกว่าไฟล์ถอดเสียง ‘ผิด’ ควรตรวจดูก่อนว่างานส่วนไหนที่ล้มเหลวจริง ๆ เพราะวิธีแก้จะต่างกันไปตามคำตอบนั้น

อะไรที่ทำให้การแยกผู้พูดทำงานได้ดี

การแยกผู้พูดจะทำงานได้ดีที่สุดเมื่อมีเสียงคนพูดจำนวนไม่มากที่ฟังแล้วต่างกันชัดเจน ทั้งหมดถูกอัดด้วยไมโครโฟนตัวเดียวที่ได้ยินทุกคนในระดับความดังใกล้เคียงกัน นั่นคือสถานการณ์ที่ดีที่สุด คือคนพูดสองถึงสามคน เสียงต่างกันชัด และมีอุปกรณ์อัดเสียงเครื่องเดียววางอยู่ในจุดที่ได้ยินทั้งห้องอย่างเสมอกัน

ทุกครั้งที่เบี่ยงเบนไปจากภาพนี้ ย่อมมีต้นทุนตามมา คนพูดมากขึ้นหมายถึงโอกาสที่เสียงสองคนจะฟังคล้ายกันจนแยกไม่ออกก็มากขึ้น เสียงที่ฟังคล้ายกัน เช่น คนสองคนที่อายุใกล้กันและสำเนียงคล้ายกัน จะแยกยากกว่าเสียงทุ้มกับเสียงแหลม และถ้าคนหนึ่งถูกอัดเสียงดังกว่าอีกคนมาก ระบบก็จะเริ่มปฏิบัติกับความต่างของความดังเสียง เสมือนเป็นความต่างของตัวผู้พูด ซึ่งมันไม่ใช่

เรื่องเหล่านี้ไม่ได้ซับซ้อนหรือแปลกอะไร มันใกล้เคียงกับสิ่งที่คนทั่วไปจะสังเกตได้เองด้วย ถ้าเขาหลับตาแล้วตั้งใจฟัง ข้อได้เปรียบของซอฟต์แวร์คือความอดทนและความสม่ำเสมอตลอดการฟังเป็นชั่วโมง ไม่ใช่การมีสัมผัสพิเศษที่คนฟังไม่มี

จุดที่ระบบเอาไม่อยู่ คนพูดพร้อมกัน

มีสถานการณ์หนึ่งที่ทำให้การใส่ชื่อผู้พูดพังลงได้เสมอ และการตั้งค่าที่ดีแค่ไหนก็แก้ไม่ได้ นั่นคือการพูดแทรกกันจริง ๆ เมื่อสองคนพูดพร้อมกันในจังหวะเดียวกัน ระหว่างที่เสียงทับกัน ไม่มีสัญญาณที่สะอาดของเสียงใดเสียงหนึ่งเลย เสียงที่ได้คือการผสมกันของทั้งสองเสียง จึงไม่มีอะไรให้ระบุแยกได้อย่างชัดเจน สิ่งที่มักเกิดขึ้นคือคำพูดของคนหนึ่งจะถูกรวมเข้าไปในช่วงพูดของอีกคน ทำให้ไฟล์ถอดเสียงแสดงเป็นคำพูดต่อเนื่องของคนเดียว ทั้งที่จริงเป็นคนสองคนพูดพร้อมกัน

นี่ไม่ใช่ข้อบกพร่องที่รอแก้ไขในอนาคต แต่เป็นข้อจำกัดที่อยู่ในธรรมชาติของปัญหานี้เอง คุณไม่สามารถแยกเสียงสองเสียงที่ทับกันออกเป็นสองสายที่สะอาดได้ในภายหลังอย่างน่าเชื่อถือ สิ่งที่ควรคาดหวังตามจริงคือ ส่วนใดของการอัดเสียงที่มีการพูดทับกันจริง จะต้องมีคนมาตรวจแก้เองว่าใครพูดอะไร หรือไม่ก็ปล่อยให้ค้างอยู่ตามที่ระบบเดาไว้ ถ้าบทสนทนาของคุณมีคนพูดแทรกกันมาก เช่น เวทีเสวนาที่ถกเถียงกันดุเดือด หรือมื้อเย็นครอบครัวที่มีปากเสียง ควรวางแผนว่าช่วงนั้นของไฟล์ถอดเสียงจะต้องแก้มือ และไม่ควรตัดสินคุณภาพของทั้งเครื่องมือจากช่วงนั้นเพียงส่วนเดียว

ตำแหน่งไมโครโฟนสำคัญกว่าคุณภาพไมโครโฟน

ระยะห่างจากไมโครโฟนส่งผลต่อการแยกผู้พูดมากกว่าคุณภาพของไมโครโฟนเสียอีก โทรศัพท์ที่วางไว้กลางโต๊ะมักให้ผลการแยกผู้พูดที่ดีกว่าไมโครโฟนคุณภาพดีที่บังเอิญวางอยู่ใกล้แค่คนเดียว เพราะคนที่พูดเบาหรืออยู่ไกลจากไมค์คือกลุ่มแรกที่ระบบจะจับเสียงไม่ได้ ถ้ามีคนหนึ่งพูดเบากว่าคนอื่นอย่างสม่ำเสมอเพราะอยู่ไกลจากไมค์ที่สุด ความต่างของความดังนั้นอาจมีผลต่อการระบุผู้พูดมากกว่าความต่างของอุปกรณ์เสียอีก

สำหรับบทสนทนากลุ่ม ข้อนี้ชี้ไปที่กฎง่าย ๆ คือ วางอุปกรณ์อัดเสียงไว้ในจุดกึ่งกลาง ไม่ใช่จุดที่สะดวกที่สุด กลางโต๊ะ ไม่ใช่ปลายโต๊ะที่ใกล้เจ้าของงานที่สุด ถ้าคนกระจายอยู่ทั่วห้องมากกว่านั่งใกล้กัน นี่คือกรณีที่ยากกว่าไม่ว่าจะใช้อุปกรณ์อะไร และควรรู้เรื่องนี้ไว้ก่อนอัด ไม่ใช่มาพบทีหลัง

จากผู้พูดคนที่ 1 คนที่ 2 ไปสู่ชื่อจริง

ไม่มีอะไรในไฟล์เสียงเองที่บอกระบบถอดเสียงว่าใครชื่ออะไร ระบบรู้ได้แค่ว่ามีเสียงต่างกันสองเสียง แต่ไม่มีทางรู้ว่าเสียงหนึ่งชื่อปรียา อีกเสียงชื่อทอม ผลลัพธ์ที่ได้จึงถูกใส่ป้ายกำกับแบบไม่มีชื่อ เช่น ผู้พูดคนที่ 1 ผู้พูดคนที่ 2 ไปเรื่อย ๆ การเปลี่ยนป้ายเหล่านั้นให้เป็นชื่อจริงเป็นขั้นตอนที่ต้องทำมือ และทำครั้งเดียวพอ โดยทำที่ด้านบนของไฟล์ถอดเสียง จับคู่ป้ายกำกับแต่ละอันกับชื่อคน

สิ่งเดียวที่ทำให้ขั้นตอนนี้ง่ายขึ้นแทนที่จะน่าเบื่อ คือการให้ทุกคนพูดชื่อตัวเองออกมาดัง ๆ ช่วงต้นของการอัดเสียง ใช้เวลาแค่สิบวินาที แต่ให้จุดอ้างอิงที่ชัดเจน คุณจะรู้ว่าเสียงที่พูดว่า ‘นี่คือทอม’ ในช่วงต้นนั้น คือเสียงที่ต้องใส่ชื่อทอมไปตลอดทั้งเอกสาร ถ้าข้ามขั้นตอนนี้ไป คุณจะต้องมาจับคู่เสียงกับชื่อจากความจำหรือบริบทเอง ซึ่งทำได้แต่ใช้เวลานานขึ้นและผิดพลาดง่ายขึ้นเมื่อมีคนพูดมากขึ้น

ถ้าคุณกำลังจะอัดสัมภาษณ์โดยเฉพาะ นิสัยนี้คุ้มค่าที่จะฝึกให้เป็นส่วนหนึ่งของการเริ่มทุกครั้ง ดูรายละเอียดเพิ่มเติมได้ที่ การถอดเสียงบทสัมภาษณ์ เกี่ยวกับวิธีตั้งต้นให้ดีตั้งแต่นาทีแรก ส่วนขั้นตอนแปลงไฟล์เสียงที่อัดไว้เสร็จแล้วให้เป็นข้อความพร้อมชื่อผู้พูด การแปลงไฟล์เสียงเป็นข้อความ จะครอบคลุมขั้นตอนการแปลงจริง ๆ และแอปอย่างแอปถอดเสียงจาก SozAI สามารถสร้างป้ายกำกับผู้พูด สรุปเนื้อหา และแปลภาษาได้หลากหลายภาษาเมื่อคุณมีไฟล์เสียงแล้ว การใส่ชื่อผู้พูดจริงยังคงเป็นสิ่งที่คุณต้องทำเอง แต่เป็นส่วนที่ใช้เวลาน้อยที่สุด

สิ่งที่ควรคาดหวังตามจริง

แม้จะตั้งค่าดีแล้ว ก็มีบางสถานการณ์ที่ให้ผลลัพธ์ไม่สมบูรณ์แบบได้เสมอ และควรรู้ไว้ล่วงหน้า มากกว่าจะมองว่าเป็นความล้มเหลว

• คนที่เข้าร่วมกลางระหว่างการอัด หลังจากที่ระบบตั้งโปรไฟล์เสียงของแต่ละคนไว้แล้ว มักถูกรวมเข้าไปกับผู้พูดคนที่มีอยู่แล้ว มากกว่าจะได้ป้ายกำกับใหม่ของตัวเอง
• คนที่พูดแค่ไม่กี่คำตลอดการอัด เช่น การตอบรับสั้น ๆ หรือคำถามหนึ่งประโยค มักถูกรวมเข้ากับคนที่พูดอยู่รอบ ๆ เขา เพราะเสียงของเขามีไม่พอให้ระบบสร้างโปรไฟล์แยกได้
• การพูดทับกันจริง ๆ ตามที่กล่าวไปข้างต้น มักถูกยุบให้กลายเป็นช่วงพูดของคนเดียว
• กลุ่มใหญ่ที่มีเสียงคล้ายกันหลายคนจะเกิดการใส่ชื่อผิดมากกว่ากลุ่มเล็กที่มีเสียงต่างกันชัดเจน เพราะมีโอกาสสับสนมากขึ้นตามจำนวนคน

เรื่องเหล่านี้ไม่ใช่เหตุผลให้เลิกถอดเสียงไฟล์ที่ซับซ้อน แต่เป็นเหตุผลให้คาดหวังว่าจะต้องแก้มือสั้น ๆ ในช่วงที่เกิดปัญหาเหล่านี้ มากกว่าจะคิดว่าต้องตรวจทั้งเอกสารใหม่หมด ถ้าคุณกำลังจะอัดเสียงที่รู้อยู่แล้วว่าจะซับซ้อนแบบนี้ ก็คุ้มค่าที่จะตัดสินใจไว้ก่อนว่าต้องการถอดทุกคำ หรือแค่จุดสำคัญที่มีชื่อผู้พูดกำกับไว้ การถอดทุกคำไม่ใช่ตัวเลือกที่มีประโยชน์เสมอไป โดยเฉพาะกับไฟล์เสียงยาว ๆ ที่คุณต้องการรู้แค่ว่าใครรับปากอะไรไว้บ้าง ซึ่งเป็นแบบการใช้งานที่กล่าวถึงใน การเปลี่ยนไฟล์เสียงเป็นสรุปการประชุม และถ้าคุณอยากทดสอบก่อนว่าไฟล์เสียงหนึ่ง ๆ จะถูกใส่ชื่อผู้พูดออกมาเป็นอย่างไร ก่อนจะลงมือกับไฟล์ยาว ลองโหลดแอปจาก หน้าดาวน์โหลด แล้วลองอัดตัวอย่างสั้น ๆ ดูก่อน จะบอกอะไรคุณได้มากกว่าคำแนะนำทั่ว ๆ ไป

สิ่งที่ส่งผลจริงต่อผลลัพธ์

ถ้าจะจำอะไรจากเรื่องทั้งหมดนี้ไว้สักอย่าง ก็คือการอัดเสียงสำคัญกว่าตัวซอฟต์แวร์ ไมโครโฟนที่วางตรงกลาง คนพูดจำนวนไม่มากที่เสียงต่างกันชัดเจน ทุกคนบอกชื่อตัวเองตอนเริ่ม และการยอมรับว่าเสียงที่พูดทับกันจะต้องมาตรวจแก้เอง ทั้งหมดนี้รวมกันจะพาคุณไปได้ไกลกว่าการตั้งค่าหรือฟีเจอร์ใด ๆ ที่ทำทีหลัง ขั้นตอนการใส่ชื่อผู้พูดกำลังทำงานจริง แต่มันทำงานจากสิ่งที่การอัดเสียงมอบให้เท่านั้น และไฟล์เสียงที่อัดโดยคำนึงถึงการแยกผู้พูดไว้ตั้งแต่ต้น จะให้ผลการใส่ชื่อที่ดีกว่าไฟล์ที่อัดโดยไม่ได้คิดถึงเรื่องนี้เสมอ ไม่ว่าจะใช้อะไรถอดเสียงในขั้นตอนต่อไปก็ตาม