Головне
Єдиної цифри точності не існує, і будь-який відсоток, який ви десь бачили, стосується однієї конкретної системи на одному конкретному записі. Чистий запис одного мовця та галасливу групову розмову розділяє така відстань, що жоден відсоток не описує обидва випадки одразу. Результат передбачає сам запис: відстань до мікрофона, фоновий шум, накладання голосів, охоплення акцентів. Помилки також групуються — більшість тексту виходить нормальною, а от імена, спеціальні терміни, цифри й моменти, коли люди говорять одночасно, страждають найбільше. Щоб знайти потрібний момент у записі, цього достатньо. Якщо ж ви плануєте цитувати, кожен рядок варто перевірити на слух.
Ви, напевно, десь бачили відсоток точності, приписаний якомусь інструменту транскрибації. Це справжній вимір чогось конкретного. Просто це не вимір того, що станеться, коли ви завантажите туди власний запис, і сприймати таку цифру як обіцянку — це прямий шлях до розчарування в найгірший можливий момент.
Корисне питання не «наскільки точна автоматична транскрипція загалом». Питання в тому, чи буде отриманий текст достатньо якісним саме для того, що ви з ним плануєте робити. Це різні питання з різними відповідями, бо один і той самий файл може чудово підійти для пошуку потрібного моменту й водночас бути зовсім непридатним для цитування.
Цифра точності описує один запис, а не систему загалом
Будь-яке твердження про точність — це результат роботи конкретної системи з конкретним аудіо. Зміните аудіо — зміниться і цифра. Це не недолік вимірювання. Це і є суть вимірювання.
Уявіть два протилежні краї діапазону. Один мовець, близько до мікрофона, у тихій кімнаті, говорить поширеним акцентом про звичні речі. Це транскрибується дуже добре. А тепер уявіть чотирьох людей за столом у приміщенні з увімкненим кондиціонером, які перебивають одне одного, використовують професійний жаргон, причому двоє з них сидять за півтора метра від телефону. Це транскрибується значно гірше. Обидва випадки — чесні вимірювання однієї й тієї самої системи. Жодна єдина цифра не може описати обидва, і розрив між ними настільки великий, що усереднення теж втрачає сенс.
Тож коли ви бачите цифру без вказівки, на якому записі її отримали, найважливіша інформація — саме та, якої немає. Реально ви дізналися лише те, що хтось щось протестував. Орієнтир, який має значення саме для вас, — це ваш власний матеріал. Візьміть кілька хвилин запису, схожого на ті, з якими ви зазвичай працюєте, прогоніть через систему і звірте результат з аудіо на слух. Це дасть більше інформації, ніж будь-яке рекламне твердження, і займе менше часу, ніж читання оглядових статей.
Умови запису впливають на результат сильніше, ніж сам софт
Люди обирають інструмент, порівнюючи точність. Але для більшості записів це неправильний бік проблеми. Умови запису змінюють результат сильніше, ніж вибір конкретного рушія розпізнавання.
- Відстань до мікрофона. Кожен додатковий сантиметр відстані додає більше приміщення й менше голосу. Телефон на столі між двома людьми — це зовсім інший запис, ніж телефон, покладений перед однією з них.
- Фоновий шум. Вулиця, кафе, вентилятори, клавіатура. Шум не просто присутній поруч із мовою — він конкурує з нею, і слова, які втрачаються першими, — це тихі слова наприкінці речень.
- Накладання голосів. Коли двоє говорять одночасно, чистого сигналу для розпізнавання просто немає. Щось буде записано, і часто це буде змішання обох голосів.
- Охоплення акцентів. Деякі акценти представлені в даних, на яких навчалися ці системи, значно краще за інші, і саме на них, навіть на чистому аудіо, точність падає.
Інструменти справді відрізняються, і якщо ваш матеріал стабільно складний певним чином, варто протестувати кілька варіантів — це вартує пів дня. Але розрив між двома пристойними інструментами на однаковому аудіо зазвичай менший, ніж розрив між хорошим і поганим аудіо в межах одного інструмента. Наблизити мікрофон дає більше, ніж перейти на інший продукт. Якщо хочете зрозуміти, що софт робить із тим, що ви йому подаєте, загальний принцип роботи описаний у матеріалі про те, як працює транскрипція на основі ШІ — там пояснено, чому саме ці умови мають значення.
Помилки розподілені по файлу нерівномірно
Саме тут люди найчастіше потрапляють у пастку, і це важливіше за заголовну цифру точності. Помилки групуються. Основна частина тексту виходить чистою, а невдачі концентруються в кількох передбачуваних місцях: власні імена, технічна лексика, цифри та будь-які моменти, коли люди перебивають одне одного.
Подумайте, що це означає для читання результату. Сторінка звичайної розмови транскрибується добре і читається плавно. А потім трапляється прізвище, або назва продукту, або якесь число — і воно виявляється неправильним. Ніщо на сторінці не позначає цю відмінність. Неправильне слово стоїть у тому самому впевненому шрифті, що й правильні, серед речень, які написані вірно, — а це саме той контекст, який робить помилку правдоподібною. Текст може читатися чудово й водночас бути неправильним рівно в тих місцях, де ви хотіли б його використати.
У цього є причина. Звичайні слова обмежені всім, що їх оточує, тому якщо система щось не почула правильно, контекст дозволяє це виправити. Ім’я такими обмеженнями не володіє — майже будь-який звук може виявитися чиїмось ім’ям, і граматика тут нічим не допоможе відкинути неправильний варіант. Спеціальна термінологія має ту саму проблему, ще й ускладнену тим, що звичайне слово часто звучить достатньо схоже, щоб замінити технічний термін. Цифри — найгостріший випадок, бо невелика акустична різниця дає зовсім інше значення, а речення при цьому читається правильно в обох варіантах.
Пунктуація — це припущення про те, де закінчується речення
Автоматична пунктуація — це не транскрибація. Це висновок, зроблений на основі пауз, інтонації та ритму, про те, де закінчується одна думка й починається інша. У більшості випадків це припущення правильне, або принаймні достатньо правильне, щоб ніхто не помітив різниці.
Там, де воно неправильне, зміст зсувається. Крапка, поставлена посередині підрядного речення, може відірвати уточнення від того, до чого воно стосувалося, тож обережне твердження перетворюється на категоричне, а умовне — на стверджувальне. Кожне окреме слово може бути правильним, і водночас речення може говорити зовсім не те, що сказав мовець. Такий тип помилки непомітний на папері, бо там просто нічого помічати. Вичитуванням тексту таку помилку не виправити. Розібратися можна лише за допомогою аудіо.
У позначок мовців є схожа слабкість. Вони зазвичай правильні протягом усього періоду, коли говорить одна людина, і найменш надійні саме в моменти передачі слова — там коротка реплика може приписатися не тій людині. Якщо ви берете цитату з місця, де відбувається зміна мовця, цей рядок варто прослухати ще раз.
Визначайте стандарт залежно від того, для чого потрібен текст
Питання не в тому, чи транскрипція точна. Питання в тому, чи вона достатньо точна для конкретного завдання, а завдання відрізняються сильніше, ніж люди зазвичай очікують.
Якщо ви використовуєте текст, щоб щось знайти, розкидані помилки не мають значення. Ви пошукали слово, потрапили приблизно на потрібну хвилину, увімкнули аудіо. Текст виконав свою роботу навіть з викривленим іменем трьома рядками вище. Те саме стосується перегляду годинного запису, щоб вирішити, які двадцять хвилин варті вашої уваги, або перетворення записаного аудіо в текст, щоб прочитати його швидше, ніж прослухати.
Якщо текст планується цитувати, публікувати, подавати кудись офіційно або на нього спиратиметься людина, яка не була в тій кімнаті, стандарт інший, і тут компромісів немає. Кожен рядок, який ви плануєте використати, перевіряється на слух окремо. Не читання всього документа поспіль, а цілеспрямоване прослуховування кожного цитованого фрагмента, бо саме описані вище типи помилок читання не виявить. Це особливо важливо для будь-якого місця, де на цифрі чи імені тримається зміст усього речення.
Для робочого документа розумний варіант — застосунок. SozAI, доступний для iOS, Android і macOS, перетворює записи, аудіо- та відеофайли й посилання на YouTube у текст із позначками мовців, стислими підсумками та перекладом на понад 99 мов, і все одно варто перевіряти цитати за аудіо, як і з будь-яким автоматичним результатом.
Коли сам текст транскрипції — це і є кінцевий результат, доречний варіант — послуги ручної транскрибації людьми. Вони коштують дорожче, бо людина сидить і слухає, і саме за це ви платите: за того, хто почує ім’я і запише його правильно, хто зрозуміє, де закінчується речення, хто позначить фрагмент, який справді неможливо розібрати, а не вгадуватиме його. Якщо документ отримує клієнт, суд, архів чи видання, ця вартість купує щось реальне. Якщо текст — це інструмент, яким ви користуєтеся приватно, щоб швидше дістатися до аудіо, ця вартість купує те, що вам не потрібне.
Другий запис краще, ніж година виправлень
Покращити запис майже завжди дешевше, ніж покращити готовий текст. Десять хвилин, витрачені на те, щоб пересунути мікрофон, зачинити вікно, вимкнути вентилятор і попросити людей говорити по черзі, зекономлять більше роботи, ніж година виправлення тексту потім, і результат буде кращим, бо виправлений текст настільки хороший, наскільки вистачило вашого терпіння до кінця процесу.
Найлегше застосувати це до всього, що повторюється. Якщо ви регулярно записуєте один і той самий тип розмов, одне уважне налаштування процесу покращить усі майбутні записи. Це особливо важливо для інтерв’ю, де матеріал часто неповторний, а цитати — це весь сенс; практичні аспекти транскрибації інтерв’ю — це переважно практичні аспекти їх запису.
Іноді другої спроби не буває. Розмова відбулася один раз, телефон лежав у кишені, і це саме той запис, який у вас є. Тоді чесний підхід — перестати очікувати, що софт це врятує, і натомість закласти час на виправлення або передати запис людині. Складне аудіо не стає простим лише тому, що вам це потрібно.
Чого очікувати, коли ви відкриваєте файл
Очікуйте плавного, читабельного тексту з кількома неправильними іменниками в ньому. Очікуйте, що фрагменти, де люди перебивали одне одного, будуть скупими, спотвореними або просто непомітно відсутніми. Очікуйте пунктуаційних рішень, які ви самі б не обрали, і позначок мовців, які загалом правильні, але ненадійні саме в моменти зміни мовця. Не очікуйте жодних позначок, виділень чи знаків невпевненості. Документ виглядатиме однаково впевнено на всьому обсязі, але не буде однаково правильним на всьому обсязі.
Очікуйте, що імена та спеціальні терміни потребуватимуть перевірки незалежно від того, наскільки чистим був запис. Вони підводять і на хорошому аудіо, просто рідше.
І зберігайте аудіо. Автоматична транскрипція не може перевірити сама себе, а всі важливі перевірки передбачають прослуховування. Текст, за яким стоїть запис, — надійний робочий інструмент. Текст, у якого запис видалено, — це документ, який ніхто не може перевірити, включно з вами.
