Основні висновки
Транскрипт може містити абсолютно правильні слова — і водночас приписувати їх не тій людині, тому що розпізнавання мови й визначення того, хто говорить, — це дві окремі операції. Визначення спікера працює на основі характеристик голосу, тож найкраще воно спрацьовує, коли є кілька чітко різних голосів, записаних одним мікрофоном приблизно на однаковій громкості. Система гірше справляється, коли люди перебивають одне одного, коли хтось говорить тихо або приєднується пізніше, і вона в принципі ніколи сама не підставить реальні імена — це ви додаєте вже потім.
Якщо ви колись відкривали транскрипт групової розмови й бачили, що половину реплік приписано не тій людині, — самі слова, ймовірно, були розпізнані правильно. Проблема на рівень вище, у тій частині процесу, яка вирішує, хто говорив, а не що було сказано. Ця частина працює з іншими даними і помиляється по-своєму, і майже все, що визначає, спрацює вона чи ні, вирішується ще на етапі запису — до того, як файл потрапить у будь-яку програму.
Це варто розуміти, якщо ви збираєтеся записувати інтерв’ю, панельну дискусію чи сімейну розмову і вам справді потрібно знати, хто що сказав, а не лише що було сказано. Частково справа в тому, куди ви поставите мікрофон. А частково — у тому, щоб прийняти: деякі ситуації ніколи не розмітяться чисто, хоч би через яку програму ви їх пропустили.
Дві різні задачі в одному транскрипті
Розпізнавання слів і визначення того, хто їх сказав, — це не одна задача, навіть якщо результат опиняється в одному документі. Перша задача слухає звук і розбирає мову — їй практично байдуже, чий голос це вимовляє. Друга задача слухає той самий звук, але ставить інше питання: цей голос збігається з тим, що звучав два речення тому, чи це вже новий спікер? Відповідь на це питання система шукає в характеристиках голосу — висоті, тембрі, темпі, акустичному «відбитку» мовлення людини, — а не в самих словах.
Саме тому транскрипт може бути ідеально точним слово в слово і водночас неправильно приписувати реплики. Розпізнавання мови спрацювало. Розділення по спікерах — ні. Ці два процеси можуть провалюватися незалежно одне від одного, і коли хтось каже, що транскрипт «неправильний», варто перевірити, яка саме з двох задач не спрацювала, бо виправлення в кожному випадку своє.
Що потрібно, щоб розділення по спікерах працювало
Розділення по спікерах працює найкраще, коли голосів мало і вони чітко відрізняються один від одного, а запис веде один мікрофон, який чує всіх приблизно на одному рівні громкості. Це ідеальний випадок: двоє-троє людей, різні голоси, один пристрій запису лежить там, де рівномірно чує всю кімнату.
Будь-яке відхилення від цього ідеалу коштує вам точності. Більше спікерів — більше шансів, що два голоси прозвучать надто схоже й система їх сплутає. Схожі голоси — наприклад, двоє людей приблизно одного віку з однаковим акцентом — складніше розрізнити, ніж низький голос і високий. А якщо одну людину мікрофон чує значно голосніше за іншу, система починає сприймати різницю в громкості як різницю між спікерами, хоча це не так.
У цьому немає нічого надприродного. Людина, яка просто заплющила очі й слухає, помітила б те саме. Перевага програми — у терплячості й стабільності протягом цілої години аудіо, а не в якомусь додатковому «чутті», якого немає в слухача.
Де все ламається: коли люди говорять одночасно
Є одна ситуація, яка стабільно зламує розмітку по спікерах, і жодне грамотне налаштування цього не виправить: справжнє накладання мовлення, коли двоє людей говорять в один і той самий момент. Під час накладання немає чистого сигналу, що належить одному голосу, — звук — це мікс обох, і чисто приписати його комусь одному просто нічому. Зазвичай слова одного спікера «прилипають» до репліки іншого, і в транскрипті це виглядає як одна суцільна фраза, хоча насправді говорили двоє одночасно.
Це не помилка, яку можна колись пофіксити. Це обмеження, вбудоване в саму природу задачі, — розділити два голоси, що звучали одночасно, назад на два чисті потоки постфактум надійно неможливо. Реалістичне очікування таке: будь-яка ділянка запису з реальним накладанням потребуватиме ручного розбору, або так і залишиться приписаною тому, на кого система здогадалася. Якщо у вашій розмові багато перебивань — гостра дискусія на панелі, суперечка за сімейним столом — плануйте, що саме ці фрагменти транскрипту доведеться правити вручну, і не судіть про інструмент загалом за цим розділом.
Куди поставити мікрофон — важливіше, ніж який мікрофон
Відстань до мікрофона впливає на розмітку по спікерах сильніше, ніж якість самого мікрофона. Телефон, покладений посередині столу, зазвичай дає краще розділення по спікерах, ніж хороший мікрофон, що лежить поруч з якоюсь однією людиною, бо саме тихих і віддалених учасників система втрачає першими. Якщо хтось постійно говорить значно тихіше за інших лише тому, що сидить найдалі від мікрофона, ця різниця в громкості може вплинути на розмітку сильніше, ніж будь-яка різниця в обладнанні.
Для групової розмови звідси випливає просте правило: кладіть пристрій запису туди, де він буде посередині, а не туди, де вам зручніше. У центр столу, а не на край, найближчий до господаря вечора. Якщо люди сидять не близько один до одного, а розкидані по кімнаті, — це складніший випадок незалежно від обладнання, і краще знати про це заздалегідь, а не з’ясувати постфактум.
Як отримати реальні імена замість «Спікер 1», «Спікер 2»
Сам звук нічого не каже системі транскрибації про імена людей — вона може визначити, що присутні два різні голоси, але не має способу дізнатися, що одного з них звуть Оксана, а іншого — Максим. Тому на виході голоси позначені абстрактними ідентифікаторами: Спікер 1, Спікер 2 і так далі. Перетворити це на реальні імена — ручний крок, і зробити його потрібно лише один раз, на початку транскрипту, підставивши ім’я до кожного позначення.
Єдине, що робить цей крок швидким, а не виснажливим, — коли на початку запису кожен називає своє ім’я вголос. Це коштує секунд десять і дає чітку опору: ви точно знаєте, що голос, який на початку каже «це Максим», — саме той, який потрібно позначити як Максим до кінця документа. Якщо цим кроком знехтувати, доведеться зіставляти голоси з іменами по пам’яті чи за контекстом, — це працює, але забирає більше часу і тим більше помилок, чим більше учасників у розмові.
Якщо ви записуєте саме інтерв’ю, варто зробити цю звичку частиною того, як ви починаєте кожну сесію, — детальніше про грамотний початок запису читайте в матеріалі про транскрибацію інтерв’ю. А про те, як перетворити вже готовий запис на розмічений текст, розповідає матеріал про перетворення аудіо в текст; такий застосунок, як SozAI, уміє після запису розставляти позначки спікерів, робити стислі перекази й перекладати на десятки мов, — але підставити реальні імена після цього все одно доведеться вам самостійно, хоча це вже найшвидша частина роботи.
Чого реалістично очікувати
Навіть за грамотного налаштування кілька ситуацій дають передбачувано неідеальний результат, і краще знати про це заздалегідь, а не сприймати як провал програми.
- Спікер, який приєднується вже посеред запису, коли система вже визначилася зі своїми голосовими профілями, часто «зливається» з уже наявним спікером, а не отримує власне окреме позначення.
- Людина, яка за весь запис вимовляє лише кілька слів — швидка згода, коротке запитання, — часто приписується тому, хто говорив поруч, бо її голосу просто недостатньо, щоб система побудувала для нього окремий профіль.
- Справжнє накладання мовлення, про яке йшлося вище, зазвичай «зливається» в реплику одного зі спікерів.
- Велика група з багатьма схожими голосами дає більше помилок розмітки, ніж невелика група з чітко різними голосами, просто тому, що шансів на плутанину більше.
Усе це — не причина відмовлятися від транскрибації складного запису, а причина очікувати короткого ручного виправлення саме тих ділянок, де виникають ці проблеми, а не перевіряти весь документ від початку до кінця. Якщо ви записуєте щось, де знаєте, що буде подібна складність, варто заздалегідь вирішити, чи потрібен вам транскрипт кожного слова, чи достатньо розмічених ключових моментів; розшифровувати геть усе не завжди корисно, особливо для довгих записів, де головне — знати, хто на що погодився, — цей випадок докладніше розглянуто в матеріалі про перетворення записів на протоколи зустрічей. А якщо хочете перевірити, як конкретний запис розмічається, перш ніж братися за довгий файл, завантажте застосунок зі сторінки завантаження і спершу прогоніть короткий фрагмент — це підкаже більше, ніж будь-яка загальна порада.
Що насправді впливає на результат
Якщо винести з усього цього одну думку, то ось вона: запис важливіший за програму. Центрально розташований мікрофон, невелика кількість чітко різних голосів, ім’я кожного на початку запису й розуміння того, що накладене мовлення все одно доведеться перевірити вручну, — ця комбінація дасть кращий результат, ніж будь-яке налаштування чи функція, застосована вже потім. Розмітка по спікерах справді виконує складну роботу, але працює з тим, що їй дав запис, і запис, зроблений з думкою про розділення спікерів, завжди розміститься краще за той, що зроблений без цього, незалежно від того, яка програма робить транскрибацію потім.
