Điểm chính
macOS sẽ không tự phiên âm một file video. Cái nó làm được, không cần cài thêm gì, là tách phần âm thanh ra khỏi video bằng QuickTime Player, giúp bạn có một file nhỏ hơn nhiều để xử lý tiếp. Tính năng nhận diện giọng nói tích hợp (dictation) chỉ gõ lại những gì micro nghe được khi bạn nói, theo thời gian thực, nên nó không phải công cụ dành cho một đoạn ghi âm bạn đã có sẵn. Phiên âm là một bước riêng, và bước này giống nhau trên bất kỳ máy tính nào.
Bạn có một video nằm trong máy Mac. Có thể là bản ghi màn hình một cuộc họp, một bài giảng ai đó gửi cho bạn, hay một đoạn clip bạn đã lưu lại. Bạn muốn lấy phần lời nói trong đó ra thành chữ. Và bạn không muốn phải tạo tài khoản với một công ty bạn chưa từng nghe tên chỉ để làm việc đó.
Công việc này tách làm hai phần rõ ràng. Đầu tiên, lấy ra một file âm thanh sạch từ video. Sau đó, biến file âm thanh đó thành văn bản. Phần đầu, máy Mac của bạn đã có thể làm ngay bây giờ, bằng phần mềm sẵn có trên máy. Phần sau thì không, và dù bạn có lục tung System Settings cũng chẳng thay đổi được điều đó. Biết rõ ranh giới này giúp bạn khỏi mất cả buổi chiều đi tìm một mục trong menu mà thực ra không tồn tại.
Những gì macOS đã làm được sẵn
QuickTime Player có sẵn trên mọi máy Mac. Nó phát video, ghi màn hình, và có thể xuất phần âm thanh từ một file video ra riêng. Đó chính là phần hữu ích ở đây, và thường đó là bước duy nhất bạn cần làm trước khi đưa file cho công cụ khác xử lý.
macOS cũng có tính năng dictation, biến giọng nói thành chữ ngay khi bạn nói. Voice Memos cũng có sẵn, và nó đồng bộ với ứng dụng cùng tên trên iPhone qua iCloud. Kết hợp ba công cụ này, bạn có thể ghi âm, lưu trữ, và gõ chữ bằng giọng nói.
Không cái nào trong số đó đọc được một file video có sẵn và cho ra bản phiên âm. Điều này cần nói thẳng ra, vì các công cụ này nằm gần nhau đến mức cảm giác như tính năng đó phải đang ẩn ở đâu đó. Không phải vậy. Mac giỏi tạo ra các bản ghi nhưng lại không giỏi chuyển chúng thành văn bản.
Tách âm thanh ra trước
Một file video giống như một cái hộp chứa. Nó mang theo hình ảnh và mang theo một track âm thanh, mà việc phiên âm thì chỉ đụng đến phần âm thanh mà thôi. Phần hình ảnh là thừa cho mục đích này.
Vậy nên hãy tách âm thanh ra trước khi làm gì khác. QuickTime Player làm được việc này, nghĩa là bước đầu tiên không tốn bạn một xu và không cần cài đặt gì. Kết quả bạn nhận được là một file nhỏ hơn rất nhiều so với video ban đầu — đôi khi nhỏ hơn đáng kể, tùy vào video đó là gì.
Sự khác biệt về kích thước này không còn là chuyện trừu tượng ngay khi bản ghi dài. Một bài giảng hai giờ ở dạng video là thứ khá cồng kềnh để di chuyển, tải lên, hay giữ vài bản trong lúc bạn còn đang tìm công cụ phù hợp. Cũng hai giờ đó nhưng ở dạng âm thanh lại chỉ là một file khiêm tốn mà bạn xử lý không cần suy nghĩ nhiều. Nếu bạn có cả một thư mục ghi âm cần xử lý, việc tách âm thanh trước chính là sự khác biệt giữa một buổi tối và một cuối tuần.
Việc tách này cũng giải quyết luôn một câu hỏi khiến nhiều người lúng túng: liệu họ có cần một công cụ chuyên xử lý chuyển video thành văn bản, hay chỉ cần công cụ phiên âm âm thanh thông thường là đủ. Khi âm thanh đã tách thành file riêng, sự khác biệt đó không còn quan trọng nữa. Bất kỳ công cụ phiên âm nào nhận file âm thanh cũng sẽ nhận được file của bạn.
Dictation là một việc khác hẳn
Dictation và phiên âm thường bị dùng lẫn như thể là một. Không phải vậy, và sự khác biệt đó chính là thứ đang cản bạn có được bản phiên âm mình muốn.
Dictation nghe qua micro và ghi lại những gì nó nghe được, theo thời gian thực, ngay khi việc đó xảy ra. Bạn nói, chữ hiện ra. Đó là một cách để gõ chữ. Phiên âm thì lấy một bản ghi đã có sẵn — thứ đã xảy ra xong từ một giờ hay một năm trước — và tạo ra văn bản từ nó. Một cái là thiết bị nhập liệu, cái còn lại là một phép chuyển đổi.
Bạn có thể thử lách qua bằng cách phát video ra loa và để dictation nghe qua loa máy. Nhiều người làm vậy. Kết quả không tốt. Bạn đang bắt micro ghi âm lại một âm thanh đã được ghi âm một lần rồi, trong một căn phòng, với chất lượng âm thanh của căn phòng đó, và bạn phải ngồi nghe hết toàn bộ thời lượng trong lúc việc này diễn ra. Một giờ video tốn của bạn đúng một giờ. Với bất cứ thứ gì dài hơn một đoạn clip ngắn, đây không phải lựa chọn nghiêm túc. Còn nhiều điều để nói về chuyển giọng nói thành văn bản trên Mac và giới hạn của các công cụ có sẵn trên máy, nhưng tóm lại là dictation chưa bao giờ được thiết kế để xử lý file có sẵn.
Khi bạn chưa có file
Tất cả những gì nói trên đều giả định video đã nằm sẵn trên ổ đĩa của bạn. Nhưng đôi khi không phải vậy. Thứ bạn muốn lấy lời ra là một cuộc gọi đang diễn ra, hay một video đang phát trong tab trình duyệt, và chẳng có gì để tách âm thanh vì chưa có gì được lưu lại cả.
Đây là nơi Mac dựng lên trở ngại thực sự. Việc ghi lại âm thanh hệ thống của chính máy Mac — âm thanh phát ra từ máy, khác với âm thanh thu vào qua micro — không phải là thứ macOS cho phép làm sẵn theo mặc định. Ghi màn hình cho bạn phần hình ảnh. Lấy được âm thanh đi kèm là một bài toán khác, và đây chính là bước khiến nhiều người bị kẹt lại nhiều nhất. Nếu bạn từng có một bản ghi cuộc họp mà không có âm thanh và không hiểu mình đã làm sai điều gì, thì đây chính là lý do. Bạn không làm sai gì cả.
Có những cách để vượt qua vấn đề này, và nên tìm hiểu trước khi bạn cần đến chúng, chứ không phải giữa lúc đang gọi một cuộc gọi mà bạn không thể lặp lại lần hai. Cách ghi màn hình trên Mac kèm âm thanh là một chủ đề riêng. Điều quan trọng ở đây là đây là vấn đề về ghi lại âm thanh, không phải vấn đề phiên âm, và giải quyết được nó sẽ đưa bạn về trường hợp bình thường: một file nằm sẵn trên ổ đĩa.
Có một cách né hẳn vấn đề này. Voice Memos trên Mac chia sẻ các bản ghi với ứng dụng cùng tên trên iPhone qua iCloud, nên bất cứ thứ gì bạn ghi trên điện thoại sẽ xuất hiện trên Mac mà không cần gửi email cho chính mình hay tìm dây cáp. Với một cuộc trò chuyện trực tiếp, hay một buổi nói chuyện bạn đang ngồi nghe, ghi âm bằng điện thoại rồi lấy file đó trên máy tính đỡ mất công hơn là vật lộn với câu hỏi âm thanh hệ thống. Tất nhiên cách này không giúp được gì với âm thanh do chính máy Mac phát ra.
Biến âm thanh thành văn bản
Khi âm thanh đã tồn tại thành một file riêng, mọi quyết định trước đó không còn quan trọng nữa. Việc phiên âm không quan tâm file đó lấy ra từ video, từ điện thoại, từ bản ghi màn hình, hay từ thứ đồng nghiệp gửi cho bạn. Nó cũng không quan tâm bạn đang dùng Mac. Từ điểm này, đây là công việc giống hệt trên bất kỳ máy nào, nghĩa là lựa chọn của bạn giờ chỉ còn xoay quanh công cụ phiên âm, chứ không gì khác.
Đây cũng là lúc mong muốn không cần đăng ký tài khoản va phải thực tế, nên tôi sẽ nói thẳng luôn. Bất cứ thứ gì chạy hoàn toàn trong trình duyệt có thể hứa hẹn rằng file của bạn không bao giờ rời khỏi máy, và một số công cụ thực sự hoạt động như vậy. Nhưng các công cụ chạy trong trình duyệt kiểu đó thường xử lý những thứ như file phụ đề hay đếm chữ — những dạng văn bản đã sẵn là văn bản. Còn nhận diện giọng nói thật trên một bản ghi hai giờ là việc nặng hơn nhiều, và các công cụ làm được việc này thường cần một ứng dụng cài đặt riêng hoặc yêu cầu tải file của bạn lên máy chủ của họ. Dù bạn chọn cách nào, đó chính là câu hỏi cần đặt ra, và câu trả lời phải dễ tìm thấy.
SozAI là một lựa chọn: một ứng dụng phiên âm cho macOS xử lý được cả file âm thanh và video, các bản ghi âm và cả link YouTube, kèm nhãn phân biệt người nói, tóm tắt nội dung và dịch qua hơn 99 ngôn ngữ. Cùng trang này còn có các công cụ miễn phí chạy trong trình duyệt để làm phụ đề và đếm chữ, chạy hoàn toàn trên trình duyệt của bạn, không tải file lên đâu và không cần tài khoản — những công cụ đó không phiên âm âm thanh, nhưng lại hữu ích khi bạn đã có bản phiên âm cần xử lý tiếp.
Bản phiên âm sẽ không làm được gì cho bạn
Hãy yêu cầu có mốc thời gian (timestamp) nếu mục đích là quay lại một khoảnh khắc cụ thể. Một bản phiên âm không có mốc thời gian là một khối chữ mà bạn có thể tìm kiếm được — bạn sẽ tìm ra câu đó — nhưng tìm ra câu đó không giống với tìm ra vị trí trong video mà câu đó được nói ra. Nếu bạn phiên âm một bài giảng để có thể nhảy thẳng đến mười phút quan trọng, mốc thời gian chính là tính năng cốt lõi. Nếu bạn phiên âm để đọc một lần rồi không bao giờ mở lại video, mốc thời gian chỉ là thứ gây rối mắt. Hãy quyết định bạn đang làm việc nào trước khi bắt đầu, vì thêm mốc thời gian sau đó nghĩa là phải làm lại từ đầu.
Hãy chờ đợi rằng văn bản sẽ phản ánh đúng chất lượng của bản ghi gốc. Nhận diện giọng nói chỉ làm việc với những gì thực sự thu được, và một bản ghi thực hiện trong một căn phòng với nhiều người nói chen lẫn nhau sẽ cho ra kết quả kém hơn một bản ghi sạch. Tách âm thanh ra khỏi video không làm âm thanh tốt hơn; nó chỉ tách riêng phần đã có sẵn ra mà thôi. Nếu âm thanh gốc kém, bạn sẽ phải chỉnh sửa lại bản phiên âm, và không bước nào trước đó trong quy trình này khắc phục được điều đó.
Và hãy chấp nhận rằng một phần của video sẽ không còn sau chuyến chuyển đổi này. Slide, sơ đồ, bất cứ thứ gì viết trên bảng trắng, ai đang chỉ vào cái gì — tất cả những thứ đó biến mất, vì bạn đã chủ động bỏ phần hình ảnh để lấy được một file dễ xử lý hơn. Với một cuộc trò chuyện thông thường, điều đó không mất gì cả. Nhưng với một buổi demo hay một bài thuyết trình, bản phiên âm chỉ là một nửa của bản ghi, và bạn sẽ muốn giữ lại video gốc bên cạnh nó.
