核心要点
对于一个两小时的录音,自动转录本身只需要很短的时间——软件不是瓶颈。真正决定你这一晚要花多久的,是之后的校对环节:如果只是想要一份能搜索的粗略文字稿,几乎不需要什么修改;但如果这份文字稿要被引用或公开发表,就得对着音频从头听一遍,把人名、数字和交叉对话都核对清楚。要是改成手动逐字打出来,耗时会是录音时长的好几倍,音质越差,耗时越长。真正该规划的是校对时间,而不是软件处理的时间。
按照大多数人说话的速度,两个小时的谈话大约会转成一万六千到一万八千字——差不多是一本小书的篇幅。光是这个数字就说明了接下来这一晚有多难熬:没人愿意从头到尾把它读一遍,如果还有别的办法,几乎也没人愿意从零开始一个字一个字打出来。
关于这件事到底要花多久,老实说取决于两个你能控制的因素,加一个你控制不了的因素:音频有多清晰,最终文字稿要有多干净,以及你自己打字或听录音的速度有多快。软件能改变其中一个环节,另外两个它动不了。
先把账算清楚
演讲和讲座类的语速通常在每分钟130到150个词。日常对话的语速更快,也更不均匀——人们会互相打断,把句子说到一半重新开始,或者说着说着就没了下文。按照讲座的语速算,一小时的谈话大约能转出八千到九千字。两小时的录音翻一倍,就是一万六千到一万八千字的原始文字量,如果是多人讨论而不是一个人独白,字数还会更多。
这还是在你决定用什么方式生成文字稿之前的数字。如果你想在动手之前先大概了解一下自己这段录音会有多少字,用语速时长计算器一分钟就能算出来——值得在开工前先算一下,因为一段十五分钟的录音和一场两小时的会议,乍看差不多,实际是完全不同量级的工作,只有真正量过才知道差距有多大。你可以用这个语速时长计算器来估算一下。
自己手动打字比听起来更慢
如果你正在纠结今晚要不要自己手动把录音打成文字,先弄清楚真实的时间倍数。手动打一份文字稿,耗时通常是录音时长的好几倍——不是因为打字本身慢,而是因为你没法一边按正常语速听录音,一边准确无误地打字。你得停下音频,倒回去几秒钟,把听到的打出来,再继续听。这个循环会一直重复,遇到不熟悉的词汇、说得更快的语速,或者两人同时说话的地方,情况还会更糟。
音频难度越高,这个倍数只会越大,不会缩小。一段语速正常、音质清晰的采访,算上所有停顿和倒带,可能是原时长的三到四倍。一场满是你不熟悉的专业术语的讲座,耗时可能远超这个倍数,因为你得不停地停下来琢磨拼写和措辞,换成熟悉的内容你本可以直接打下去。对于两个小时的录音来说,手动打字绝不是一晚上能搞定的事,而是要拖上好几个晚上的活儿——最好提前知道这一点,而不是打了一个小时之后才发现。
自动转录不会变慢——只会变差
这是很多人第一次尝试时会感到意外的地方。音频越难,自动转录花的时间并不会变长。不管录音是安静房间里一个清晰的声音,还是三个人在信号很差的电话里争吵,处理时间基本相同。音频难度提高时,变化的是结果的质量,而不是生成结果所花的时间。
这个事实好坏参半。好的一面是,你不会因为条件差就要多等——软件按照自己的节奏完成,跟音频质量没关系。坏的一面是,前端省下来的时间并没有真正消失,而是转移到了后端,变成了之后需要花多少时间去校对文字稿。类似语音转文字背后的技术,能很快为一个两小时的文件生成一份完整的文档。但这份文档是接近成品,还是需要仔细通读一遍,完全取决于麦克风录进去的是什么内容,跟软件怎么处理没有关系。
校对环节才是真正决定你这一晚的关键
这是很多人从来不会算进预算里的时间,却恰恰是最重要的一项。如果你做这份文字稿只是为了方便以后搜索——比如找到某人提到某个日期的那一段,或者快速找出做了什么决定——几乎不需要校对。你会自然跳过一些小错误,因为你大概已经知道那里该是什么内容。对于一段两小时的录音,这种程度的过一遍,大概二十分钟就能扫完并确认可以用。
如果这份文字稿是要拿去引用、发表,或者交给一个当时不在场的人看,那就是完全不同的工作量了。这需要对着音频逐句听一遍,因为引用里出现的错误,和写给自己看的笔记里出现的错误,完全不是一个级别的问题。对于两小时的源音频,认真校对一遍差不多要花掉你两个小时,如果内容密集或专业性强,时间还会更长。
好在错误在录音里的分布并不均匀,这是这里唯一算得上好消息的地方。人名、专业词汇、数字和交叉对话,是自动转录真正容易出错的地方。两小时录音里大部分内容基本都是对的,只有几分钟——通常是两人同时说话,或者有人快速报出一个数字的地方——才真正需要仔细核对。如果你大致知道这些时间点在哪里,就可以直接跳过去处理,不用从头到尾重读一遍。用转录时间计算器,根据录音长度和你实际的用途先算一遍,得到的计划会比开工前凭感觉猜测靠谱得多。
切分文件不会省时间,但能保住你这一晚
把一段两小时的录音提前切成四段三十分钟的小文件再转录,并不会让总工作量变快。前面几节算的那些账不会因此改变——不管你把文件怎么切,要转录的还是两小时的内容,要校对的量也不会少。真正改变的,是这份工作能不能被中断。
一个完整的两小时文件基本上只能一次性坐下来搞定,因为过后再打开它,你还得在一大片没有分段的文字里重新找到自己上次停在哪儿。四个独立的文件就是四次可以分开完成的工作,你可以今晚做一个,明天做一个,剩下的留到下周,也不会丢失进度。对于这么长的一段录音——长到大多数人根本不可能一口气做完——这种可中断性,比并行处理几个小文件省下来的那点速度重要得多。如果你打算认真做校对,最好提前打算分批进行,而不是指望一次坐下来就能全部搞定。
这里有一个值得了解的选项:有的应用会把整个文件一次性处理好,不需要你自己动手切分。这款转录应用可以在下载页面获取,支持iOS、Android和macOS,能处理音频、视频、录音或YouTube链接,输出带说话人标签的文字、摘要,并支持多种语言之间的翻译——这只是前面提到的几种方式之一,不是绕开校对环节的捷径。
哪些事情终究省不掉
除非你告诉它,自动转录并不知道你的说话人叫什么名字。它会给每个人分配一个标签,而不是一个它没办法猜出来的名字,而且会一直这样,直到有人去修改。它也不太可能准确识别出它从没见过书写形式的名字、你所在领域特有的术语,或者在一句很快的话中间快速说出的数字。这些恰恰就是校对时永远要重点处理的地方,再强的处理能力也绕不开这些。
不管用哪种方式,交叉对话几乎都是没法完全还原的。两人同时说话时,自动转录和手动打字都会丢掉一部分内容——软件会认定其中一条线索,把另一条丢掉;手动打字的人也会遇到同样的问题,只是速度更慢。如果一段两小时的录音里有大段的重叠对话,要专门为这些部分多留出校对时间,不要指望不管哪种方法都能给你一份两个声音都清清楚楚的文字稿。
两个小时这个估算本身只是一个起点,不是保证。语速均匀、只有一个说话人、术语也都熟悉的录音,在前面说的每个环节都会比三个人、麦克风质量差、内容也不熟悉的录音走得快得多。上面这些计算能帮你规划好这一晚,但不能保证你一定能在今晚做完。
