تحويل الصوت إلى نص
التشغيل الأول ينزل نموذج الكلام — نحو 45 MB للمستوى السريع و81 MB للدقيق، يقدمه هذا الموقع ويحفظه المتصفح بعده. ولا شيء يرفع، والنص مقروء آليا: راجع الصياغة والتوقيتات قبل نشره.
الخيارات
مستويان من النموذج نفسه. السريع نحو 45 MB وينسخ أسرع بنحو الضعف؛ والدقيق نحو 81 MB وأقرب إلى صحة حالة الأحرف والترقيم. وكلاهما يعمل هنا، والتنزيل يحدث مرة لكل متصفح. في تسجيل طويل جرب المستوى السريع أولا للتأكد أن اللغة صحيحة.
اللغة التي تسمع في التسجيل. لا خيار تلقائي: هذه النسخة من النموذج لا تكتشف اللغة، وبلا اختيار يفترض الإنجليزية. والتسجيل الصيني المقروء إنجليزية لا يفشل — ينتج هراء طليقا، وهو أصعب اكتشافا بكثير. اختر اللغة التي تسمعها فعلا.
تحول هذه الصفحة تسجيلا إلى نص عادي: فقرات مما قيل، والرموز الزمنية مطروحة. وهي محرك الاستماع نفسه في نسخة الترجمة من هذه الصفحة — النماذج نفسها، ونوافذ الثلاثين ثانية نفسها، وقاعدة المحلية وحدها نفسها — لكن الخطوة الأخيرة مختلفة. فبدل كتابة مقطع لكل جملة توصل الجمل فقرات وتطرح التوقيت كله، فتحصل على شيء تلصقه في مستند أو بريد أو مجموعة ملاحظات اجتماع.
تتفرع الفقرات عند الشيئين اللذين يفصلان الأفكار فعلا في الكلام: وقفة أطول من ثانيتين إلا نصف، أو أربع جمل متتابعة. وقاعدة الفراغ وحدها كانت ستحول مونولوجا من خمس دقائق إلى جدار نص غير مقروء؛ وقاعدة عدد الجمل وحدها كانت ستقسم وقفة التنفس عند متكلم فقرة جديدة. والاثنتان معا تنتجان نصا يقرأ تقريبا كما تكلم الشخص.
العمل محلي. ينزل نموذج الكلام مرة من هذا الموقع — نحو 45 MB للطبقة السريعة ونحو 81 MB للدقيقة — ويخزنه المتصفح بعدها؛ والتسجيل نفسه لا يغادر التبويب. ولا خطوة رفع تتخطاها ولا حساب تنشئه، وهو ما يجعل هذا صالحا لمقابلات لا يمكن إرسالها إلى خدمة تفريغ.
الناتج ملف .txt مسمى على اسم التسجيل المصدر: film.mkv يصير film.transcript.txt. واللاحقة المميزة عمدية — فملف .txt عادي يجلس بجانب ملفات نص أخرى ويجب أن يقول ما هو، والنص المفرغ الذي صنعته آلة مستند من نوع مختلف عن ملاحظات اجتماع كتبها إنسان.
وكما في نسخة الترجمة، يحتاج ما يخرج تدقيقا، واللغة يجب اختيارها بيد: هذا البناء من النموذج يفترض الإنجليزية حين لا يقال له شيء، والخطأ في ذلك ينتج هراء فصيحا بدل رسالة خطأ.
الأسئلة الشائعة
كيف يختلف تفريغ الصوت إلى نص عن صفحة تصدير ملف ترجمة كنص؟
الفرق من أين يأتي التوقيت. صفحة التصدير تبدأ بملف ترجمة فيه مقاطع أصلا وتوصل نصها فقرات — التوقيتات كانت موجودة وتم طرحها فقط. وهذه الصفحة تبدأ بصوت لا توقيت فيه إطلاقا وتبنيه أولا ثم تطرحه. ولهذا يعمل تسجيل بلا مسار ترجمة هنا لا هناك، ولهذا تحتاج هذه الصفحة تنزيل نموذج بينما تلك فورية.
لماذا تقسم فقرات التفريغ عند ثانية ونصف من الصمت؟
لأن ذلك تقريبا حيث يغير المتكلمون الفكرة. والفراغات الأقصر تقع داخل الجمل وتقطع النص في منتصف جملة؛ والحدود الأطول بكثير توصل موضوعات منفصلة في فقرة واحدة. وسقف الجمل الأربع موجود لحالة ألا يكون في التسجيل صمت إطلاقا — تعليق صوتي محفوظ أو بودكاست سجل في مرة — حيث لا تأتي وقفات، وقاعدة الفراغ وحدها كانت ستنتج كتلة واحدة. والقاعدتان معا أصغر مجموعة تحمل الطرفين.
هل يصلح نص التفريغ كدليل أو سجل رسمي؟
لا كما أنتج. هو أفضل تخمين آلة، والتفريغ الآلي يشوه الأسماء والأرقام والمصطلحات التقنية — وهي بالضبط الكلمات الأهم في أي سجل. وفي سياق قانوني أو طبي يكون سير العمل الصحيح استخدامه مسودة تفحص سطرا سطرا مقابل الصوت، ويقال ذلك في المستند. والنص الأنظف من الصوت مما يستحق مسؤولية، ولهذا تسمي الصفحة الملف .transcript.txt لا شيئا يشبه محضر اجتماع.
ماذا لو كان التسجيل فيه موسيقى أو عدة أشخاص يتكلمون فوق بعضهم؟
الكلام المتداخل حيث يتدهور أي نموذج أحادي التدفق: صوتان معا يصيران جملة متصلة، ولا تنتج تسميات متحدثين. والموسيقى الخلفية تتجاهل عادة، لكن الموسيقى العالية تحت الكلام قد تسحب كلمات من النص أو تخترع كلمات لم تقل. وإن قرأ الناتج غريبا في مواضع فقارنه بالصوت عندها بدل الثقة في تدفق النص — جملة تبدو واثقة ليست دليلا على أنها قيلت.
هل يحتفظ نص التفريغ ببنية الملف مثل الفصول أو أسماء المسارات؟
لا. يمر الصوت الذي يفرغ فقط؛ والبيانات الوصفية للحاوية مثل علامات الفصول وعناوين المسارات ووسوم اللغة ليست جزءا من النص. وإن كنت تفرغ مسارا واحدا من ملف متعدد المسارات فالصفحة تقرأ الصوت من الملف الذي ألقيته، وفواصل الفقرات تأتي من الوقفات لا من مواضع الفصول. وتقسيم تسجيل طويل إلى ملفات فصول أولا سير عمل معقول إن أردت ظهور تلك الحدود.