Transskribér lyd til undertekster
Den første kørsel downloader talemodellen – cirka 45 MB for det hurtige niveau, 81 MB for det nøjagtige, leveret af dette websted og cachet af browseren bagefter. Intet uploades, og transskriptionen er maskinlavet: korrekturlæs ordlyden og tiderne, før du offentliggør den.
Indstillinger
To niveauer af samme model. Den hurtige er cirka 45 MB og transskriberer omtrent dobbelt så hurtigt; den nøjagtige er cirka 81 MB og rammer store bogstaver og tegnsætning bedre. Begge kører her, og downloadet sker én gang pr. browser. På en lang optagelse kan du prøve det hurtige niveau først for at kontrollere, at sproget er rigtigt.
Det sprog, der tales i optagelsen. Der er ingen automatisk mulighed: denne version af modellen registrerer ikke sprog, og uden noget valgt antager den engelsk. En kinesisk optagelse læst som engelsk fejler ikke – den producerer flydende klingende volapyk, hvilket er langt sværere at bemærke. Vælg det sprog, du faktisk hører.
.srt spiller overalt, også i ældre editorer og tv-apparater; .vtt er webformatet og bærer lidt mere struktur. Begge indeholder præcis de samme tekstblokke med præcis de samme tider, så vælg det, som det næste værktøj i din kæde forventer.
Denne side lytter til en optagelse og skriver ned, hvad den hører, som en undertekstfil: én blok pr. sætning, med start og slut på hver blok placeret der, hvor ordene faktisk sker. Drop et interview, en forelæsning, en stemmemeddelelse eller lydsporet af en film, der slet ikke har noget undertekstspor, og du får en .srt eller en .vtt, der afspilles i enhver afspiller. Der behøver ikke at findes et undertekstspor på forhånd – dette er siden til, når der ikke er noget at udtrække.
Lytningen foregår i fanen. Talemodellen kører på WebAssembly gennem onnxruntime, modelfilerne leveres fra dette sted, og den eneste netværkstrafik er den download: omkring 45 MB for den hurtige model, omkring 81 MB for den nøjagtige, cachet af browseren bagefter. Optagelsen sendes aldrig nogen steder. Tjekker du Netværkspanelet, mens en fil transskriberes, ser du forespørgsler gå ned efter modeldata og ikke ét byte gå op.
Det, der kommer ud, er en maskines bedste gæt, ikke en transskription, der kan stå som dokument. Ord, den hører forkert, forbliver hørt forkert, og tiderne er nøjagtige ned til omtrent længden af en frase frem for til en frame. Korrekturlæs, før du udgiver, og behandl resultatet, som du ville behandle en første gennemgang skrevet af et hurtigt menneske, der ikke kendte emnet. Det er den samme ærlighedsregel, OCR-siderne følger, og grunden til, at denne side siger det øverst frem for i en fodnote.
Optagelsen klippes i vinduer på 30 sekunder med 5 sekunders overlap, og hvert vindue transskriberes for sig. Det er det, der gør lange filer mulige uden at holde en hel time lyd i modellen på én gang, og det er også derfor, annullering virker ved det næste vindue frem for øjeblikkeligt. Sætninger, der spænder over en grænse, deduplikeres ved at droppe alt, som det næste vindue rapporterer, der begynder før det forrige vindues slutning – den tidligere læsning vinder, fordi den hørte hele frasen.
Lange sætninger deles ved sætningsgrænser og derefter ved to grænser: ingen blok længere end syv sekunder og ingen blok bredere end 84 tegn, ombrudt til højst 42 tegn pr. linje. Det er de samme grænser, de fleste broadcastere angiver, så outputtet består som regel et første compliance-tjek uden redigering.
Ofte stillede spørgsmål
Hvad sker der, når optagelsen er på et andet sprog end engelsk?
Du skal fortælle siden, hvilket sprog der tales, fordi denne version af modellen ikke registrerer det. Der er ingen automatisk mulighed, og det er med vilje: uden et valgt sprog antager modellen engelsk. En kinesisk optagelse læst som engelsk fejler ikke – den giver selvsikkert udseende engelske ord, der lyder løst som originalen, hvilket er meget sværere at opdage end en fejlmeddelelse. Vælg det sprog, du faktisk hører, og er du i tvivl, så transskribér tredive sekunder med den hurtige model først og tjek.
Hvor nøjagtige er tiderne sammenlignet med en håndlavet undertekst?
Gode nok til afspilning, ikke gode nok til at sende uændret. Hver bloks start og slut kommer fra modellens egne segmentgrænser, som lander på frasekanter frem for på den nøjagtige frame, et ord begynder på. Hvor to blokke ville overlappe, skubbes den senere frem, og justeringen tælles i tablisten, så intet overlapper, og intet går baglæns i tid. Har en kunde brug for frame-nøjagtig synkronisering – et underteksthus, der leverer til en broadcaster – er det ærlige svar, at dette output er et udkast, der skal times i hånden, ikke en leverance.
Hvorfor tilbydes den hurtige model overhovedet, når den nøjagtige findes?
Fordi forskellen på en lang fil er forskellen mellem at vente og at give op. Målt på et minut klar tale bruger den hurtige model omkring 3,7 sekunder, og den nøjagtige omkring 7,5 – cirka dobbelt så lang ventetid for hvert minut lyd. Den hurtige model bruger også store bogstaver mere aggressivt og opfinder af og til tegnsætning; den nøjagtige ligger tættere på, hvad et menneske ville skrive. Et almindeligt mønster er at køre den hurtige model over et timelangt interview for at tjekke sproget og lydkvaliteten og derefter køre igen med den nøjagtige, når du ved, at filen er i orden.
Hvad betyder »der blev ikke genkendt tale«, når jeg kan høre, der bliver talt?
Det betyder, at modellen ikke hørte noget, den kunne skrive ned, hvilket har tre sædvanlige årsager: sprogindstillingen passer ikke til det talte, talen ligger begravet under musik eller støj, eller lydsporet er meget svagt. Selve filen er intakt – siden skelner dette fra en fil, hvis lyd slet ikke kunne dekodes, fordi de to kræver forskellige rettelser. Skift det talte sprog, eller tjek, at det lydspor, du droppede, er det, du mente (en films kommentarspor er en anden strøm end dens dialog).
Kan jeg stoppe en transskription, der kommer til at tage for lang tid?
Ja, og siden er tydelig om, hvornår den stopper. Download af modellen kan annulleres når som helst. Under genkendelsen kan modellen ikke afbrydes midt i et vindue – så annullering virker ved starten af det næste 30-sekundersvindue, hvilket på den hurtige model er et par sekunder væk. Intet delvist tilbydes som download. Modellen forbliver cachet, så et nyt forsøg downloader den ikke igen.
Beholder den færdige .srt taleretiketter eller tegnsætning?
Den beholder den tegnsætning, modellen frembragte, hvilket som regel er fornuftigt, men ikke pålideligt, og den opfinder ingen taleretiketter: denne model adskiller ikke stemmer, så to personer, der taler, bliver til én tekststrøm. At tilføje taleretiketter er et manuelt arbejde her. Har du brug for dem, så transskribér først og redigér derefter – filen åbner i enhver underteksteditor, og blokkene er allerede delt ved sætningsgrænser, hvilket gør gennemgangen meget hurtigere end at starte fra en tom tidslinje.