Transskribér lyd til tekst
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.
Denne side laver en optagelse om til ren tekst: afsnit af det, der blev sagt, med tidskoderne udeladt. Det er den samme lytte-motor som undertekstversionen af denne side – samme modeller, samme tredive-sekunders vinduer, samme lokal-kun-regel – men det sidste trin er anderledes. I stedet for at skrive en blok pr. sætning slår den sætningerne sammen til afsnit og dropper tiden helt, så det, du får, er noget, du kan indsætte i et dokument, en mail eller et sæt mødenoter.
Afsnit brydes på de to ting, der faktisk adskiller tanker i tale: en pause længere end halvandet sekund eller fire sætninger i træk. Kun en hulbaseret regel ville gøre en fem minutters monolog til én ulæselig mur af tekst; kun en regel baseret på sætningsantal ville splitte en talers åndedrætspause i et nyt afsnit. Begge sammen giver noget, der læses nogenlunde, som personen talte.
Arbejdet foregår lokalt. Talemodellen downloades én gang fra dette sted – omkring 45 MB for det hurtige niveau, omkring 81 MB for det nøjagtige – og caches bagefter af browseren; selve optagelsen forlader aldrig fanen. Der er ingen upload at springe over og ingen konto at oprette, hvilket er det, der gør den brugbar på interviews, der ikke kan sendes til en transskriptionstjeneste.
Outputtet er en .txt-fil navngivet efter kildeoptagelsen: film.mkv bliver film.transcript.txt. Det særlige suffiks er med vilje – en almindelig .txt ved siden af andre tekstfiler bør sige, hvad den er, og en transskription, der er lavet af en maskine, er en anden slags dokument end mødenoter, et menneske har skrevet.
Som med undertekstversionen skal det, der kommer ud, korrekturlæses, og sproget skal vælges i hånden: denne version af modellen antager engelsk, når den ikke får andet at vide, og at ramme forkert giver flydende udseende volapyk frem for en fejl.
Ofte stillede spørgsmål
Hvordan adskiller dette sig fra siden, der eksporterer en undertekstfil som tekst?
Forskellen er, hvor tiden kommer fra. Eksportsiden starter med en undertekstfil, der allerede har blokke, og slår deres tekst sammen til afsnit – tiderne fandtes og droppes blot. Denne side starter med lyd, der slet ingen tider har, og bygger dem først og dropper dem derefter. Det er grunden til, at en optagelse uden undertekstspor virker her og ikke der, og til at denne side kræver en modeldownload, mens den anden er øjeblikkelig.
Hvorfor deles afsnit ved halvandet sekunds stilhed?
Fordi det omtrent er der, talere skifter tanke. Kortere huller falder inde i sætninger og ville hugge teksten midt i en ledsætning; meget længere tærskler slår adskilte emner sammen i ét afsnit. Loftet på fire sætninger findes til det tilfælde, hvor optagelsen slet ingen stilhed har – en indøvet voiceover eller en podcast optaget i ét tag – hvor pauserne aldrig kommer, og en regel kun baseret på huller ville give én blok. De to regler sammen er det mindste sæt, der klarer begge ender.
Kan transskriptionen bruges som bevis eller som officiel dokumentation?
Ikke som den kommer ud. Det er en maskines bedste gæt, og maskintransskription forvansker navne, tal og fagtermer – netop de ord, der betyder mest i en dokumentation. I en juridisk eller medicinsk sammenhæng er den korrekte arbejdsgang at bruge den som et udkast, der derefter tjekkes linje for linje mod lyden, og at sige det i dokumentet. En transskription, der er renere end lyden fortjener, er en byrde, hvilket også er grunden til, at denne side navngiver filen .transcript.txt frem for noget, der ligner et referat.
Hvad hvis optagelsen har musik eller flere personer, der taler i munden på hinanden?
Overlappende tale er, hvor enhver enkeltstrømsmodel forringes: to stemmer på én gang bliver til én sammenløben sætning, og der produceres ingen taleretiketter. Baggrundsmusik ignoreres som regel, men høj musik under tale kan trække ord ud af teksten eller opfinde ord, der aldrig blev sagt. Læses resultatet mærkeligt steder, så sammenlign det med lyden på de punkter frem for at stole på tekstens flow – en selvsikker sætning er ikke bevis for, at den blev sagt.
Beholder transskriptionen filens egen struktur, som kapitler eller spor navne?
Nej. Kun den lyd, der transskriberes, kommer med; containermetadata som kapitelmærker, sportitler og sprogtags er ikke en del af teksten. Transskriberer du ét spor ud af en fil med flere spor, læser siden lyden fra filen, du droppede, og afsnitsbruddene kommer fra pauser, ikke fra hvor kapitlerne var. At dele en lang optagelse op i kapitelfiler først er en rimelig arbejdsgang, hvis du vil have de grænser til at vise sig.