Litteroi ääni tekstiksi
Ensimmäinen ajo lataa puhemallin — noin 45 MB nopealle tasolle, 81 MB tarkalle, tarjoiltuna tältä sivustolta ja selaimen välimuistiin jäävänä. Mitään ei ladata palvelimelle, ja litterointi on koneen tekemä: oikolue sanamuoto ja ajoitukset ennen julkaisua.
Asetukset
Saman mallin kaksi tasoa. Nopea on noin 45 MB ja litteroi suunnilleen kaksi kertaa nopeammin; tarkka on noin 81 MB ja osuu isoissa kirjaimissa ja välimerkeissä lähemmäs oikeaa. Molemmat ajetaan täällä, ja lataus tapahtuu kerran selainta kohden. Pitkällä tallenteella kokeile ensin nopeaa tasoa varmistaaksesi, että kieli on oikea.
Kieli, jota tallenteessa puhutaan. Automaattista vaihtoehtoa ei ole: tämä mallin koonnos ei tunnista kieltä, ja ilman valintaa se olettaa englannin. Kiinankielinen tallenne englanniksi luettuna ei epäonnistu — se tuottaa sujuvaa näennäistekstiä, joka on paljon vaikeampi huomata. Valitse kieli, jonka todella kuulet.
Tämä sivu muuttaa tallenteen pelkäksi tekstiksi: kappaleiksi siitä, mitä sanottiin, aikakoodit pois jätettyinä. Se on sama kuuntelumoottori kuin tämän sivun tekstitysversiossa — samat mallit, samat kolmenkymmenen sekunnin ikkunat, sama vain-paikallinen-sääntö — mutta viimeinen askel on eri. Sen sijaan että se kirjoittaisi yhden alaotsikon lausetta kohden, se yhdistää lauseet kappaleiksi ja pudottaa ajoituksen kokonaan, joten saat jotain, jonka voi liittää asiakirjaan, sähköpostiin tai muistion rungoksi.
Kappaleet katkeavat kahdesta asiasta, jotka todella erottavat ajatuksia puheessa: yli puolentoista sekunnin tauosta tai neljästä peräkkäisestä lauseesta. Pelkkä rakoon perustuva sääntö muuttaisi viiden minuutin monologin yhdeksi lukukelvottomaksi tekstiseinäksi; pelkkä lausemäärään perustuva sääntö halkaisisi puhujan hengähdystauon uudeksi kappaleeksi. Molemmat yhdessä tuottavat jotain, joka lukee suunnilleen samoin kuin henkilö puhui.
Työ on paikallista. Puhemalli ladataan kerran tältä sivustolta — noin 45 MB nopealle tasolle, noin 81 MB tarkalle — ja selain välimuistaa sen jälkeen; tallenne itse ei koskaan poistu välilehdeltä. Ei ole latausvaihetta ohitettavana eikä tiliä luotavana, mikä tekee tästä käyttökelpoisen haastatteluille, joita ei voi lähettää litterointipalveluun.
Tuloste on .txt-tiedosto, nimetty lähdetallenteen mukaan: film.mkv:stä tulee film.transcript.txt. Se erottuva pääte on tarkoituksellinen — muiden tekstitedostojen vieressä istuvan pelkän .txt:n pitäisi sanoa, mitä se on, ja koneen tekemä litteraatti on eri asiakirjalaji kuin jonkun kirjoittama muistio.
Kuten tekstitysversiossakin, tuloste vaatii oikolukua, ja kieli on valittava käsin: tämä mallin koonti olettaa englannin, kun sille ei sanota mitään, ja väärin meneminen tuottaa sujuvalta näyttävää hölynpölyä eikä virheilmoitusta.
Usein kysytyt kysymykset
Miten tämä eroaa sivusta, joka vie tekstitystiedoston tekstinä?
Ero on siinä, mistä ajoitus tulee. Vientisivu aloittaa tekstitystiedostosta, jossa on jo alaotsikot, ja yhdistää niiden tekstin kappaleiksi — ajoitukset olivat olemassa ja ne yksinkertaisesti pudotetaan. Tämä sivu aloittaa äänestä, jossa ei ole ajoitusta lainkaan, rakentaa sen ensin ja pudottaa sen sitten. Siksi tallenne ilman tekstitysraitaa toimii täällä eikä siellä, ja siksi tämä sivu tarvitsee mallin latauksen, kun taas se on hetkellinen.
Miksi kappaleet katkeavat puolentoista sekunnin hiljaisuudessa?
Koska siinä suunnilleen puhujat vaihtavat ajatusta. Lyhyemmät raot osuvat lauseiden sisään ja pilkkoisivat tekstin kesken lausekkeen; paljon pidemmät kynnykset yhdistäisivät erilliset aiheet yhdeksi kappaleeksi. Neljän lauseen yläraja on olemassa tapaukselle, jossa tallenteessa ei ole lainkaan hiljaisuutta — harjoiteltu voice-over tai yhdellä otolla nauhoitettu podcast — jossa taukoja ei tule ja pelkkä rakosääntö tuottaisi yhden lohkon. Kaksi sääntöä yhdessä ovat pienin joukko, joka kattaa molemmat ääripäät.
Voiko litteraattia käyttää todisteena tai virallisena tallenteena?
Ei sellaisenaan. Se on koneen paras arvaus, ja koneellinen litterointi sotkee nimet, numerot ja tekniset termit — juuri ne sanat, jotka tallenteessa merkitsevät eniten. Oikeudellisessa tai lääketieteellisessä ympäristössä oikea työnkulku on käyttää sitä luonnoksena, joka tarkistetaan rivi riviltä ääntä vastaan, ja sanoa se asiakirjassa. Siistimpi litteraatti kuin ääni ansaitsisi on vastuu, ja siksi tämä sivu nimeää tiedoston .transcript.txt:ksi eikä joksikin, joka näyttää pöytäkirjalta.
Entä jos tallenteessa on musiikkia tai useita ihmisiä puhumassa toistensa päälle?
Päällekkäinen puhe on kohta, jossa mikä tahansa yksivirtamalli heikkenee: kaksi ääntä kerralla muuttuu yhdeksi pitkäksi lauseeksi, eikä puhujamerkintöjä synny. Taustamusiikki jätetään yleensä huomiotta, mutta kova musiikki puheen alla voi vetää sanoja pois tekstistä tai keksiä sellaisia, joita ei koskaan sanottu. Jos tulos lukee paikoin kummallisesti, vertaa sitä ääneen niissä kohdissa sen sijaan että luottaisit tekstin sujuvuuteen — itsevarman näköinen lause ei ole todiste siitä, että se sanottiin.
Säilyttääkö litteraatti tiedoston oman rakenteen, kuten luvut tai raitojen nimet?
Ei. Vain litteroitu ääni tulee läpi; säiliön metatiedot kuten lukumerkit, raitojen otsikot ja kielitagit eivät ole osa tekstiä. Jos litteroit yhden raidan moniraitaisesta tiedostosta, sivu lukee äänen pudottamastasi tiedostosta, ja kappaleiden katkokset tulevat tauoista eivät siitä, missä luvut olivat. Pitkän tallenteen jakaminen ensin lukutiedostoiksi on järkevä työnkulku, jos haluat noiden rajojen näkyvän.