Trascrivere l’audio in testo
La prima esecuzione scarica il modello vocale: circa 45 MB per il livello veloce, 81 MB per quello preciso, serviti da questo sito e poi messi in cache dal browser. Nulla viene caricato, e la trascrizione è prodotta da una macchina: rileggere le parole e le temporizzazioni prima di pubblicarla.
Opzioni
Due livelli dello stesso modello. Quello veloce pesa circa 45 MB e trascrive all’incirca due volte più in fretta; quello preciso pesa circa 81 MB e avvicina di più maiuscole e punteggiatura. Entrambi girano qui, e il download avviene una volta per browser. Su una registrazione lunga, provare prima il livello veloce per verificare che la lingua sia giusta.
La lingua parlata nella registrazione. Non esiste un’opzione automatica: questa build del modello non rileva la lingua, e senza alcuna scelta assume l’inglese. Una registrazione cinese letta come inglese non fallisce: produce un nonsenso dall’aria fluente, che è molto più difficile da notare. Scegliere la lingua che si sente davvero.
Questa pagina trasforma una registrazione in testo semplice: paragrafi di quello che è stato detto, senza timecode. È lo stesso motore di ascolto della versione per sottotitoli di questa pagina — stessi modelli, stesse finestre da trenta secondi, stessa regola di tutto in locale — ma l’ultimo passaggio cambia. Invece di scrivere un blocco per frase, unisce le frasi in paragrafi e scarta del tutto i tempi, così quello che ottieni è qualcosa da incollare in un documento, in un’email o in un verbale di riunione.
I paragrafi si aprono sulle due cose che separano davvero i pensieri nel parlato: una pausa più lunga di un secondo e mezzo, oppure quattro frasi di fila. Solo una regola basata sulle pause trasformerebbe un monologo di cinque minuti in un muro illeggibile; solo una regola basata sul numero di frasi spezzerebbe in un nuovo paragrafo la pausa per respirare di chi parla. Insieme producono qualcosa che si legge all’incirca come la persona ha parlato.
Il lavoro è locale. Il modello vocale viene scaricato una volta da questo sito — circa 45 MB per il livello veloce, circa 81 MB per quello accurato — e poi memorizzato dal browser; la registrazione stessa non lascia mai la scheda. Non c’è un passaggio di caricamento da saltare né un account da creare, ed è ciò che rende utilizzabile questa pagina su interviste che non si possono inviare a un servizio di trascrizione. L’uscita è un file .txt chiamato come la registrazione di partenza: film.mkv diventa film.transcript.txt. Quel suffisso distinto è voluto: un .txt semplice accanto ad altri file di testo deve dire che cos’è, e una trascrizione prodotta da una macchina è un tipo di documento diverso dagli appunti che qualcuno ha battuto a mano. Come per la versione per sottotitoli, quello che esce va riletto e la lingua va scelta a mano: questa build del modello presume l’inglese quando non le si dice nulla, e sbagliare produce nonsenso dall’aria fluente invece di un errore.
Domande frequenti
In che cosa differisce dalla pagina che esporta un file di sottotitoli come testo?
La differenza sta da dove vengono i tempi. La pagina di esportazione parte da un file di sottotitoli che ha già i blocchi e unisce il loro testo in paragrafi: i tempi esistevano e vengono semplicemente scartati. Questa pagina parte da un audio che non ha alcun tempo e lo costruisce prima, poi lo scarta. È per questo che una registrazione senza traccia di sottotitoli funziona qui e non là, e che questa pagina richiede il download di un modello mentre quell’altra è immediata.
Perché i paragrafi si dividono a un secondo e mezzo di silenzio?
Perché è più o meno il punto in cui chi parla cambia pensiero. Gli spazi più brevi cadono dentro le frasi e taglierebbero il testo a metà di una proposizione; soglie molto più lunghe unirebbero argomenti distinti in un solo paragrafo. Il tetto di quattro frasi esiste per il caso in cui la registrazione non abbia affatto silenzio — una voce fuori campo provata o un podcast registrato in una sola ripresa — dove le pause non arrivano mai e una regola basata solo sugli spazi produrrebbe un blocco unico. Insieme, le due regole sono l’insieme più piccolo che copre entrambi gli estremi.
La trascrizione si può usare come prova o come documento ufficiale?
Non così come esce. È la migliore ipotesi di una macchina, e la trascrizione automatica sfigura nomi, numeri e termini tecnici, proprio le parole che contano di più in un documento. In ambito legale o medico il flusso corretto è usarla come bozza da controllare riga per riga contro l’audio, e dichiararlo nel documento. Una trascrizione più pulita di quanto l’audio meriti è una responsabilità, ed è anche per questo che questa pagina chiama il file .transcript.txt invece di qualcosa che sembri un verbale.
E se la registrazione ha musica o più persone che parlano l’una sopra l’altra?
Il parlato sovrapposto è il punto in cui qualsiasi modello a flusso unico peggiora: due voci insieme diventano una frase unica che corre, e non viene prodotta alcuna etichetta di interlocutore. La musica di sottofondo di solito viene ignorata, ma una musica forte sotto la voce può portare via parole dal testo o inventarne che non erano state dette. Se il risultato legge in modo strano in certi punti, confrontalo con l’audio in quei punti invece di fidarti del flusso del testo: una frase dall’aria sicura non è prova che sia stata pronunciata.
La trascrizione conserva la struttura del file, come capitoli o nomi delle tracce?
No. Passa solo l’audio trascritto; i metadati del contenitore come marcatori di capitolo, titoli delle tracce ed etichette di lingua non fanno parte del testo. Se stai trascrivendo una traccia di un file con più tracce, la pagina legge l’audio dal file che hai trascinato, e gli stacchi dei paragrafi vengono dalle pause, non da dove erano i capitoli. Dividere una registrazione lunga in file di capitolo prima è un flusso di lavoro ragionevole se vuoi che quei confini compaiano.