Transkriber lyd til tekst
Den første kjøringen laster ned talemodellen — omtrent 45 MB for det raske nivået, 81 MB for det nøyaktige, servert av dette nettstedet og bufret av nettleseren etterpå. Ingenting lastes opp, og transkripsjonen er maskinlaget: korrekturlés ordlyden og tidene før du publiserer den.
Innstillinger
To nivåer av samme modell. Den raske er omtrent 45 MB og transkriberer omtrent dobbelt så raskt; den nøyaktige er omtrent 81 MB og treffer bedre på store bokstaver og tegnsetting. Begge kjører her, og nedlastingen skjer én gang per nettleser. På et langt opptak bør du prøve det raske nivået først for å kontrollere at språket er riktig.
Språket som tales i opptaket. Det finnes ikke noe automatisk alternativ: denne versjonen av modellen gjenkjenner ikke språk, og uten noe valgt antar den engelsk. Et kinesisk opptak lest som engelsk feiler ikke — det produserer flytende utseende vrøvl, som er langt vanskeligere å legge merke til. Velg språket du faktisk hører.
Denne siden gjør et opptak om til ren tekst: avsnitt av det som ble sagt, uten tidskodene. Det er samme lyttemotor som undertekstversjonen av denne siden — samme modeller, samme tretti sekunders vinduer, samme regel om bare lokalt — men det siste trinnet er annerledes. I stedet for å skrive én tekstblokk per setning, slås setningene sammen til avsnitt og timingen kastes helt, så du får noe du kan lime inn i et dokument, en e-post eller et møtereferat.
Avsnitt brytes ved de to tingene som faktisk skiller tanker i tale: en pause lengre enn halvannet sekund, eller fire setninger på rad. Bare en regel basert på mellomrom ville gjort en fem minutter lang monolog til én uleselig vegg av tekst; bare en regel basert på setningsantall ville delt en talers åndedragspause i et nytt avsnitt. Begge sammen gir noe som leses omtrent slik personen snakket.
Lyttingen skjer i fanen. Talemodellen lastes ned én gang fra dette nettstedet — rundt 45 MB for den raske, rundt 81 MB for den nøyaktige — og bufres av nettleseren etterpå; selve opptaket forlater aldri fanen. Det finnes ikke noe opplastingssteg å hoppe over og ingen konto å lage, som er det som gjør den brukbar på intervjuer som ikke kan sendes til en transkripsjonstjeneste.
Utdataene er en .txt-fil navngitt etter kildeopptaket: film.mkv blir film.transcript.txt. Den tydelige endelsen er med vilje — en ren .txt som ligger ved siden av andre tekstfiler, bør si hva den er, og en transkripsjon laget av en maskin er en annen slags dokument enn møtereferatet noen skrev for hånd.
Som med undertekstversjonen må det som kommer ut, korrekturleses, og språket må velges for hånd: denne versjonen av modellen antar engelsk når den ikke får beskjed, og å ta feil der gir flytende vås i stedet for en feilmelding.
Ofte stilte spørsmål
Hvordan er dette forskjellig fra siden som eksporterer en undertekstfil som tekst?
Forskjellen er hvor timingen kommer fra. Eksportsiden starter med en undertekstfil som allerede har tekstblokker og slår teksten deres sammen til avsnitt — tidene fantes og kastes bare. Denne siden starter med lyd som ikke har noen timing i det hele tatt, bygger den først og kaster den så. Derfor virker et opptak uten undertekstspor her og ikke der, og derfor trenger denne siden en modellnedlasting mens den andre er umiddelbar.
Hvorfor deles avsnitt ved halvannet sekunds stillhet?
Fordi det omtrent er der talere skifter tanke. Kortere mellomrom faller inne i setninger og ville hogge teksten midt i en setningsdel; mye lengre terskler slår sammen ulike temaer til ett avsnitt. Grensen på fire setninger finnes for tilfellet der opptaket ikke har stillhet i det hele tatt — en innstudert voice-over eller en podkast tatt i én opptak — der pausene aldri kommer og en regel bare basert på mellomrom ville gitt én enkelt blokk. De to reglene sammen er det minste settet som håndterer begge ender.
Kan transkripsjonen brukes som bevis eller som offisielt dokument?
Ikke som den er produsert. Det er en maskins beste gjetning, og maskintranskripsjon ødelegger navn, tall og fagtermer — nettopp ordene som betyr mest i et dokument. I en juridisk eller medisinsk sammenheng er riktig arbeidsflyt å bruke den som et utkast som så kontrolleres linje for linje mot lyden, og å si det i dokumentet. En renere transkripsjon enn lyden fortjener, er en risiko, og det er også derfor denne siden kaller filen .transcript.txt i stedet for noe som ser ut som møtereferat.
Hva hvis opptaket har musikk eller flere personer som snakker i munnen på hverandre?
Overlappende tale er der enhver enkeltstrømsmodell blir dårlig: to stemmer samtidig blir én sammenhengende setning, og det produseres ingen taleretiketter. Bakgrunnsmusikk ignoreres vanligvis, men høy musikk under tale kan trekke ord ut av teksten eller finne opp ord som aldri ble sagt. Leser resultatet rart på enkelte steder, sammenligner du med lyden der i stedet for å stole på flyten i teksten — en selvsikker setning er ikke bevis for at den ble sagt.
Beholder transkripsjonen filens egen struktur, som kapitler eller spornavn?
Nei. Bare lyden som transkriberes, kommer med; beholdermetadata som kapittelmarkører, spornavn og språktagger er ikke en del av teksten. Transkriberer du ett spor ut av en fil med flere spor, leser siden lyden fra filen du slapp inn, og avsnittsskiftene kommer fra pauser, ikke fra hvor kapitlene var. Å dele et langt opptak i kapittelfiler først er en rimelig arbeidsflyt hvis du vil at de grensene skal vises.