Transkribera ljud till text
Första körningen laddar ner talmodellen – ungefär 45 MB för den snabba nivån, 81 MB för den noggranna, serverad av den här webbplatsen och cachad av webbläsaren efteråt. Inget laddas upp, och transkriptionen är maskintillverkad: korrekturläs ordalydelsen och tiderna innan du publicerar den.
Inställningar
Två nivåer av samma modell. Den snabba är ungefär 45 MB och transkriberar ungefär dubbelt så snabbt; den noggranna är ungefär 81 MB och träffar versaler och skiljetecken bättre. Båda körs här, och nedladdningen sker en gång per webbläsare. På en lång inspelning, prova den snabba nivån först för att kontrollera att språket är rätt.
Språket som talas i inspelningen. Det finns inget automatiskt alternativ: den här versionen av modellen identifierar inte språk, och utan val antas engelska. En kinesisk inspelning som läses som engelska misslyckas inte – den producerar flytande nonsens, vilket är mycket svårare att lägga märke till. Välj det språk du faktiskt hör.
Den här sidan gör en inspelning till klartext: stycken av det som sades, med tidskoderna borta. Det är samma lyssnande motor som undertextversionen av sidan – samma modeller, samma trettio sekunders fönster, samma regel om att allt stannar lokalt – men det sista steget skiljer sig. I stället för att skriva ett textblock per mening fogas meningarna ihop till stycken och tidsangivelsen kastas helt, så det du får är något du kan klistra in i ett dokument, ett mejl eller mötesanteckningar.
Stycken bryts vid de två saker som faktiskt skiljer tankar åt i tal: en paus längre än en och en halv sekund, eller fyra meningar i rad. En regel som bara såg till glapp skulle förvandla en fem minuter lång monolog till en oläsbar vägg av text; en regel som bara räknade meningar skulle dela en talares andningspaus i ett nytt stycke. Tillsammans ger de två något som ungefär läses som personen talade.
Arbetet sker lokalt. Talmodellen laddas ner en gång från den här sajten – ungefär 45 MB för den snabba nivån och 81 MB för den noggranna – och cachas av webbläsaren efteråt; själva inspelningen lämnar aldrig fliken. Det finns inget uppladdningssteg att hoppa över och inget konto att skapa, vilket är vad som gör den användbar på intervjuer som inte får skickas till en transkriberingstjänst. Nedladdningen av modellen kan avbrytas direkt, medan själva igenkänningen stannar vid nästa fönster.
Utdata är en .txt-fil namngiven efter källinspelningen: film.mkv blir film.transcript.txt. Det distinkta suffixet är med avsikt – en vanlig .txt bredvid andra textfiler bör säga vad den är, och en transkription som gjorts av en maskin är en annan sorts dokument än mötesanteckningar någon skrivit själv.
Precis som i undertextversionen behöver resultatet korrekturläsas, och språket måste väljas för hand: den här versionen av modellen antar engelska när den inte får veta något, och att välja fel ger flytande nonsens i stället för ett fel. Inget laddas upp – bara modelldata går ner, aldrig inspelningen upp.
Vanliga frågor
Hur skiljer sig den här ljud-till-text-transkriberingen från sidan som exporterar en undertextfil som text?
Skillnaden är var tidsangivelsen kommer ifrån. Exportsidan börjar med en undertextfil som redan har textblock och fogar deras text till stycken – tiderna fanns och kastas helt enkelt. Den här sidan börjar med ljud som inte har någon tidsangivelse alls, bygger den först och kastar den sedan. Det är därför en inspelning utan undertextspår fungerar här men inte där, och varför den här sidan behöver en modellnedladdning medan den andra är omedelbar.
Varför delas styckena i ljudtranskriberingen vid en och en halv sekunds tystnad?
Eftersom det ungefär är där talare byter tanke. Kortare glapp faller inuti meningar och skulle hugga texten mitt i en sats; mycket längre trösklar slår ihop olika ämnen till ett stycke. Taket på fyra meningar finns för fallet då inspelningen inte har någon tystnad alls – en inövad voice-over eller en podd inspelad i en tagning – där pauserna aldrig kommer och enbart en glappregel skulle ge ett enda block. De två reglerna tillsammans är den minsta uppsättning som klarar båda ändarna.
Kan transkriptionen användas som bevis eller som ett officiellt protokoll?
Inte som den produceras. Det är en maskins bästa gissning, och maskintranskribering förvanskar namn, siffror och facktermer – just de ord som betyder mest i ett protokoll. I en juridisk eller medicinsk miljö är rätt arbetsflöde att använda den som ett utkast som sedan kontrolleras rad för rad mot ljudet och att säga det i dokumentet. En renare transkription än ljudet förtjänar är en belastning, vilket också är varför sidan namnger filen .transcript.txt i stället för något som ser ut som mötesprotokoll.
Vad händer om inspelningen innehåller musik eller flera personer som pratar i munnen på varandra?
Överlappande tal är där vilken enkelströmsmodell som helst försämras: två röster samtidigt blir en enda lång mening, och inga talaretiketter produceras. Bakgrundsmusik ignoreras oftast, men hög musik under tal kan dra ut ord ur texten eller hitta på ord som aldrig sades. Läses resultatet underligt på vissa ställen jämför du mot ljudet just där i stället för att lita på textens flyt – en självsäker mening är inget bevis för att den sades.
Behåller texttranskriberingen filens egen struktur, som kapitel eller spårnamn?
Nej. Bara ljudet som transkriberas följer med; behållarmetadata som kapitelmarkeringar, spårtitlar och språktaggar är inte en del av texten. Transkriberar du ett spår ur en fil med flera spår läser sidan ljudet från filen du släppte in, och styckebrytningarna kommer från pauser, inte från var kapitlen låg. Att dela en lång inspelning i kapitelfiler först är ett rimligt arbetsflöde om du vill att de gränserna ska synas.