Słownik transkrypcji
Krótkie definicje pojęć, na które trafisz, wybierając narzędzie do transkrypcji albo czytając jego dokumentację.
Transkrypcja to zapis mowy z nagrania w postaci tekstu. Wokół niej krąży garść pojęć, które w opisach narzędzi pojawiają się bez wyjaśnienia: ASR to automatyczne rozpoznawanie mowy, diaryzacja to rozpoznawanie mówców, WER to miara błędu, a verbatim to zapis dosłowny, zachowujący wtrącenia i powtórzenia.
Transkrypcja
Zapis mowy z nagrania w postaci tekstu. W kontekście narzędzi AI oznacza automatyczne przepisanie pliku dźwiękowego lub wideo, zwykle ze znacznikami czasu. Nie mylić z transkrypcją fonetyczną, biologiczną ani z transkrypcją aktu stanu cywilnego — to trzy zupełnie inne znaczenia tego samego słowa.
ASR (automatyczne rozpoznawanie mowy)
Technologia zamieniająca sygnał dźwiękowy na tekst. Współczesne systemy ASR to modele uczone na dużych zbiorach nagrań; nie „rozumieją” treści, tylko przewidują najbardziej prawdopodobny ciąg słów. Stąd typowe błędy: nazwiska, terminy branżowe i skróty, których w danych treningowych było mało.
Diaryzacja (podział na mówców)
Podział nagrania na fragmenty według tego, kto mówi, i oznaczenie ich etykietami. Bywa nazywana rozpoznawaniem mówców, ale to mylące: odpowiada na pytanie „kto powiedział co”, a nie „kim jest ta osoba”. Identyfikacją konkretnej osoby zajmuje się osobna technologia. Zawodzi najbardziej tam, gdzie rozmówcy mówią jednocześnie.
WER (word error rate)
Miara jakości transkrypcji: odsetek słów błędnych względem zapisu wzorcowego, liczący wstawienia, pominięcia i podmiany. WER 5% oznacza jeden błąd na dwadzieścia słów. Wartość zależy od nagrania, więc podana bez opisu warunków — języka, liczby mówców, jakości dźwięku — niewiele znaczy.
Znaczniki czasu
Informacja, w której sekundzie nagrania padł dany fragment tekstu. Pozwalają wrócić do konkretnego miejsca w dźwięku zamiast przewijać na wyczucie i są warunkiem wygenerowania napisów. Bez nich transkrypt jest tylko tekstem, a nie narzędziem do pracy z nagraniem.
SRT
Prosty format plików z napisami: kolejne bloki zawierają numer, zakres czasu i tekst. Obsługiwany przez odtwarzacze, programy montażowe i platformy wideo, dlatego eksport do SRT jest standardową drogą od transkryptu do napisów pod filmem.
Verbatim
Zapis dosłowny, zachowujący powtórzenia, wtrącenia i urwane zdania. Stosowany tam, gdzie liczy się dokładny przebieg wypowiedzi — w badaniach jakościowych i materiałach procesowych. Przeciwieństwem jest zapis oczyszczony, wygodniejszy do czytania, ale zmieniający formę wypowiedzi.
Redakcja transkryptu
Oczyszczenie zapisu z wtrąceń, powtórzeń i potknięć językowych tak, by dało się go czytać jak tekst pisany. Sens wypowiedzi zostaje, forma się zmienia — dlatego w materiałach, gdzie liczy się dosłowność, redakcji się nie stosuje.
Przepływność (bitrate)
Liczba bitów przypadająca na sekundę nagrania, podawana w kbps. Decyduje o rozmiarze pliku: godzina przy 128 kbps to około 58 MB, przy 320 kbps około 144 MB. Dla dokładności transkrypcji czystość nagrania waży więcej niż przepływność, ale bardzo niska potrafi ją obniżyć.
Format stratny i bezstratny
Format stratny (MP3, AAC, OGG) usuwa część informacji dźwiękowej, żeby zmniejszyć plik; bezstratny (WAV, FLAC) zachowuje wszystko i waży wielokrotnie więcej. Przy typowych ustawieniach mowa nie traci na tym w sposób istotny dla modelu ASR, ale mocna kompresja i bardzo niska przepływność już potrafią zaszkodzić.
Halucynacja modelu
Fragment tekstu, który model wygenerował mimo braku odpowiadającej mu treści w nagraniu. W transkrypcji zdarza się najczęściej w ciszy, przy szumie i na końcach plików. Dlatego każdy transkrypt AI wymaga sprawdzenia w miejscach, na których opiera się decyzja.
Dane osobowe w nagraniu
Nagranie rozmowy prawie zawsze zawiera dane osobowe — sam głos jest daną, a treść dokłada nazwiska i szczegóły. Oznacza to obowiązki z RODO: podstawę przetwarzania, umowę powierzenia z dostawcą narzędzia i określony czas przechowywania.