Słownik transkrypcji
Krótkie definicje pojęć, na które trafisz, wybierając narzędzie do transkrypcji albo czytając jego dokumentację.
W skrócie
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.
A
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.
D
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.
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.
F
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.
H
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.
P
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.
R
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.
S
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.
T
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.
V
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.
W
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.
Z
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.