Transkrypcja wywiadu

1. Prześlij pierwsze nagranie — plik z dyktafonu, telefonu, Teams albo Zooma, bez konwersji.
2. Poczekaj kilka minut. Godzina nagrania to zwykle kilka minut przetwarzania, a stronę możesz w tym czasie zamknąć.
3. Przeczytaj darmowy podgląd i sprawdź na własnym nagraniu, czy mówcy są rozdzieleni tak, jak potrzebujesz.
4. Odblokuj pełny transkrypt: jednorazowo za to nagranie albo godzinami z abonamentu, jeśli masz przed sobą całą serię.
5. Popraw nazwiska i terminy w edytorze, nadaj mówcom właściwe etykiety i pobierz TXT lub SRT do dalszej analizy.

Wywiad rzadko jest jeden. Zwykle jest ich kilkanaście i to zmienia rachunek: liczy się nie cena pliku, a cena całej serii i to, ile pracy zostaje po transkrypcji. Wywiady badawcze to najdłuższe nagrania, jakie do nas trafiają — godzinne i dłuższe — i najczęstszy powód, dla którego ktoś kupuje godziny z góry.

Przewiń tabelę w bok, aby zobaczyć pozostałe kolumny.

Do wszystkich trzech prowadzi ta sama droga: przesyłasz plik, po kilku minutach masz tekst z podziałem na mówców, poprawiasz go w przeglądarce i eksportujesz. Różni się tylko to, co wybierzesz w cenniku.

Rozpoznawanie mówców jest włączone domyślnie. Model dzieli nagranie na osoby i przypisuje każdą wypowiedź do jednej z nich, a Ty nadajesz im nazwy w edytorze: „Badaczka”, „R1”, nazwisko.

• Wywiad IDI, dwie osoby przy jednym mikrofonie — przypadek najłatwiejszy i najczęstszy.
• Trzy, cztery osoby mówiące po kolei — nadal dobrze, o ile nie wchodzą sobie w słowo.
• Sesja FGI, sześć głosów i rozmowa równoległa — tu jakość podziału spada i trzeba go poprawić ręcznie.
• Jeden mikrofon na środku stołu — najsłabsze wejście, niezależnie od liczby osób.

Piszemy to wprost, bo różnica między dwoma a sześcioma głosami jest realna i lepiej sprawdzić ją przed zakupem niż po. Darmowy podgląd pokazuje początek transkryptu razem z podziałem na mówców — na Twoim nagraniu, nie na naszej próbce.

• Edytor w przeglądarce — poprawiasz nazwiska, terminy i etykiety mówców, słuchając nagrania w tym samym oknie.
• TXT do wczytania w MAXQDA, NVivo albo ATLAS.ti, w dwóch wariantach: z etykietami mówców i bez.
• SRT ze znacznikami czasu, jeśli chcesz wracać do konkretnej minuty nagrania.
• Link do udostępnienia transkryptu promotorowi albo redakcji, unieważniany w każdej chwili.
• Wyszukiwanie po treści wszystkich nagrań — wpisujesz zdanie, dostajesz nagranie, w którym padło.

Jeśli tniesz nagrania na fragmenty — po pytaniu, po rozmówcy — każdy plik jest osobnym nagraniem: z własnym podglądem, własnymi etykietami mówców i własnym eksportem. Nazwa pliku zostaje, więc „W2_pyt3.m4a” odnajdziesz po nazwie i po treści. Jedno zastrzeżenie do rachunku: każdy plik rozlicza się osobno. Przy zakupie jednorazowym każdy ma własne minimum 5 zł, a przy godzinach z abonamentu każdy zaokrągla się osobno do pełnej minuty — dziesięć sześciominutowych fragmentów to jednorazowo 50 zł, a jeden godzinny plik 30 zł. Jeśli możesz, wgrywaj całe wywiady i tnij dopiero tekst.

Eksport i wersja zredagowana są w ofercie płatnej. Sam transkrypt i edytor otwierają się także po darmowym odblokowaniu nagrania do pięciu minut.

Domyślny transkrypt jest dosłowny: zostaje w nim „yyy”, powtórzenie i urwane zdanie. Dla analizy jakościowej to zwykle zaleta, bo wahanie rozmówcy jest daną, a nie błędem zapisu.

Wersja zredagowana usuwa wypełniacze i jąkania, i nic więcej. Nie zmienia szyku, słów ani sensu wypowiedzi: model może wyłącznie skreślać, a każda jego odpowiedź jest przed zapisaniem sprawdzana mechanicznie. Jeśli sprawdzenie nie przejdzie, fragment zostaje dokładnie tak, jak padł.

Czego ta wersja nie robi: nie usuwa nazwisk, adresów ani innych danych osobowych. Pseudonimizację transkryptu robisz sam w edytorze, przed eksportem — my nie podmieniamy imion na kody. Warto o tym wiedzieć, zanim opiszesz procedurę we wniosku do komisji etycznej.

Transkrypt powstaje automatycznie, więc nazwiska, nazwy własne i liczby zawsze warto sprawdzić przy nagraniu. Pobrane pliki mają dopisek, że tekst wygenerowała AI — przy publikowaniu cytatów ta informacja bywa potrzebna.

Pojedynczy transkrypt kosztuje 0,50 zł za rozpoczętą minutę, przy minimum 5 zł. Godzinny wywiad to więc 30 zł. Od 80 minut nagrań w miesiącu taniej wychodzi abonament: 40 zł za 4 godziny, a niewykorzystane godziny zostają na koncie przez 12 miesięcy.

Przewiń tabelę w bok, aby zobaczyć pozostałe kolumny.

Godziny z abonamentu i dodatkowe godziny mają ten sam termin: 12 miesięcy od dodania do konta, także po anulowaniu abonamentu. Przy serii wywiadów rozłożonej na semestr możesz więc wykupić abonament na miesiąc, dokupić brakujące godziny i anulować — godziny zostaną na koncie do końca serii.

Przewiń tabelę w bok, aby zobaczyć pozostałe kolumny.

Stawki rynkowe podajemy jako rząd wielkości — zależą od terminu, jakości nagrania i tego, czy zamawiasz zapis dosłowny. Dla dziesięciu godzinnych wywiadów oznaczają od kilkuset do kilku tysięcy złotych u wykonawcy albo co najmniej czterdzieści godzin własnego pisania.

Whisper od OpenAI jest darmowy, otwarty i po polsku transkrybuje dobrze. Jeśli umiesz go zainstalować i masz czas maszyny, jest realną alternatywą — piszemy to wprost, bo przy serii wywiadów to on, a nie inny serwis, jest tym, z czym naprawdę konkurujemy.

• Instalacja: Python, ffmpeg i pobranie modelu. Na Macu albo Linuksie zwykle wieczór, na Windowsie częściej dwa.
• Czas: bez karty graficznej dziesięć godzin nagrań to od kilku do kilkunastu godzin liczenia, z włączonym komputerem.
• Mówcy: sam Whisper nie rozdziela głosów. Do tego potrzebna jest osobna biblioteka i sklejenie jej wyników z tekstem.
• Cisza i muzyka: w miejscach bez mowy model potrafi dopisać zdania, których nikt nie wypowiedział — trzeba je wyłapać przy odsłuchu.
• Poprawki: wynik to plik tekstowy. Edytor, w którym klikasz zdanie i słyszysz nagranie, trzeba sobie znaleźć osobno.

Skryba to ten sam rząd jakości bez tej pracy: wgrywasz plik, po kilku minutach masz tekst z podziałem na mówców w edytorze z odtwarzaczem, a dziesięć godzin wywiadów mieści się w 12 godzinach za 120 zł w abonamencie z dodatkowymi godzinami. Jeśli liczysz swój czas po zero złotych i lubisz terminal, Whisper wygra. Jeśli masz obronę za miesiąc — raczej nie.

Wywiad badawczy to zwykle dane osobowe, czasem szczególnej kategorii. Poniżej fakty, które możesz przepisać do opisu przetwarzania, bez naszej interpretacji.

• Nagrania leżą na Cloudflare R2 w Europejskim Obszarze Gospodarczym, w prywatnym zasobniku.
• Rozpoznawanie mowy wykonuje ElevenLabs, Inc. w USA: dostaje plik audio przez wygasający link i zwraca tekst; transfer na standardowych klauzulach umownych, szczegóły w polityce prywatności.
• Plik audio możesz kazać usuwać automatycznie po 1, 7 albo 30 dniach; transkrypt zostaje.
• Nagranie razem z transkryptem i wszystkimi udostępnieniami usuwasz sam, w każdej chwili. To samo dotyczy całego konta.
• Link do udostępnienia wygasa po 30 dniach i możesz go unieważnić wcześniej.
• Przygotowanie wersji zredagowanej wysyła sam tekst transkryptu do Anthropic w USA — pytamy o to osobno, przed pierwszym użyciem. Pliku audio tam nie wysyłamy.

Czego nie zrobimy za Ciebie: zgody rozmówców, informacji o nagrywaniu i anonimizacji transkryptu. To zostaje po Twojej stronie i tak też opisz to w dokumentacji badania.

Płacisz kartą, BLIK-iem albo Przelewy24, a przy zakupie jednorazowym karta nie zostaje zapisana. Przez 14 dni od zakupu możesz odstąpić od umowy i odzyskać całą kwotę, także jeśli zdążyłeś zużyć część godzin — nie potrącamy nic za wykorzystane minuty.

Prześlij pierwszy wywiad

Cztery sposoby przepisania wywiadu — ręcznie, przez redyktowanie, w biurze i z AI — opisaliśmy osobno, razem z czasami, kosztami i instrukcją krok po kroku.

Przewodnik: jak przepisać nagranie wywiadu na tekst