Transkripsie

Akkuraatheid oorskry tipies 95% vir duidelike oudio in ondersteunde tale. Ons gebruik OpenAI se toonaangewende spraakherkenning onder die enjinkap — dieselfde model wat baie professionele transkripsie-instrumente aandryf.

Werklike akkuraatheid hang af van drie dinge: oudioduidelikheid (agtergrondgeraas maak skade), sprekeraksente (swaar streeksaksente kan 'n paar punte daal) en die taal self (Engels en Spaans neig om die hoogste te punteer). As jy maksimum akkuraatheid wil hê, sien Watter oudiokwaliteit gee die beste resultate? vir die klein dinge wat 'n groot verskil maak.

Ja — sprekeridentifikasie is beskikbaar op elke plan, insluitend die Free plan. Op die oplaaivorm, stel Identifiseer Sprekers op Ja en ons sal elke spreker in jou transkripsie outomaties etiketteer as Speaker 1, Speaker 2, ensovoorts.

Dit werk uitstekend vir vergaderings, onderhoude, poduitsendings en enige gesprek met meer as een persoon. Daar is geen beperking op die aantal sprekers wat ons sal opspoor nie. Sprekeridentifikasie voeg 'n bietjie verwerkingstyd by, so laat dit af vir solo-opnames (lesings, stemopnames, enkelnaarratorinhoud) om vinniger resultate te kry.

Ons ondersteun 99 tale vir transkripsie, insluitend Engels, Spaans, Portugees, Frans, Duits, Italiaans, Japannees, Chinees, Koreaans, Russies, Arabies, Hindi en nog baie meer.

Jy kan die taal uitdruklik op die oplaaiorm kies vir die beste akkuraatheid, of laat dit op Outomaties en ons sal dit opspoor. Die taallys is dieselfde as OpenAI Whisper se ondersteunde stel, en die SoundScript.AI-koppelvlak self is ook in al 99 tale beskikbaar — sien Waar dateer ek my koppelvlaktaal op? om joune te verander.

Duidelike stemme naby 'n mikrofoon opgeneem, met minimale agtergrondgeraas. Dit is die kort weergawe. Hier is wat die meeste help:

• Gebruik 'n goeie mikrofoon — selfs 'n beginners-USB-mikrofoon of moderne foon is baie beter as 'n skootrekenaar se ingeboude mikrofoon.
• Neem op in 'n stil kamer — maak vensters toe, skakel waaiers af en vermy harde oppervlakke wat eggo.
• Kom naby die mikrofoon — 15-30 sentimeter is die soete kol vir natuurlike spraak.
• Vermy agtergrondmusiek waar moontlik — sien Hoe hanteer SoundScript.AI agtergrondmusiek of geraas? vir wat om te verwag wanneer musiek onvermydelik is.

Die meeste lêers is in sekondes tot 'n paar minute klaar. 'n Tipiese 10-minuut-oudiolêer is gewoonlik in minder as 30 sekondes klaar.

Lêers groter as 25MB word outomaties in stukkies verdeel en parallel verwerk, so selfs 'n uur se opname is gewoonlik in 2-3 minute gereed. Die aktivering van sprekeridentifikasie voeg 'n bietjie ekstra tyd by. Die vordering-staaf dateer in reële tyd op — daar is niks om te verfris nie.

Ons verdeel groot lêers outomaties in kleiner stukkies in die agtergrond, transkribeer dit parallel en sit die resultate weer aanmekaar. Jy hoef niks te doen nie — laai net jou lêer soos gewoonlik op.

Die maksimum oplaaigrootte is 1GB. Elke stuk word onafhanklik verwerk, en dit is hoekom 'n een-uur-lêer in net 'n paar minute gereed kan wees. Die stukgrense word op natuurlike stiltes geplaas waar moontlik om te verhoed dat woorde midde-in 'n sin gesny word.

Eiename — name, handelsnaam, tegniese terme, akronieme — is die moeilikste deel van transkripsie omdat hulle nie normale taalpatrone volg nie. Selfs goeie oudio kan verkeerd gespelde name lewer.

'n Paar dinge wat help:

• Kies die taal uitdruklik in plaas van outo-opsporing te gebruik.
• Spreek eiename duidelik uit wanneer jy opneem, met 'n klein pouse rondom hulle.
• Redigeer die transkripsie daarna — jy kan die teks in enige redigeerder kopieer en name met soek-en-vervang regmaak. Ons ondersteun tans nie 'n pasgemaakte woordeskat-lys nie, maar dit is op ons radar.

Jy kan die transkripsieteks van die resultaatbladsy kopieer en dit in enige teksredigeerder of woordverwerker redigeer — Google Docs, Microsoft Word, Notepad, wat jy ook al verkies.

Ons het nog nie 'n in-program-redigeerder nie, so veranderinge wat jy buite SoundScript.AI maak, word nie na ons bedieners teruggestoor nie. Die oorspronklike transkripsie bly in jou dashboard sodat jy altyd 'n vars kopie kan aflaai. Gebruik die .doc- of .txt-aflaaiformate as jy wil redigeer en formatering behou.

SRT is die standaard ondertitelformaat — dit sluit tydstempels in sodat elke reël teks op die regte oomblik in jou video verskyn. Gebruik dit vir YouTube, Vimeo, videoredigeerders soos Premiere of Final Cut, of enige ondertitelbewuste speler.

TXT is gewone teks sonder tydstempels — perfek vir dokumente, blogplasings, getranskribeerde onderhoude, of enigiets waar jy net die woorde wil hê. Ons bied ook DOC (geformateerde Word-dokument) en PDF (drukbaar) aan — sien Hoe laai ek af as TXT, DOC of PDF? vir besonderhede.

Ons doen ons bes, maar swaar agtergrondmusiek of geraas sal akkuraatheid verminder. Ligte omgewingsgeraas ('n stil kafee, 'n waaier wat loop) veroorsaak gewoonlik geen probleem nie. Harde musiek of mededingende stemme is die moeilikste gevalle.

Vir onderhoudstipe-inhoud met intromuniek sal jy gewoonlik sien dat die musiek as onsin getranskribeer of oorgesit word, en dan keer akkuraatheid terug wanneer spraak begin. As jy die spraak-enigste weergawe van jou oudio kan opneem (of musiek vooraf met 'n instrument soos Audacity verwyder), sal akkuraatheid merkbaar beter wees.