Transkripcija

Tačnost tipično prelazi 95% za jasan zvuk na podržanim jezicima. Koristimo OpenAI-evo industrijsko vodeće prepoznavanje govora, isti model koji pokreće mnoge profesionalne alate za transkripciju.

Stvarna tačnost ovisi o tri stvari: jasnoći zvuka (buka u pozadini šteti), naglasku govornika (jaki regionalni naglasci mogu smanjiti tačnost za nekoliko postotnih poena) i samom jeziku (engleski i španski obično imaju najviše ocjene). Ako želiš maksimalnu tačnost, pogledaj Kakva kvaliteta zvuka daje najbolje rezultate? za sitnice koje čine veliku razliku.

Da — identifikacija govornika dostupna je na svakom planu, uključujući Free plan. Na obrascu za upload postavi Identificiraj govornike na Da i automatski ćemo označiti svakog govornika u tvojoj transkripciji kao Speaker 1, Speaker 2 itd.

Odlično funkcioniše za sastanke, intervjue, podkaste i svaki razgovor s više osoba. Nema ograničenja na broj govornika koje ćemo detektovati. Identifikacija govornika dodaje malo vremena obrade, pa je isključi za solo snimke (predavanja, glasovne poruke, sadržaj s jednim naratorom) kako bi dobio/la brže rezultate.

Podržavamo 99 jezika za transkripciju, uključujući engleski, španski, portugalski, francuski, njemački, talijanski, japanski, kineski, korejski, ruski, arapski, hindi i mnoge druge.

Možeš eksplicitno odabrati jezik na obrascu za upload radi najbolje tačnosti, ili ga ostaviti na Automatski i mi ćemo ga detektovati. Lista jezika ista je kao OpenAI Whisperova podržana lista, a i samo sučelje SoundScript.AI dostupno je na svih 99 jezika — pogledaj Gdje mogu ažurirati jezik sučelja? da promijeniš svoj.

Jasni glasovi snimljeni blizu mikrofona, s minimalnom bukom u pozadini. To je kratka verzija. Evo što najviše pomaže:

• Koristi pristojan mikrofon — čak i ulazni USB mikrofon ili moderni mobitel znatno je bolji od ugrađenog mikrofona laptopa.
• Snimi u tihoj prostoriji — zatvori prozore, isključi ventilatore i izbjegavaj tvrde površine koje stvaraju odjek.
• Priđi blizu mikrofona — 15-30 cm je idealna udaljenost za prirodan govor.
• Izbjegavaj glazbu u pozadini kada je moguće — pogledaj Kako SoundScript.AI rukuje glazbom ili bukom u pozadini? da vidiš šta možeš očekivati kada se glazba ne može izbjeći.

Većina datoteka je gotova za nekoliko sekundi do nekoliko minuta. Tipična audio datoteka od 10 minuta obično završi za manje od 30 sekundi.

Datoteke veće od 25MB automatski se dijele na dijelove i obrađuju paralelno, pa čak i sat vremena dug snimak obično bude spreman za 2-3 minute. Omogućavanje identifikacije govornika dodaje malo dodatnog vremena. Traka napretka ažurira se u realnom vremenu — nema potrebe za osvježavanjem.

Automatski dijelimo velike datoteke na manje dijelove u pozadini, transkribujemo ih paralelno i spajamo rezultate natrag zajedno. Ne trebaš ništa raditi — samo uploaduj svoju datoteku normalno.

Maksimalna veličina uploada je 1GB. Svaki dio se obrađuje neovisno, zbog čega datoteka od sat vremena može biti sprema za samo nekoliko minuta. Granice dijelova postavljaju se na prirodne stanke kad god je moguće, kako bi se izbjeglo rezanje riječi usred rečenice.

Vlastita imena — imena osoba, nazivi brendova, tehnički termini, akronimi — najteži su dio transkripcije jer ne prate uobičajene jezičke obrasce. Čak i odličan zvuk može dovesti do pogrešno napisanih imena.

Nekoliko stvari koje pomažu:

• Eksplicitno odaberi jezik umjesto korišćenja automatskog otkrivanja.
• Izgovaraj vlastita imena jasno pri snimanju, s kratkom pauzom oko njih.
• Uredi transkripciju naknadno — možeš kopirati tekst u bilo koji editor i ispraviti imena pomoću traženja i zamjene. Trenutno ne podržavamo prilagođenu listu vokabulara, ali to je na našem radaru.

Možeš kopirati tekst transkripcije sa stranice s rezultatima i urediti ga u bilo kom tekstualnom editoru ili procesoru teksta — Google Docs, Microsoft Word, Notepad, šta god preferiraš.

Još nemamo editor unutar aplikacije, pa se izmjene koje napraviš izvan SoundScript.AI ne spremaju natrag na naše servere. Originalna transkripcija ostaje u tvojoj kontrolnoj ploči tako da uvijek možeš preuzeti svježu kopiju. Koristi .doc ili .txt formate za preuzimanje ako želiš uređivati i zadržati formatiranje.

SRT je standardni format za titlove — uključuje vremenske oznake tako da se svaki red teksta pojavljuje u pravom trenutku u tvom videu. Koristi ga za YouTube, Vimeo, video editore poput Premiere ili Final Cut, ili bilo koji player koji podržava titlove.

TXT je obični tekst bez vremenskih oznaka — savršen za dokumente, blog postove, transkribovane intervjue ili bilo šta gdje jednostavno želiš samo riječi. Nudimo i DOC (formatirani Word dokument) i PDF (za ispis) — pogledaj Kako preuzeti kao TXT, DOC ili PDF? za detalje.

Dajemo sve od sebe, ali jaka glazba u pozadini ili buka smanjit će tačnost. Lagana ambijentalna buka (tihi kafić, ventilator koji radi) obično ne pravi probleme. Glasna glazba ili konkurentski glasovi najteži su slučajevi.

Za sadržaj u stilu intervjua s uvodnom glazbom, obično ćeš vidjeti da je glazba transkribovana kao nerazumljiv tekst ili preskočena, a zatim se tačnost vraća kada počne govor. Ako možeš snimiti verziju svog audija samo s govorom (ili ukloniti glazbu alatom poput Audacity unaprijed), tačnost će biti primjetno bolja.