Transkripzioa

Zehaztasuna normalean %95etik gora dago onartzen diren hizkuntzetako audio garbietarako. OpenAI-ren hizketa ezagutza industriako liderra erabiltzen dugu, transkripzio tresna profesional askok darabilten eredu bera.

Mundu errealeko zehaztasuna hiru gauzaren arabera dago: audioaren argitasuna (atzeko planoko zaratak min egiten du), hizlarien azentuak (eskualdeko azentu indartsuek puntu batzuk jaitsi ditzakete) eta hizkuntza bera (ingelesa eta gaztelania izan ohi dira puntuaziorik altuena dutenak). Gehienezko zehaztasuna nahi baduzu, ikus Zein audio kalitatek ematen ditu emaitza onenak? alde handia egiten duten xehetasunetarako.

Bai — hizlarien identifikazioa eskuragarri dago plan guztietan, Free plana barne. Igoeraren formularioan, ezarri Identifikatu hizlariak Bai balioan eta automatikoki etiketatuko dugu hizlari bakoitza zure transkripzioan Speaker 1, Speaker 2, eta abar gisa.

Oso ondo funtzionatzen du bileretarako, elkarrizketetarako, podcastetarako eta pertsona anitzeko edozein elkarrizketatarako. Ez dago mugarik antzemango dugun hizlari kopuruari. Hizlarien identifikazioak prozesatze denbora pixka bat gehitzen du, beraz desaktibatuta utzi solo grabaketetarako (hitzaldiak, ahots-oharrak, narratzaile bakarreko edukiak) emaitza azkarragoak lortzeko.

99 hizkuntza onartzen ditugu transkripziorako, besteak beste ingelesa, gaztelania, portugesa, frantsesa, alemana, italiera, japoniera, txinera, koreera, errusiera, arabiera, hindia eta askoz gehiago.

Igoeraren formularioan hizkuntza esplizituki hauta dezakezu zehaztasun handienerako, edo Auto aukeran utzi eta guk antzemango dugu zuretzat. Hizkuntzen zerrenda OpenAI Whisper-ek onartzen duen multzo berbera da, eta SoundScript.AI-ren interfazea bera ere 99 hizkuntza guztietan dago eskuragarri — ikus Non eguneratzen dut nire interfaze hizkuntza? zurea aldatzeko.

Mikrofonoaren ondoan grabatutako ahots argiak, atzeko planoko zarata gutxirekin. Hori da bertsio laburra. Hona hemen gehien laguntzen duena:

• Erabili mikrofono on bat — sarrera mailako USB mikrofono bat edo telefono modernoa askoz hobea da ordenagailu eramangarriaren mikrofono integratua baino.
• Grabatu gela isil batean — itxi leihoak, itzali haizagailuak eta saihestu oihartzuna sortzen duten gainazal gogorrak.
• Hurbildu mikrofonora — 15-30 zentimetro dira hizketa naturalerako tarte aproposena.
• Saihestu atzeko musika ahal denean — ikus Nola kudeatzen du SoundScript.AI-k atzeko musika edo zarata? musika saihestezina denean zer espero jakiteko.

Fitxategi gehienak segundo batzuetatik pare bat minututara amaitzen dira. 10 minutuko audio fitxategi ohiko bat normalean 30 segundo baino gutxiagotan amaitzen da.

25MB baino handiagoak diren fitxategiak automatikoki zatiketetan banatzen dira eta paraleloan prozesatzen dira, beraz ordu beteko grabaketa bat ere normalean 2-3 minututan prest dago. Hizlarien identifikazioa gaitzeak denbora pixka bat gehitzen du. Aurrerapen barra denbora errealean eguneratzen da — ez dago zer freskaturik.

Fitxategi handiak automatikoki zatiketa txikiagotan banatzen ditugu atzealdean, paraleloan transkribatzen ditugu eta emaitzak elkartzen ditugu berriz. Ez duzu ezer egin behar — igo zure fitxategia ohiko bezala.

Gehienezko igoera tamaina 1GB da. Zati bakoitza modu independentean prozesatzen da, eta horregatik ordu bateko fitxategi bat minutu gutxitan prest egon daiteke. Zatiketen mugak ahal den guztietan isiltasun naturaletan jartzen dira hitzak esaldi erdian ez mozteko.

Izen propioak — pertsona izenak, marka izenak, termino teknikoak, akronimoak — transkripzioaren zatirik zailena dira, ez baitute ohiko hizkuntza ereduei jarraitzen. Audio bikain batek ere gaizki idatzitako izenak sor ditzake.

Hauek dira lagungarriak diren gauza batzuk:

• Hautatu hizkuntza esplizituki auto-detekzioa erabili beharrean.
• Esan izen propioak argi grabatzean, inguruan etenaldi txiki batekin.
• Editatu transkripzioa ondoren — testua edozein editorera kopiatu dezakezu eta izenak bilatu-eta-ordeztu funtzioarekin zuzendu. Une honetan ez dugu hiztegi pertsonalizaturik onartzen, baina gure ikusmiran dago.

Emaitza orritik transkripzioaren testua kopiatu eta edozein testu editore edo testu prozesadoretan editatu dezakezu — Google Docs, Microsoft Word, Notepad, nahi duzuna.

Oraindik ez dugu aplikazio barneko editorerik, beraz SoundScript.AI-tik kanpo egiten dituzun aldaketak ez dira gure zerbitzarietara gordetzen. Jatorrizko transkripzioa zure arbelean gelditzen da, beraz beti deskargatu dezakezu kopia fresko bat. Erabili .doc edo .txt deskarga formatuak formatua mantenduz editatu nahi baduzu.

SRT azpitituluen formatu estandarra da — denbora-markak biltzen ditu, testu lerro bakoitza zure bideoaren une egokian ager dadin. Erabili YouTube-rako, Vimeo-rako, Premiere edo Final Cut bezalako bideo editoreetarako edo azpitituluak ezagutzen dituen edozein erreproduzitzailerentzat.

TXT denbora-markarik gabeko testu soila da — ezin hobea dokumentuetarako, blogeko sarreretarako, transkribatutako elkarrizketetarako edo hitzak bakarrik nahi dituzun edozertarako. DOC (Word dokumentu formatua duen) eta PDF (inprimagarria) ere eskaintzen ditugu — ikus Nola deskargatzen dut TXT, DOC edo PDF gisa? xehetasunetarako.

Gure onena egiten dugu, baina atzeko musika edo zarata indartsuak zehaztasuna jaitsiko du. Inguruko zarata arina (kafetegi isila, haizagailu bat martxan) ez du normalean arazorik sortzen. Musika ozena edo ahots lehiakorrak dira kasurik zailenak.

Sarrera musikarekin elkarrizketa estiloko edukietarako, normalean ikusiko duzu musika hizkera nahasi gisa transkribatzen dela edo saltatzen dela, eta gero hizketa hasten denean zehaztasuna itzultzen da. Zure audioaren hizketa hutsezko bertsioa graba badezakezu (edo aurretik Audacity bezalako tresna batekin musika ezabatu badezakezu), zehaztasuna nabarmen hobea izango da.