Transkripcija

Točnost obično premašuje 95% za jasan zvuk na podržanim jezicima. U pozadini koristimo vodeće OpenAI prepoznavanje govora u industriji, isti model koji pokreće mnoge profesionalne alate za transkripciju.

Točnost u stvarnom svijetu ovisi o tri stvari: jasnoći zvuka (pozadinska buka šteti), akcentima govornika (jaki regionalni akcenti mogu pasti nekoliko bodova) i samom jeziku (engleski i španjolski obično postižu najviše rezultate). Ako želiš maksimalnu točnost, pogledaj Koja kvaliteta zvuka daje najbolje rezultate? za male stvari koje čine veliku razliku.

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

Sjajno funkcionira za sastanke, intervjue, podcaste i sve razgovore s više osoba. Nema ograničenja u broju govornika koje ćemo otkriti. Identifikacija govornika dodaje malo vremena obrade, pa je ostavi isključenu za samostalne snimke (predavanja, glasovne bilješke, sadržaj s jednim naratorom) za brže rezultate.

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

Možeš eksplicitno odabrati jezik na obrascu za prijenos za najbolju točnost ili ga ostaviti na Auto i mi ćemo ga otkriti umjesto tebe. Popis jezika isti je kao podržani skup OpenAI Whispera, a samo SoundScript.AI sučelje također je dostupno na svih 99 jezika — pogledaj Gdje ažuriram jezik sučelja? da promijeniš svoj.

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

• Koristi pristojan mikrofon — čak je i USB mikrofon početne razine ili moderni telefon mnogo bolji od ugrađenog mikrofona prijenosnog računala.
• Snimaj u tihoj prostoriji — zatvori prozore, isključi ventilatore i izbjegavaj tvrde površine koje stvaraju jeku.
• Budi blizu mikrofona — 15-30 cm je idealna udaljenost za prirodan govor.
• Izbjegavaj pozadinsku glazbu kada je to moguće — pogledaj Kako SoundScript.AI obrađuje pozadinsku glazbu ili buku? za to što očekivati kada je glazba neizbježna.

Većina datoteka gotova je u nekoliko sekundi do nekoliko minuta. Tipična 10-minutna audio datoteka obično završava u manje od 30 sekundi.

Datoteke veće od 25MB automatski se dijele u dijelove i obrađuju paralelno, pa je čak i jednosatna snimka obično spremna za 2-3 minute. Uključivanje identifikacije govornika dodaje malo dodatnog vremena. Traka napretka ažurira se u stvarnom vremenu — nema se što osvježavati.

Velike datoteke automatski dijelimo u manje dijelove u pozadini, transkribiramo ih paralelno i spajamo rezultate natrag. Ne moraš ništa raditi — samo prenesi datoteku kao i obično.

Maksimalna veličina prijenosa je 1GB. Svaki dio obrađuje se neovisno, zbog čega jednosatna datoteka može biti spremna za samo nekoliko minuta. Granice dijelova postavljaju se na prirodnim tišinama kad god je to moguće kako se ne bi rezale riječi usred rečenice.

Vlastite imenice — imena, nazivi marki, tehnički pojmovi, akronimi — najteži su dio transkripcije jer ne slijede uobičajene jezične obrasce. Čak i odličan zvuk može proizvesti pogrešno napisana imena.

Nekoliko stvari koje pomažu:

• Eksplicitno odaberi jezik umjesto korištenja automatskog otkrivanja.
• Govori vlastite imenice jasno prilikom snimanja, s malom pauzom oko njih.
• Uredi transkripciju nakon toga — možeš kopirati tekst u bilo koji uređivač i popraviti imena pomoću pretraživanja i zamjene. Trenutno ne podržavamo prilagođeni rječnik, ali to nam je na radaru.

Možeš kopirati tekst transkripcije sa stranice s rezultatima i urediti ga u bilo kojem uređivaču teksta ili obradi teksta — Google Docs, Microsoft Word, Notepad, što god ti odgovara.

Još uvijek nemamo uređivač unutar aplikacije, pa se promjene koje napraviš izvan SoundScript.AI ne spremaju natrag na naše poslužitelje. Izvorna transkripcija ostaje u tvojoj nadzornoj ploči tako da uvijek možeš preuzeti svježu kopiju. Koristi .doc ili .txt formate za preuzimanje ako želiš urediti i zadržati oblikovanje.

SRT je standardni format titlova — uključuje vremenske oznake tako da se svaki redak teksta pojavljuje u pravom trenutku u tvom videu. Koristi ga za YouTube, Vimeo, video uređivače poput Premierea ili Final Cuta ili bilo koji player koji podržava titlove.

TXT je čisti tekst bez vremenskih oznaka — savršen za dokumente, blog postove, transkribirane intervjue ili bilo što gdje samo želiš riječi. Također nudimo DOC (formatirani Word dokument) i PDF (za ispis) — pogledaj Kako preuzimam kao TXT, DOC ili PDF? za detalje.

Dajemo sve od sebe, ali jaka pozadinska glazba ili buka smanjit će točnost. Laka ambijentalna buka (tihi kafić, ventilator koji radi) obično ne uzrokuje problem. Glasna glazba ili konkurentski glasovi najteži su slučajevi.

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