Transkripcija

Precizitāte parasti pārsniedz 95% skaidram audio atbalstītajās valodās. Mēs zem motora pārsega izmantojam OpenAI nozares vadošo runas atpazīšanu — to pašu modeli, kas darbina daudzus profesionālus transkripcijas rīkus.

Reālā precizitāte ir atkarīga no trim lietām: audio skaidrības (fona troksnis kaitē), runātāju akcentiem (smagi reģionālie akcenti var noķert dažus punktus mazāk) un pašas valodas (angļu un spāņu parasti uzrāda augstākos rādītājus). Ja vēlies maksimālu precizitāti, skati Kāda audio kvalitāte sniedz labākos rezultātus?, lai uzzinātu mazās lietas, kas rada lielu atšķirību.

Jā — runātāju identifikācija ir pieejama visos plānos, tostarp Bezmaksas plānā. Augšupielādes formā iestati Identificēt runātājus uz Jā, un mēs automātiski apzīmēsim katru runātāju tavā transkripcijā kā Speaker 1, Speaker 2 un tā tālāk.

Tas lieliski darbojas sanāksmēm, intervijām, podkāstiem un jebkurai vairāku cilvēku sarunai. Nav ierobežojuma runātāju skaitam, ko mēs noteiksim. Runātāju identifikācija pievieno mazliet apstrādes laika, tāpēc atstāj to izslēgtu vienam runātājam paredzētiem ierakstiem (lekcijas, balss memo, viena stāstītāja saturs), lai iegūtu ātrākus rezultātus.

Mēs atbalstām 99 valodas transkripcijai, tostarp angļu, spāņu, portugāļu, franču, vācu, itāļu, japāņu, ķīniešu, korejiešu, krievu, arābu, hindi un daudzas citas.

Tu vari skaidri izvēlēties valodu augšupielādes formā vislabākajai precizitātei vai atstāt to uz Automātiski, un mēs to noteiksim tavā vietā. Valodu saraksts ir tas pats, ko atbalsta OpenAI Whisper, un arī pati SoundScript.AI saskarne ir pieejama visās 99 valodās — skati Kur var nomainīt saskarnes valodu?, lai to mainītu.

Skaidras balsis, ierakstītas tuvu mikrofonam, ar minimālu fona troksni. Tā ir īsā versija. Lūk, kas palīdz visvairāk:

• Izmanto pieklājīgu mikrofonu — pat ieejas līmeņa USB mikrofons vai mūsdienīgs telefons ir daudz labāks par klēpjdatora iebūvēto mikrofonu.
• Ieraksti klusā telpā — aizver logus, izslēdz ventilatorus un izvairies no cietām virsmām, kas rada atbalsi.
• Pieej tuvu mikrofonam — 15-30 cm ir ideāls attālums dabiskai runai.
• Izvairies no fona mūzikas, kad vien iespējams — skati Kā SoundScript.AI apstrādā fona mūziku vai troksni?, lai uzzinātu, ko sagaidīt, kad no mūzikas nav iespējams izvairīties.

Vairums failu ir gatavi dažās sekundēs līdz pāris minūtēs. Tipisks 10 minūšu audio fails parasti tiek pabeigts mazāk nekā 30 sekundēs.

Faili, kas lielāki par 25MB, tiek automātiski sadalīti gabalos un apstrādāti paralēli, tāpēc pat stundu garš ieraksts parasti ir gatavs 2-3 minūtēs. Runātāju identifikācijas iespējošana pievieno mazliet papildu laika. Progresa josla atjauninās reāllaikā — nekas nav jāatsvaidzina.

Mēs automātiski sadalām lielus failus mazākos gabalos fonā, transkribējam tos paralēli un atkal saliekam rezultātus kopā. Tev nekas nav jādara — vienkārši augšupielādē savu failu kā parasti.

Maksimālais augšupielādes izmērs ir 1GB. Katrs gabals tiek apstrādāts neatkarīgi, tieši tāpēc stundu garš fails var būt gatavs jau dažu minūšu laikā. Gabalu robežas, kad vien iespējams, tiek izvietotas dabiskās klusuma vietās, lai izvairītos no vārdu pārtraukšanas teikuma vidū.

Īpašvārdi — vārdi, zīmolu nosaukumi, tehniskie termini, akronīmi — ir grūtākā daļa transkripcijā, jo tie neatbilst parastajiem valodas modeļiem. Pat lielisks audio var radīt nepareizi uzrakstītus vārdus.

Dažas lietas, kas palīdz:

• Skaidri izvēlies valodu, nevis izmanto automātisko noteikšanu.
• Ieraksta laikā skaidri izrunā īpašvārdus, ar nelielu pauzi ap tiem.
• Pēc tam rediģē transkripciju — tu vari nokopēt tekstu jebkurā redaktorā un izlabot vārdus ar atrast-un-aizstāt. Šobrīd mēs neatbalstām pielāgotu vārdu krājumu, bet tas ir mūsu plānos.

Tu vari nokopēt transkripcijas tekstu no rezultātu lapas un rediģēt to jebkurā teksta redaktorā vai tekstapstrādes programmā — Google Docs, Microsoft Word, Notepad — kas vien tev patīk.

Mums vēl nav lietotnē iebūvēta redaktora, tāpēc izmaiņas, ko veic ārpus SoundScript.AI, netiek saglabātas atpakaļ mūsu serveros. Oriģinālā transkripcija paliek tavā informācijas panelī, tāpēc tu vienmēr vari lejupielādēt svaigu kopiju. Izmanto .doc vai .txt lejupielādes formātus, ja vēlies rediģēt un saglabāt formatējumu.

SRT ir standarta subtitru formāts — tas ietver laika atzīmes, lai katra teksta rinda parādītos pareizajā brīdī tavā video. Izmanto to YouTube, Vimeo, video redaktoriem, piemēram, Premiere vai Final Cut, vai jebkuram atskaņotājam, kas atbalsta subtitrus.

TXT ir parasts teksts bez laika atzīmēm — ideāli piemērots dokumentiem, emuāru ierakstiem, transkribētām intervijām vai jebkam, kur tev nepieciešami tikai vārdi. Mēs piedāvājam arī DOC (formatēts Word dokuments) un PDF (drukājams) — skati Kā lejupielādēt kā TXT, DOC vai PDF?, lai uzzinātu sīkāk.

Mēs darām visu iespējamo, bet skaļa fona mūzika vai troksnis samazinās precizitāti. Viegls vides troksnis (klusa kafejnīca, strādājošs ventilators) parasti nerada problēmas. Skaļa mūzika vai konkurējošas balsis ir grūtākie gadījumi.

Intervijas tipa saturam ar ievada mūziku tu parasti redzēsi, ka mūzika tiek transkribēta kā nesaprotami burtu sakopojumi vai izlaista, un tad precizitāte atgriežas, kad sākas runa. Ja vari ierakstīt sava audio tikai-runas versiju (vai iepriekš noņemt mūziku ar tādu rīku kā Audacity), precizitāte būs ievērojami labāka.