Transkrypcja

Dokładność zwykle przekracza 95% dla wyraźnego audio w obsługiwanych językach. Pod maską używamy wiodącego w branży rozpoznawania mowy OpenAI — tego samego modelu, który zasila wiele profesjonalnych narzędzi transkrypcyjnych.

Rzeczywista dokładność zależy od trzech rzeczy: czystości audio (hałas tła szkodzi), akcentów rozmówców (silne regionalne akcenty mogą obniżyć wynik o kilka punktów) i samego języka (angielski i hiszpański zwykle osiągają najwyższe wyniki). Jeśli zależy ci na maksymalnej dokładności, zobacz Jaka jakość audio daje najlepsze wyniki?, aby poznać drobiazgi, które robią dużą różnicę.

Tak — identyfikacja rozmówców jest dostępna w każdym planie, łącznie z planem Free. W formularzu przesyłania ustaw Identyfikuj rozmówców na Tak, a my automatycznie oznaczymy każdego rozmówcę w twojej transkrypcji jako Rozmówca 1, Rozmówca 2 itd.

Świetnie sprawdza się przy spotkaniach, wywiadach, podcastach i każdej rozmowie wieloosobowej. Nie ma limitu liczby wykrywanych rozmówców. Identyfikacja rozmówców dodaje trochę czasu przetwarzania, więc dla solowych nagrań (wykłady, notatki głosowe, treści z jednym narratorem) wyłącz ją, aby uzyskać szybsze wyniki.

Obsługujemy 99 języków do transkrypcji, w tym angielski, hiszpański, portugalski, francuski, niemiecki, włoski, japoński, chiński, koreański, rosyjski, arabski, hindi i wiele innych.

Możesz wybrać język ręcznie w formularzu przesyłania, aby uzyskać najlepszą dokładność, lub zostawić na Auto, a my go wykryjemy. Lista języków jest taka sama jak obsługiwany zestaw OpenAI Whisper, a sam interfejs SoundScript.AI jest również dostępny we wszystkich 99 językach — zobacz Gdzie mogę zmienić język interfejsu?, aby zmienić swój.

Wyraźne głosy nagrane blisko mikrofonu, z minimalnym hałasem tła. To krótka wersja. Oto co pomaga najbardziej:

• Użyj porządnego mikrofonu — nawet podstawowy mikrofon USB lub nowoczesny telefon jest znacznie lepszy niż wbudowany mikrofon laptopa.
• Nagrywaj w cichym pomieszczeniu — zamknij okna, wyłącz wentylatory i unikaj twardych powierzchni, które wywołują echo.
• Bądź blisko mikrofonu — 15-30 cm to optymalna odległość dla naturalnej mowy.
• Unikaj muzyki w tle, gdy to możliwe — zobacz Jak SoundScript.AI radzi sobie z muzyką w tle lub hałasem?, aby dowiedzieć się, czego się spodziewać, gdy muzyka jest nieunikniona.

Większość plików jest gotowa w czasie od kilku sekund do kilku minut. Typowy 10-minutowy plik audio zwykle kończy się w mniej niż 30 sekund.

Pliki większe niż 25MB są automatycznie dzielone na fragmenty i przetwarzane równolegle, więc nawet godzinne nagranie jest zwykle gotowe w 2-3 minuty. Włączenie identyfikacji rozmówców dodaje trochę dodatkowego czasu. Pasek postępu aktualizuje się w czasie rzeczywistym — nie ma czego odświeżać.

Automatycznie dzielimy duże pliki na mniejsze fragmenty w tle, transkrybujemy je równolegle i z powrotem łączymy wyniki. Nie musisz nic robić — po prostu prześlij swój plik jak zwykle.

Maksymalny rozmiar pliku to 1GB. Każdy fragment jest przetwarzany niezależnie, dlatego godzinny plik może być gotowy w zaledwie kilka minut. Granice fragmentów są umieszczane na naturalnych pauzach, gdy to możliwe, aby unikać przecinania słów w środku zdania.

Nazwy własne — imiona, nazwy marek, terminy techniczne, akronimy — to najtrudniejsza część transkrypcji, bo nie podlegają normalnym wzorcom językowym. Nawet świetne audio może dawać błędnie zapisane nazwy.

Kilka rzeczy, które pomagają:

• Wybierz język ręcznie zamiast korzystać z auto-wykrywania.
• Wymawiaj nazwy własne wyraźnie podczas nagrywania, z krótką pauzą wokół nich.
• Edytuj transkrypcję po fakcie — możesz skopiować tekst do dowolnego edytora i poprawić nazwy poprzez znajdź-i-zamień. Obecnie nie obsługujemy niestandardowej listy słownictwa, ale to jest na naszym radarze.

Możesz skopiować tekst transkrypcji ze strony wyników i edytować go w dowolnym edytorze tekstu lub programie tekstowym — Google Docs, Microsoft Word, Notatnik, w czym wolisz.

Nie mamy jeszcze edytora w aplikacji, więc zmiany wprowadzone poza SoundScript.AI nie są zapisywane z powrotem na nasze serwery. Oryginalna transkrypcja pozostaje w twoim panelu, więc zawsze możesz pobrać świeżą kopię. Jeśli chcesz edytować i zachować formatowanie, użyj formatów .doc lub .txt.

SRT to standardowy format napisów — zawiera znaczniki czasu, dzięki czemu każda linia tekstu pojawia się w odpowiednim momencie filmu. Używaj go dla YouTube, Vimeo, edytorów wideo jak Premiere czy Final Cut lub każdego odtwarzacza obsługującego napisy.

TXT to zwykły tekst bez znaczników czasu — idealny do dokumentów, wpisów blogowych, przepisanych wywiadów lub wszystkiego, gdzie potrzebujesz tylko słów. Oferujemy też DOC (sformatowany dokument Worda) i PDF (do druku) — zobacz Jak pobrać jako TXT, DOC lub PDF?, aby poznać szczegóły.

Staramy się jak możemy, ale głośna muzyka w tle lub hałas obniżą dokładność. Lekki hałas otoczenia (cicha kawiarnia, działający wentylator) zwykle nie sprawia problemu. Głośna muzyka lub konkurujące głosy to najtrudniejsze przypadki.

W treściach typu wywiad z muzyką wstępną zwykle zobaczysz, że muzyka jest transkrybowana jako bełkot lub pomijana, a dokładność wraca, gdy zaczyna się mowa. Jeśli możesz nagrać samą część mowy (lub usunąć muzykę narzędziem jak Audacity wcześniej), dokładność będzie wyraźnie lepsza.