Транскрипција

Тачност обично прелази 95% за јасан звук на подржаним језицима. Под хаубом користимо водеће OpenAI препознавање говора, исти модел који покреће многе професионалне алате за транскрипцију.

Тачност у стварном свету зависи од три ствари: јасноће звука (позадински шум смета), акцената говорника (јаки регионални акценти могу мало да обаре резултат) и самог језика (енглески и шпански обично имају највишу тачност). Ако желиш максималну тачност, погледај Који квалитет звука даје најбоље резултате? за ситнице које праве велику разлику.

Да — идентификација говорника доступна је на сваком плану, укључујући и Бесплатан план. На обрасцу за отпремање постави Идентификуј говорнике на Да и ми ћемо аутоматски обележити сваког говорника у твојој транскрипцији као Speaker 1, Speaker 2 и тако даље.

Сјајно ради за састанке, интервјуе, подкасте и сваки разговор у коме учествује више особа. Нема ограничења у броју говорника које можемо да препознамо. Идентификација говорника додаје мало времена за обраду, па је остави искључену за самосталне снимке (предавања, гласовне белешке, садржај с једним наратором) да добијеш брже резултате.

Подржавамо 99 језика за транскрипцију, укључујући енглески, шпански, португалски, француски, немачки, италијански, јапански, кинески, корејски, руски, арапски, хинди и многе друге.

Можеш да изабереш језик експлицитно на обрасцу за отпремање за најбољу тачност или га остави на Аутоматски и ми ћемо га препознати. Листа језика је иста као подржани сет OpenAI Whisper-а, а интерфејс самог SoundScript.AI-ja такође је доступан на свих 99 језика — погледај Где могу да променим језик интерфејса? да промениш свој.

Јасни гласови снимљени близу микрофона, са минимумом позадинских шумова. То је кратка верзија. Ево шта највише помаже:

• Користи пристојан микрофон — чак и USB микрофон за почетнике или модеран телефон много су бољи од уграђеног микрофона лаптопа.
• Снимај у тихој соби — затвори прозоре, искључи вентилаторе и избегавај тврде површине које праве еху.
• Приђи микрофону — 15–30 цм је идеално за природан говор.
• Избегавај позадинску музику кад је то могуће — погледај Како SoundScript.AI обрађује позадинску музику или шум? да видиш шта да очекујеш када је музика неизбежна.

Већина фајлова је готова за неколико секунди до пар минута. Типичан десетоминутни аудио фајл обично се заврши за мање од 30 секунди.

Фајлови већи од 25MB аутоматски се деле у делове и обрађују паралелно, тако да је чак и једночасовни снимак обично готов за 2–3 минута. Укључивање идентификације говорника додаје мало додатног времена. Трака напретка се ажурира у реалном времену — нема шта да освежаваш.

Велике фајлове аутоматски делимо на мање делове у позадини, транскрибујемо их паралелно и спајамо резултате. Не мораш ништа да радиш — само отпреми фајл као и обично.

Максимална величина за отпремање је 1GB. Сваки део се обрађује независно, због чега једночасовни фајл може бити готов за свега неколико минута. Границе делова постављају се на природним тишинама кад год је могуће да се избегне сечење речи усред реченице.

Властита имена — имена особа, имена брендова, технички термини, скраћенице — најтежи су део транскрипције јер не прате уобичајене језичке обрасце. Чак и одличан звук може да произведе погрешно написана имена.

Неколико ствари које помажу:

• Изабери језик експлицитно уместо да користиш аутоматско препознавање.
• Изговарај властита имена јасно док снимаш, са малом паузом око њих.
• Уреди транскрипцију након тога — можеш да копираш текст у било који уређивач и поправиш имена помоћу „пронађи и замени“. Тренутно не подржавамо листу прилагођеног речника, али је на нашем радару.

Можеш да копираш текст транскрипције са странице са резултатом и уређујеш га у било ком текст уређивачу или процесору текста — Google Docs, Microsoft Word, Notepad, шта год више волиш.

Још увек немамо уређивач у апликацији, тако да измене које направиш ван SoundScript.AI-ja не чувају се на нашим серверима. Оригинална транскрипција остаје на твојој контролној табли тако да увек можеш да преузмеш свежу копију. Користи формат за преузимање .doc или .txt ако желиш да уређујеш и сачуваш форматирање.

SRT је стандардни формат за титлове — укључује временске ознаке тако да се сваки ред текста појављује у правом тренутку у твом видеу. Користи га за YouTube, Vimeo, видео уређиваче као што су Premiere или Final Cut, или сваки плејер који разуме титлове.

TXT је обичан текст без временских ознака — савршен за документе, блог постове, транскрибоване интервјуе или било шта где желиш само речи. Такође нудимо DOC (форматиран Word документ) и PDF (за штампу) — погледај Како да преузмем као TXT, DOC или PDF? за детаље.

Радимо најбоље што можемо, али јака позадинска музика или бука смањиће тачност. Благи амбијентални шум (тих кафић, вентилатор који ради) обично не представља проблем. Гласна музика или говорници који се преклапају најтежи су случајеви.

За садржај у стилу интервјуа са уводном музиком, обично ћеш видети да се музика транскрибује као бесмисленице или прескочи, па се тачност враћа када почне говор. Ако можеш да снимиш верзију свог снимка само са говором (или унапред уклониш музику алатком као што је Audacity), тачност ће бити приметно боља.