טראַנסקריפּציע

די גענויקייט גייט געוויינטלעך איבער 95% פֿאַר קלאָרן אױדיאָ אין געשטיצטע שפּראַכן. מיר ניצן OpenAI׳ס פֿירנדיקן רעדע דערקענונג אונטערן הויב, דעם זעלביקן מאָדעל וואָס טרײַבט אַ סך פּראָפֿעסיאָנעלע טראַנסקריפּציע מכשירים.

אין דער ווירקלעכקייט הענגט די גענויקייט אָפּ פֿון דרײַ זאַכן: אױדיאָ קלאָרקייט (הינטערגרונט גערודער טוט וויי), רעדנער אַקצענטן (שווערע רעגיאָנאַלע אַקצענטן קענען אַראָפּגיין אַ פּאָר פּונקטן) און די שפּראַך אַליין (ענגליש און שפּאַניש קלאַפּן בדרך־כּלל די העכסטע). אויב איר ווילט מאַקסימאַלע גענויקייט, זעט וואָסערע אױדיאָ קוואַליטעט גיט די בעסטע רעזולטאַטן? פֿאַר די קליינע זאַכן וואָס מאַכן אַ גרויסן חילוק."

יאָ — רעדנער אידענטיפֿיקאַציע איז דאָ אויף יעדן פּלאַן, אַרײַנגערעכנט דעם Free פּלאַן. אויפֿן אַרויפֿלאָד פֿאָרמולאַר, שטעלט אידענטיפֿיצירט רעדנער אויף יאָ און מיר וועלן אויטאָמאַטיש צייכענען יעדן רעדנער אין אײַער טראַנסקריפּציע ווי רעדנער 1, רעדנער 2 און אַזוי ווײַטער.

עס אַרבעט גרויס פֿאַר זיצונגען, אינטערוויוען, פּאָדקאַסטס און יעדן רעדן צווישן אַ סך פּאַרשוינען. ס׳איז ניטאָ קיין שיעור אויף די צאָל רעדנער וואָס מיר וועלן דערקענען. רעדנער אידענטיפֿיקאַציע לייגט צו אַ ביסל באַאַרבעט צײַט, אַזוי לאָזט עס אויס פֿאַר איין-מענטשלעכע רעקאָרדירונגען (לעקציעס, קול-מעמאָס, איין-דערציילער אינהאַלט) צו באַקומען גיכערע רעזולטאַטן."

מיר שטיצן 99 שפּראַכן פֿאַר טראַנסקריפּציע, אַרײַנגערעכנט ענגליש, שפּאַניש, פּאָרטוגעזיש, פֿראַנצויזיש, דײַטש, איטאַליעניש, יאַפּאַניש, כינעזיש, קאָרעיִש, רוסיש, אַראַביש, הינדי און נאָך אַ סך.

איר קענט אויסקלײַבן די שפּראַך בפֿירוש אויפֿן אַרויפֿלאָד פֿאָרמולאַר פֿאַר די בעסטע גענויקייט, אָדער לאָזן עס אויף אויטאָ און מיר וועלן זי דערקענען פֿאַר אײַך. די שפּראַך רשימה איז די זעלביקע ווי OpenAI Whisper׳ס געשטיצטע גרופּע, און דער SoundScript.AI אינטערפֿייס אַליין איז אויך פֿאַראַן אין אַלע 99 שפּראַכן — זעט וווּ באַנײַ איך מײַן אינטערפֿייס שפּראַך? צו טוישן אײַערע."

קלאָרע קולות רעקאָרדירט נאָענט צו אַ מיקראָפֿאָן, מיט מינימאַלן הינטערגרונט גערודער. דאָס איז די קורצע ווערסיע. אָט וואָס העלפֿט אַם מערסטן:

• ניצט אַ ראַנטיקן מיקראָפֿאָן — אַפֿילו אַן אַרײַנפֿיר-שטאַפֿל USB מיק אָדער מאָדערנער טעלעפֿאָן איז אַ סך בעסער ווי דעם לאַפּטאָפּ׳ס אינווייניקסטן מיק.
• רעקאָרדירט אין אַ שטילן צימער — שליסט פֿענצטער, פֿאַרלעשט פֿאָנען, און פֿאַרמיידט האַרטע אויבערפֿלעכן וואָס מאַכן עכאָ.
• קומט נאָענט צום מיק — 6-12 דערהויפֿטן זײַנען די זיסע נקודה פֿאַר נאַטירלעכן רייד.
• פֿאַרמיידט הינטערגרונט מוזיק ווען מעגלעך — זעט וויאַזוי האַנדלט SoundScript.AI מיט הינטערגרונט מוזיק אָדער גערודער? פֿאַר וואָס צו דערוואַרטן ווען מוזיק איז אומפֿאַרמייַדלעך."

די מערסטע פֿײַלן זײַנען פֿאַרטיק אין סעקונדעס ביז אַ פּאָר מינוט. אַ טיפּישער 10-מינוטיקער אױדיאָ פֿײַל ענדיקט זיך געוויינטלעך אונטער 30 סעקונדעס.

פֿײַלן גרעסער ווי 25MB ווערן אויטאָמאַטיש צעטיילט אין שטיקלעך און באַאַרבעט פּאַראַלעל, אַזוי אַפֿילו אַ שעה-לאַנגע רעקאָרדירונג איז געוויינטלעך גרייט אין 2-3 מינוט. אָנצינדן רעדנער אידענטיפֿיקאַציע לייגט צו אַ ביסל עקסטרע צייט. די פּראָגרעס באַר באַנײַט אין פּונקטליכער צייט — ס׳איז גאָרנישט צו אויפֿפֿרישן."

מיר טיילן אויטאָמאַטיש גרויסע פֿײַלן אין קלענערע שטיקלעך הינטער די קוליסן, טראַנסקריבירן זיי פּאַראַלעל, און נייען די רעזולטאַטן צוריק צוזאַמען. איר דאַרפֿט גאָרנישט טאָן — נאָר לאָדט אַרויף אײַער פֿײַל ווי געוויינטלעך.

די מאַקסימאַלע אַרויפֿלאָד גרייס איז 1GB. יעדער שטיקל ווערט באַאַרבעט אומאָפּהענגיק, און דערפֿאַר קען אַ איין-שעה פֿײַל זײַן גרייט אין נאָר אַ פּאָר מינוט. די שטיקל גרענעצן ווערן געשטעלט אויף נאַטירלעכע שטילקייטן ווען מעגלעך כּדי צו פֿאַרמיידן אָפּשנײַדן ווערטער אין מיטן זאַץ."

אייגנשאַפֿטס נעמען — נעמען, בראַנד נעמען, טעכנישע טערמינען, אַקראָנימען — זײַנען די שווערסטע טייל פֿון טראַנסקריפּציע ווײַל זיי גייען נישט נאָך נאָרמאַלע שפּראַך מוסטערן. אַפֿילו פֿאַרשטענדיק אױדיאָ קען פּראָדוצירן פֿאַרשפֿעט אויסגעלייגטע נעמען.

אַ פּאָר זאַכן וואָס העלפֿן:

• קלײַבט אויס די שפּראַך בפֿירוש אַנשטאָט צו ניצן אויטאָ-דערקעניש.
• רעדט אייגנשאַפֿטס נעמען קלאָר ווען רעקאָרדירט, מיט אַ קליין הפֿסקה אַרום זיי.
• באַאַרבעט די טראַנסקריפּציע נאָכדעם — איר קענט קאָפּירן די טעקסט אין יעדן רעדאַקטאָר און פֿאַרריכטן נעמען מיט געפֿין-און-אויסטויש. מיר שטיצן איצט נישט אַ פּערזענלעכע ווערטערבוך רשימה, אָבער ס׳איז אויף אונדזער ראַדאַר."

איר קענט קאָפּירן די טראַנסקריפּציע טעקסט פֿון די רעזולטאַט בלאַט און באַאַרבעטן זי אין יעדן טעקסט רעדאַקטאָר אָדער ווערטער פּראָצעסאָר — Google Docs, Microsoft Word, Notepad, וועלכן איר וועלט.

מיר האָבן נאָך נישט קיין אינווייניקסטן רעדאַקטאָר, אַזוי ענדערונגען וואָס איר מאַכט אינדרויסן פֿון SoundScript.AI ווערן נישט אויפֿגעהיט צוריק אויף אונדזערע סערווערס. די אָריגינעלע טראַנסקריפּציע בלײַבט אינעם דאַשבאָרד אַזוי איר קענט שטענדיק אַראָפּלאָדן אַ פֿרישע קאָפּיע. ניצט די .doc אָדער .txt אַראָפּלאָד פֿאָרמאַטן אויב איר ווילט באַאַרבעטן און האַלטן פֿאָרמאַטירונג."

SRT איז דער סטאַנדאַרטער סובטיטל פֿאָרמאַט — ער נעמט אַרײַן צייט-שטעמפּלען אַזוי אַז יעדע ליניע טעקסט ווײַזט זיך אויף אינעם רעכטן מאָמענט אין אײַער ווידעאָ. ניצט עס פֿאַר YouTube, Vimeo, ווידעאָ רעדאַקטאָרן ווי Premiere אָדער Final Cut, אָדער יעדן סובטיטל-באַוווּסטן שפּילער.

TXT איז פּראָסט טעקסט אָן צייט-שטעמפּלען — פּערפֿעקט פֿאַר דאָקומענטן, בלאָג פּאָסטן, טראַנסקריבירטע אינטערוויוען אָדער יעדער זאַך וווּ איר ווילט נאָר די ווערטער. מיר באַזאָרגן אויך DOC (פֿאָרמאַטירטער Word דאָקומענט) און PDF (דרוקבאַר) — זעט וויאַזוי לאָד איך אַראָפּ ווי TXT, DOC אָדער PDF? פֿאַר פּרטים."

מיר טוען אונדזער בעסטעס, אָבער שווערע הינטערגרונט מוזיק אָדער גערודער וועט פֿאַרמינערן די גענויקייט. גרינגער אַטמאָספֿעריש גערודער (אַ שטיל קאַפֿע, אַ לויפֿנדיקער פֿאָן) פֿאַראורזאַכט בדרך־כּלל קיין פּראָבלעם נישט. הויכע מוזיק אָדער קאָנקורירנדיקע קולות זײַנען די שווערסטע פֿאַלן.

פֿאַר אינטערוויו-סטיל אינהאַלט מיט אַרײַנפֿיר מוזיק, וועט איר געוויינטלעך זען די מוזיק טראַנסקריבירט ווי דזשיבעריש אָדער איבערגעהיפּט, און די גענויקייט קומט צוריק ווען די רייד הייבט אָן. אויב איר קענט רעקאָרדירן די נאָר-רייד ווערסיע פֿון אײַער אױדיאָ (אָדער אַרויסנעמען די מוזיק מיט אַ מכשיר ווי Audacity פֿריִער), וועט די גענויקייט זײַן באַמערקלעך בעסער."