Čištění automatického přepisu: výplně, časová razítka a kapitoly

Automatický přepis je natolik dobrý, že každý má nyní přepisy – schůzek, rozhovorů, přednášek, epizod podcastů, hlasových poznámek. Před čím vás nikdo nevaruje je, že nezpracovaný přepis není dokument. Je to záznam řeči a řeč obsahuje obrovské množství materiálu, který existuje jen proto, aby mluvčímu poskytl půl sekundy času na přemýšlení. Převést tento záznam na něco, co si člověk skutečně přečte, je krátká a opakovatelná práce.

Co vám stroj dá

V závislosti na nástroji obsahuje nezpracovaný export určitou kombinaci: výplňových slov (ehm, uh, jako, víš, Chci říct), falešné starty a koktání tam, kde mluvčí restartoval větu, závorkové anotace jako např [inaudible], [laughter] nebo [crosstalk], popisky reproduktorů s různou konzistencí a časová razítka – buď jako soubor titulků s číslovanými narážkami, nebo vkládaný každých pár sekund.

Každý z nich potřebuje jiné rozhodnutí, a proto jediné tlačítko „vyčistit“ málokdy vytvoří to, co chcete. The čistič přepisu hlasu odděluje je: výplně, stutters a anotace jsou jednotlivě přepínatelné, takže je můžete odstraňovat ehm z rozhovoru při zachování [laughter] to záleží na přepisu, nebo naopak na technický rozhovor.

Nejprve se rozhodněte, k čemu bude přepis sloužit

To určuje vše ostatní a udělat to po úpravě znamená provést úpravy dvakrát.

Záznam. Právní, lékařské, výzkumné nebo cokoli, kde na tom, co bylo řečeno, záleží víc než na tom, jak se to čte. Ponechte si výplně, ponechte falešné starty, ponechte anotace, ponechte časová razítka. Nečistěte nic kromě zjevných artefaktů nástrojů. Úprava záznamu kvůli čitelnosti ničí věc, která z něj dělá záznam.

Něco ke čtení. Ukažte poznámky, koncept článku, zápis z jednání, shrnutí, které předáte někomu, kdo tam nebyl. Sundejte to všechno. Plniči nenesou na stránce žádné informace, i když jich v místnosti nosili spoustu.

Vstup do modelu. Stripujte agresivně – každá výplň je token, za který zaplatíte, a stránka ehm skutečně zhoršuje souhrn, který dostanete zpět, a stojí peníze.

Přechod od titulků k próze

Polovina všech přepisů přichází jako SRT nebo VTT, protože to je to, co přepisovací nástroj exportuje. Tímto formátem jsou startovací čísla, časové kódy a textové fragmenty přerušené na šířku zobrazení spíše než na hranicích vět – nečitelné jako dokument.

The Převaděč SRT na text upustí od číslování a časových kódů a znovu spojí fragmenty do souvislé prózy. Udělejte to před průchodem výplně, ne po: vyčištění souboru, když jsou časové kódy stále prokládané, vám umožní znovu zkontrolovat každé narážka a je snadné odstranit řádek, který byl ve skutečnosti časovým razítkem.

Jít druhým směrem je také důležité. Pokud titulky spíše vytváříte, než je konzumujete, zkontrolujte výsledek pomocí rychlost čtení titulků, který měří znaky za sekundu na podnět a označuje ty, které nikdo nemůže přečíst v době, kdy jsou na obrazovce. Cvičení vysílání trvá přibližně 17 znaků za sekundu pro dospělé a nižší pro děti; automaticky generované titulky běžně překračují obojí, protože stroj nemá žádnou představu o divákovi.

Kapitoly

Jakmile budete mít čistý přepis, máte nezpracovaný materiál pro značky kapitol, které jsou jediným doplňkem dlouhého videa nebo podcastu s nejvyšší návratností: dostanou vám obsah v přehrávači, přímé odkazy, které mohou lidé sdílet, a text, který mohou vyhledávače číst.

The generátor kapitol podcastů vezme seznam názvů kapitol a jejich trvání a vytvoří značky s časovým razítkem ve formátu, který hráči očekávají – kumulativní offsety vypočítané za vás, což je část, která se dá nešikovně ručně a snadno se pomýlí o jeden segment. Napište názvy z vyčištěného přepisu, vložte délky segmentů vedle nich a vložte výsledek do pole popisu.

Write chapter titles as descriptions, not labels. „Proč se migrace nezdařila“ získá kliknutí; "Část 3" ne.

Text se vrací jako řeč

Zpětný chod má svá rizika. Zavedení dokumentu do nástroje pro převod textu na řeč – pro zvukovou verzi článku, hlasové rozhraní nebo povolení k usnadnění – vytváří podivné výsledky, když text obsahuje věci, které by nikdo neřekl nahlas: syntaxe markdown čtená jako znaky, adresy URL hláskované znak po znaku, emotikony oznamované jménem, tabulky čtené jako proud potrubí.

The TTS dezinfekce úchyty, které projdou – odstranění značek, převod nebo odstranění adres URL a emotikonů a normalizace interpunkce, která způsobí, že se motory zastaví na neobvyklých místech. Spusťte jej na konečném textu po všech ostatních úpravách, protože cokoli, co znovu zavede formátování, jej zruší.

Pořádek, který funguje

1. Převeďte soubory s titulky na obyčejnou prózu.
2. Rozhodněte, do které kategorie přepis patří.
3. Spusťte výplň, koktání a anotační průchody, které jste si vybrali.
4. Přečtěte si to jednou od konce do konce a opravte atribuci mluvčího, kterou za vás žádný nástroj nemůže ověřit.
5. Vytáhněte názvy kapitol z vyčištěného textu a vygenerujte značky.
6. Pokud jde o řečový stroj, dezinfikujte jako poslední.

Jeden zvyk, který stojí za to zachovat: zachovat export surového zboží. Čištění je ztrátové a když někdo poprvé zpochybní to, co bylo na schůzce řečeno, budete chtít verzi s falešnými začátky. Ponechejte původní soubor vedle upraveného souboru, nikoli úpravy na místě.

Přepisy schůzek a pohovorů jsou často důvěrné – právní hovory, lékařské schůzky, diskuse o platu, soukromé pohovory – a nahrát jeden na webovou službu, aby byla odstraněna výplňová slova, je přesně špatný obchod. Každý nástroj zde běží lokálně ve vašem prohlížeči; přepis nikdy neopustí váš počítač.