Czyszczenie automatycznej transkrypcji: wypełniacze, znaczniki czasu i rozdziały

Automatyczna transkrypcja stała się na tyle dobra, że każdy ma teraz transkrypcje – spotkań, wywiadów, wykładów, odcinków podcastów, notatek głosowych. Nikt Cię nie ostrzega, że surowy transkrypt nie jest dokumentem. Jest to zapis mowy, a mowa zawiera ogromną ilość materiału, który istnieje tylko po to, by kupić mówiącemu pół sekundy czasu na myślenie. Przekształcenie tego zapisu w coś, co dana osoba faktycznie przeczyta, to krótka i powtarzalna praca.

Co daje Ci maszyna

W zależności od narzędzia surowy eksport zawiera kombinację: słów wypełniających (hm, uh, tak jak, Wiesz, że, To znaczy), falstarty i jąkania, gdy mówca rozpoczynał zdanie od nowa, adnotacje w nawiasach, takie jak [inaudible], [laughter] Lub [crosstalk], etykiety głośników o różnej konsystencji i sygnatury czasowe — albo jako plik napisów z numerowanymi wskazówkami, albo wstawiane co kilka sekund.

Każdy z nich wymaga innej decyzji, dlatego pojedynczy przycisk „oczyszczania” rzadko daje to, czego chcesz. The narzędzie do czyszczenia transkrypcji głosu oddziela je: wypełniacze, zacięcia i adnotacje można indywidualnie przełączać, dzięki czemu można je usuwać hm z rozmowy kwalifikacyjnej podczas przechowywania [laughter] ma to znaczenie dla transkrypcji lub odwrotnie w przypadku rozmowy technicznej.

Najpierw zdecyduj, do czego ma służyć transkrypcja

To determinuje wszystko inne, a zrobienie tego po edycji oznacza wykonanie edycji dwukrotnie.

Rekord. Prawne, medyczne, badawcze lub cokolwiek innego, gdzie to, co zostało powiedziane, ma większe znaczenie niż to, jak jest czytane. Zachowaj wypełniacze, zachowaj fałszywe starty, zachowaj adnotacje, zachowaj znaczniki czasu. Nie czyść niczego poza oczywistymi artefaktami narzędzi. Edytowanie rekordu pod kątem czytelności niszczy to, co czyni go rekordem.

Coś do przeczytania. Pokaż notatki, wersję roboczą artykułu, protokoły spotkań, podsumowanie, które przekażesz komuś, kogo tam nie było. Rozbierz to wszystko. Wypełniacze nie niosą żadnych informacji na stronie, mimo że było ich mnóstwo w pokoju.

Wejście do modelu. Rozbieraj się agresywnie — każdy wypełniacz to token, za który płacisz, i strona hm naprawdę pogarsza podsumowanie, które otrzymujesz, a także kosztuje pieniądze.

Przejście od napisów do prozy

Połowa wszystkich transkrypcji dociera w formacie SRT lub VTT, ponieważ to właśnie eksportuje narzędzie do transkrypcji. Ten format to numery wskazówek, kody czasowe i fragmenty tekstu podzielone na szerokość wyświetlacza, a nie na granicach zdań – nieczytelne jako dokument.

The Konwerter SRT na tekst porzuca numerację i kody czasowe i ponownie łączy fragmenty w ciągłą prozę. Zrób to przed przejściem wypełniacza, a nie po: czyszczenie pliku, gdy kody czasowe są nadal przeplatane, pozwala na ponowne sprawdzenie każdej pamięci i łatwo jest usunąć linię, która w rzeczywistości była znacznikiem czasu.

Pójście w drugą stronę też ma znaczenie. Jeśli tworzysz napisy, a nie je konsumujesz, sprawdź wynik za pomocą prędkość czytania napisów, który mierzy znaki na sekundę na sygnał i flaguje te, których nikt nie może odczytać w czasie, gdy są na ekranie. Praktyka nadawania wynosi około 17 znaków na sekundę w przypadku programów dla dorosłych i mniej w przypadku programów dla dzieci; automatycznie generowane napisy rutynowo przekraczają oba, ponieważ maszyna nie ma pojęcia o widzem.

Rozdziały

Gdy masz czystą transkrypcję, masz materiał na znaczniki rozdziałów, które stanowią najbardziej dochodowy dodatek do długiego filmu lub odcinka podcastu: zawierają spis treści w odtwarzaczu, precyzyjne linki, które można udostępniać innym, oraz tekst, który mogą odczytać wyszukiwarki.

The generator rozdziałów podcastu pobiera listę tytułów rozdziałów i ich czasu trwania, a następnie tworzy znaczniki ze znacznikami czasu w formacie, jakiego oczekują gracze — obliczone dla Ciebie skumulowane przesunięcia, czyli część, która jest skomplikowana ręcznie i łatwo pomylić się o jeden segment. Zapisz tytuły z oczyszczonego transkrypcji, umieść obok nich długości segmentów i wklej wynik w polu opisu.

Zapisuj tytuły rozdziałów jako opisy, a nie etykiety. „Dlaczego migracja nie powiodła się” generuje kliknięcie; „Część 3” nie.

Tekst wraca jako mowa

Podróż w odwrotną stronę wiąże się z pewnymi zagrożeniami. Przesłanie dokumentu do mechanizmu zamiany tekstu na mowę — w przypadku wersji audio artykułu, interfejsu głosowego lub karty ułatwień dostępu — daje dziwne rezultaty, gdy tekst zawiera rzeczy, których nikt nie powiedziałby na głos: składnia markdown odczytywana jako znaki, adresy URL pisane znak po znaku, emoji ogłaszane według nazwy, tabele odczytywane jako strumień potoków.

The Środek dezynfekujący TTS obsługuje te elementy — usuwanie znaczników, konwertowanie lub usuwanie adresów URL i emoji oraz normalizowanie interpunkcji, która powoduje, że wyszukiwarki zatrzymują się w dziwnych miejscach. Uruchom go na ostatecznym tekście, po wszystkich innych edycjach, ponieważ wszystko, co ponownie wprowadza formatowanie, cofa je.

Kolejność, która działa

1. Konwertuj pliki napisów na zwykłą prozę.
2. Zdecyduj, do której kategorii należy transkrypcja.
3. Uruchom wybrane przez siebie wypełniacze, jąkanie i adnotacje.
4. Przeczytaj go od końca do końca i popraw przypisanie głośnika, czego żadne narzędzie nie może zweryfikować.
5. Wyciągnij tytuły rozdziałów z oczyszczonego tekstu i wygeneruj znaczniki.
6. Jeśli trafi do silnika mowy, oczyść go jako ostatni.

Jeden nawyk, który warto zachować: zatrzymuj surowy eksport. Sprzątanie jest stratne i gdy ktoś po raz pierwszy kwestionuje to, co zostało powiedziane na spotkaniu, będziesz potrzebować wersji zawierającej fałszywe początki. Zachowaj oryginalny plik obok edytowanego, zamiast edytować go w miejscu.

Transkrypcje spotkań i rozmów kwalifikacyjnych są często poufne – rozmowy prawne, wizyty lekarskie, dyskusje o wynagrodzeniach, prywatne rozmowy kwalifikacyjne – a przesłanie takiej transkrypcji do serwisu internetowego w celu usunięcia wypełniających słów jest dokładnie niewłaściwym zajęciem. Każde narzędzie tutaj działa lokalnie w Twojej przeglądarce; transkrypcja nigdy nie opuszcza Twojej maszyny.