Очистка автоматической расшифровки: заполнители, временные метки и главы

Автоматическая транскрипция стала настолько хорошей, что теперь у каждого есть стенограммы — встреч, интервью, лекций, эпизодов подкастов, голосовых заметок. О чем вас никто не предупреждает, так это о том, что необработанная стенограмма не является документом. Это запись речи, а речь содержит огромное количество материала, который существует только для того, чтобы дать говорящему полсекунды времени на размышления. Превращение этой записи во что-то, что человек действительно прочитает, — это короткая, повторяемая работа.

Что дает вам машина

В зависимости от инструмента необработанный экспорт содержит некоторое сочетание: слов-заполнителей (хм, Эм-м-м, нравиться, ты знаешь, Я имею в виду), фальстарты и заикания, когда говорящий возобновляет предложение, аннотации в квадратных скобках, такие как [inaudible], [laughter] или [crosstalk], метки говорящих различной последовательности и временные метки — либо в виде файла субтитров с пронумерованными репликами, либо в виде встроенных каждые несколько секунд.

Для каждого из них требуется свое решение, поэтому одна кнопка «очистить» редко дает то, что вы хотите. очиститель голосовой расшифровки разделяет их: заполнители, заикания и аннотации переключаются индивидуально, поэтому вы можете удалить хм из интервью, сохраняя [laughter] это имеет значение для стенограммы или наоборот для технического разговора.

Решите, для чего будет транскрипт в первую очередь

Это определяет все остальное, и выполнение этого действия после редактирования означает выполнение редактирования дважды.

Рекорд. Юридические, медицинские, исследовательские или любые другие, где сказанное имеет большее значение, чем то, как оно читается. Сохраняйте наполнители, сохраняйте фальстарты, сохраняйте аннотации, сохраняйте временные метки. Не очищайте ничего, кроме очевидных дефектов инструмента. Редактирование записи для удобства чтения уничтожает то, что делает ее записью.

Есть что почитать. Покажите заметки, черновик статьи, протокол собрания, резюме, которое вы вручите тому, кого там не было. Разденьте все это. Наполнители не несут никакой информации на странице, хотя их достаточно в комнате.

Вход в модель. Раздевайтесь агрессивно: каждый филлер — это жетон, за который вы платите, и страница хм действительно ухудшает итоговое заключение, которое вы получаете в ответ, а также требует денег.

Переход от субтитров к прозе

Половина всех транскриптов поступает в формате SRT или VTT, поскольку именно их экспортирует инструмент транскрипции. Этот формат представляет собой номера меток, тайм-коды и фрагменты текста, разбитые по ширине дисплея, а не по границам предложений, и их невозможно прочитать в документе.

Конвертер SRT в текст отбрасывает нумерацию и временные коды и объединяет фрагменты в непрерывную прозу. Делайте это до прохода-заполнителя, а не после: очистка файла, пока тайм-коды все еще чередуются, заставляет вас перепроверять каждую реплику, и можно легко удалить строку, которая на самом деле была меткой времени.

Идти в другом направлении тоже важно. Если вы создаете субтитры, а не используете их, проверьте результат с помощью скорость чтения субтитров, который измеряет количество символов в секунду на каждую команду и отмечает те, которые никто не может прочитать, пока они находятся на экране. В практике вещания скорость составляет около 17 символов в секунду для программ для взрослых и ниже для детских; автоматически генерируемые субтитры обычно превосходят оба, потому что машина не имеет понятия о средстве просмотра.

Главы

Когда у вас есть чистая стенограмма, у вас есть исходный материал для маркеров глав, которые являются самым прибыльным дополнением к длинному эпизоду видео или подкаста: они дают вам оглавление в плеере, глубокие ссылки, которыми люди могут поделиться, и текст, который могут прочитать поисковые системы.

генератор глав подкаста берет список названий глав и их продолжительности и создает маркеры с отметками времени в формате, ожидаемом игроками - совокупные смещения, рассчитанные для вас, и это та часть, которую неудобно вручную и легко ошибиться на один сегмент. Напишите заголовки из очищенной расшифровки, укажите рядом с ними длины сегментов и вставьте результат в поле описания.

Пишите названия глав в виде описаний, а не ярлыков. Вопрос «Почему миграция не удалась» заслуживает клика; «Часть 3» нет.

Текст возвращается в виде речи

Обратный путь имеет свои опасности. Передача документа в систему преобразования текста в речь — для аудиоверсии статьи, голосового интерфейса или пропуска доступа — приводит к странным результатам, когда текст содержит вещи, которые никто не сказал бы вслух: синтаксис markdown читается как символы, URL-адреса пишутся посимвольно, смайлики объявляются по имени, таблицы читаются как поток каналов.

ТТС дезинфицирующее средство обрабатывает этот проход — удаляет разметку, преобразует или удаляет URL-адреса и смайлы, а также нормализует пунктуацию, из-за которой механизмы делают паузу в нечетных местах. Запустите его для окончательного текста после всех остальных изменений, поскольку все, что повторно вводит форматирование, отменяет его.

Порядок, который работает

1. Преобразуйте файлы субтитров в простую прозу.
2. Определите, к какой категории относится транскрипт.
3. Запустите выбранные вами проходы заполнения, заикания и аннотаций.
4. Прочтите его один раз от начала до конца и исправьте атрибуцию говорящего, которую ни один инструмент не сможет проверить за вас.
5. Вытащите заголовки глав из очищенного текста и создайте маркеры.
6. Если речь идет о речевом движке, очищайте в последнюю очередь.

Стоит сохранить одну привычку: сохранять экспорт сырья. Очистка связана с потерями, и в первый раз, когда кто-то оспаривает то, что было сказано на собрании, вам понадобится версия с фальстартами. Храните исходный файл рядом с отредактированным, а не редактируйте его на месте.

Стенограммы встреч и интервью часто являются конфиденциальными — звонки юристов, визиты к врачу, обсуждения заработной платы, частные интервью — и загружать их в веб-сервис, чтобы удалить из них слова-вставки, — это совершенно неправильная сделка. Каждый инструмент здесь запускается локально в вашем браузере; расшифровка никогда не покидает вашу машину.