Čistenie automatického prepisu: výplne, časové pečiatky a kapitoly

Automatický prepis je natoľko dobrý, že každý má teraz prepisy – stretnutí, rozhovorov, prednášok, epizód podcastov, hlasových poznámok. Pred čím vás nikto neupozorňuje je, že surový prepis nie je dokument. Je to záznam reči a reč obsahuje obrovské množstvo materiálu, ktorý existuje len na to, aby rečníkovi poskytol pol sekundy času na premýšľanie. Premena tohto záznamu na niečo, čo si človek skutočne prečíta, je krátka a opakovateľná práca.

Čo vám dá stroj

V závislosti od nástroja obsahuje nespracovaný export určitú kombináciu: výplňových slov (hm, uh, ako, vieš, myslím), falošné štarty a koktanie, kde rečník reštartoval vetu, zátvorkové anotácie ako napr [inaudible], [laughter] alebo [crosstalk], menovky reproduktorov s rôznou konzistenciou a časové pečiatky – buď ako súbor titulkov s očíslovanými narážkami, alebo vložené každých pár sekúnd.

Každý z nich potrebuje iné rozhodnutie, a preto jediné tlačidlo „vyčistiť“ málokedy vyprodukuje to, čo chcete. The čistič prepisu hlasu oddeľuje ich: výplne, stutters a anotácie sú individuálne prepínateľné, takže ich môžete vyzliecť hm z rozhovoru pri zachovaní [laughter] čo je dôležité pre prepis, alebo naopak pre technický rozhovor.

Najprv sa rozhodnite, na čo slúži prepis

Toto určuje všetko ostatné a robiť to po úprave znamená robiť úpravy dvakrát.

Záznam. Právne, lekárske, výskumné alebo čokoľvek iné, kde na tom, čo bolo povedané, záleží viac ako na tom, ako sa to číta. Ponechajte si výplne, ponechajte falošné začiatky, ponechajte anotácie, ponechajte časové pečiatky. Nečistite nič okrem zjavných artefaktov nástrojov. Úprava záznamu kvôli čitateľnosti ničí vec, ktorá ho robí záznamom.

Niečo na čítanie. Ukážte poznámky, návrh článku, zápisnicu zo stretnutia, zhrnutie, ktoré dáte niekomu, kto tam nebol. Vyzliecť to všetko. Výplne nenesú na stránke žiadne informácie, aj keď ich v miestnosti nosili veľa.

Vstup do modelu. Stripujte agresívne – každá výplň je token, za ktorý zaplatíte, a stránka hm skutočne zhoršuje súhrn, ktorý dostanete späť, a stojí peniaze.

Prechod od titulkov k próze

Polovica všetkých prepisov prichádza ako SRT alebo VTT, pretože práve to exportuje transkripčný nástroj. Týmto formátom sú čísla signálov, časové kódy a textové fragmenty prerušené skôr na šírku zobrazenia ako na hraniciach viet – nečitateľné ako dokument.

The Prevodník SRT na text upustí od číslovania a časových kódov a fragmenty opäť spojí do súvislej prózy. Urobte to pred výplňovým prechodom, nie po: vyčistenie súboru, kým sú časové kódy stále preložené, vám umožní znova skontrolovať každú narážku a je ľahké odstrániť riadok, ktorý bol v skutočnosti časovou pečiatkou.

Dôležité je ísť aj opačným smerom. Ak titulky vytvárate a nie ich konzumujete, skontrolujte výsledok pomocou rýchlosť čítania titulkov, ktorá meria znaky za sekundu na podnet a označuje tie, ktoré nikto nemôže prečítať v čase, keď sú na obrazovke. Tréning vysielania sa pohybuje okolo 17 znakov za sekundu pre dospelých a menej pre deti; automaticky generované titulky bežne prekračujú oboje, pretože stroj nemá žiadnu predstavu o divákovi.

kapitoly

Keď máte čistý prepis, máte k dispozícii suroviny na značky kapitol, ktoré sú jediným doplnkom k dlhému videu alebo epizóde podcastu s najvyššou návratnosťou: poskytujú vám obsah v prehrávači, priame odkazy, ktoré môžu ľudia zdieľať, a text, ktorý môžu vyhľadávacie nástroje čítať.

The generátor kapitol podcastov zoberie zoznam názvov kapitol a ich trvanie a vytvorí značky s časovými pečiatkami vo formáte, ktorý hráči očakávajú – kumulatívne odchýlky vypočítané za vás, čo je časť, ktorá sa dá šikovne ručne a ľahko sa pomýli o jeden segment. Write the titles from your cleaned transcript, put the segment lengths beside them, and paste the result into your description field.

Názvy kapitol píšte ako popisy, nie menovky. "Why the migration failed" earns a click; "Časť 3" nie.

Text prechádzajúci späť ako reč

Spätný chod má svoje riziká. Podanie dokumentu do nástroja prevodu textu na reč – pre zvukovú verziu článku, hlasové rozhranie alebo povolenie na zjednodušenie ovládania – prináša zvláštne výsledky, keď text obsahuje veci, ktoré by nikto nepovedal nahlas: syntax markdown čítaná ako znaky, adresy URL napísané znak po znaku, emotikony oznamované menom, tabuľky čítané ako prúd rúrok.

The TTS dezinfekčný prostriedok rukoväte, ktoré prejdú – odstránenie značiek, konverzia alebo odstránenie adries URL a emotikonov a normalizácia interpunkcie, ktorá spôsobí zastavenie motorov na zvláštnych miestach. Spustite ho na konečnom texte po všetkých ostatných úpravách, pretože všetko, čo znovu zavedie formátovanie, ho zruší.

Poradie, ktoré funguje

1. Preveďte súbory s titulkami na obyčajnú prózu.
2. Rozhodnite, do ktorej kategórie prepis patrí.
3. Spustite výplň, koktanie a anotáciu, ktoré ste si vybrali.
4. Prečítajte si to raz od konca do konca a opravte priradenie reproduktora, ktoré za vás žiadny nástroj nemôže overiť.
5. Vytiahnite názvy kapitol z vyčisteného textu a vytvorte značky.
6. Ak ide o rečový stroj, dezinfikujte ako posledný.

Jeden zvyk, ktorý stojí za to zachovať: zachovať export surovín. Čistenie je stratové a keď prvýkrát niekto spochybňuje to, čo bolo povedané na stretnutí, budete chcieť verziu s falošnými začiatkami. Ponechajte pôvodný súbor vedľa upraveného súboru a neupravujte ho na mieste.

Prepisy stretnutí a rozhovorov sú často dôverné – právne hovory, lekárske stretnutia, diskusie o platoch, súkromné pohovory – a ich nahranie na webovú službu, aby sa odstránili výplňové slová, je presne nesprávny obchod. Každý nástroj tu beží lokálne vo vašom prehliadači; prepis nikdy neopustí váš počítač.