Rensa upp ett automatiskt transkript: fyllmedel, tidsstämplar och kapitel

Automatisk transkription blev tillräckligt bra för att alla har utskrifter nu - av möten, intervjuer, föreläsningar, podcastavsnitt, röstanteckningar. Vad ingen varnar dig för är att ett råutskrift inte är ett dokument. Det är en taluppteckning, och talet innehåller en enorm mängd material som bara finns för att köpa talaren en halv sekunds betänketid. Att förvandla den skivan till något som en person faktiskt kommer att läsa är ett kort, repeterbart jobb.

Vad maskinen ger dig

Beroende på verktyget innehåller en råexport en blandning av: utfyllnadsord (um, eh, som, du vet, Jag menar), falska starter och stammar där talaren startade om en mening, anteckningar inom parentes som t.ex [inaudible], [laughter] eller [crosstalk], högtalaretiketter av varierande konsistens och tidsstämplar — antingen som en undertextfil med numrerade signaler eller inline med några sekunders mellanrum.

Var och en av dessa behöver olika beslut, varför en enda "städa upp"-knapp sällan producerar det du vill ha. De rengöring av röstavskrift separerar dem: fillers, stammar och anteckningar är individuellt växlande, så att du kan strippa um från en intervju medan du behåller [laughter] som har betydelse för utskriften, eller tvärtom för ett tekniskt samtal.

Bestäm först vad utskriften är till för

Detta avgör allt annat, och att göra det efter redigeringen innebär att du gör redigeringen två gånger.

Ett rekord. Juridisk, medicinsk, forskning eller något där det som sades är viktigare än hur det läses. Behåll fillers, behåll tjuvstarterna, behåll kommentarerna, behåll tidsstämplarna. Rengör ingenting annat än de uppenbara verktygsartefakterna. Att redigera en post för läsbarhet förstör det som gör den till en post.

Något att läsa. Visa anteckningar, ett artikelutkast, mötesprotokoll, en sammanfattning du lämnar till någon som inte var där. Ta bort allt. Fillers har ingen information på sidan, även om de hade mycket i rummet.

Ingång till en modell. Strip aggressivt - varje filler är en token du betalar för och en sida av um försämrar verkligen sammanfattningen du får tillbaka samt kostar pengar.

Att ta sig från undertexter till prosa

Hälften av alla transkriptioner kommer som SRT eller VTT eftersom det är vad transkriptionsverktyget exporterar. Det formatet är ledtrådsnummer, tidskoder och textfragment brutna vid visningsbredd snarare än vid meningsgränser - oläsligt som ett dokument.

De SRT till textkonverterare släpper numreringen och tidskoderna och sammanfogar fragmenten igen till kontinuerlig prosa. Gör detta innan utfyllnadspasset, inte efter: att rengöra en fil medan tidskoderna fortfarande är interfolierade gör att du kontrollerar varje cue igen, och det är lätt att ta bort en rad som faktiskt var en tidsstämpel.

Att gå åt andra hållet spelar också roll. Om du producerar undertexter istället för att konsumera dem, kontrollera resultatet med läshastighet för undertexter, som mäter tecken per sekund per cue och flaggar de som ingen kan läsa under den tid de är på skärmen. Sändningsövningar har cirka 17 tecken per sekund för vuxenprogram och lägre för barn; automatiskt genererade undertexter överskrider rutinmässigt båda, eftersom maskinen inte har något begrepp om en tittare.

Kapitel

När du väl har en ren transkription har du råmaterialet för kapitelmarkörer, som är det enda högst avkastningstillägget till ett långt video- eller podcastavsnitt: de ger dig en innehållsförteckning i spelaren, djuplänkar som människor kan dela och text som sökmotorer kan läsa.

De kapitelgenerator för podcast tar en lista över kapiteltitlar och deras varaktighet och producerar de tidsstämplade markörerna i det format som spelarna förväntar sig - kumulativa förskjutningar beräknade för dig, vilket är den del som är krångligt för hand och lätt att få fel av ett segment. Skriv titlarna från din rensade avskrift, lägg segmentlängderna bredvid dem och klistra in resultatet i ditt beskrivningsfält.

Skriv kapitelrubriker som beskrivningar, inte etiketter. "Varför migreringen misslyckades" får ett klick; "Del 3" gör det inte.

Text går tillbaka ut som tal

Den omvända resan har sina egna faror. Att mata ett dokument till en text-till-tal-motor – för en ljudversion av en artikel, ett röstgränssnitt eller ett tillgänglighetspass – ger konstiga resultat när texten innehåller saker som ingen skulle säga högt: markdown-syntax läses som tecken, URL-adresser stavade tecken för tecken, emoji tillkännagivna med namn, tabeller som läses som en ström av pipes.

De TTS desinficeringsmedel hanterar som passerar — ta bort markeringar, konvertera eller ta bort webbadresser och emoji, och normalisera skiljetecken som gör att motorer pausar på udda ställen. Kör den på den slutliga texten, efter all annan redigering, eftersom allt som återinför formatering ångrar det.

Ordningen som fungerar

1. Konvertera undertextfiler till vanlig prosa.
2. Bestäm vilken kategori utskriften tillhör.
3. Kör utfyllnads-, stamnings- och anteckningspassen du valde.
4. Läs den en gång från början och fixa tillskrivningen av högtalare, som inget verktyg kan verifiera åt dig.
5. Dra ut kapitelrubriker ur den rensade texten och generera markörerna.
6. Om det går till en talmotor, sanera sist.

En vana värd att behålla: behåll råexporten. Städning är förlustbringande, och första gången någon bestrider vad som sades i ett möte kommer du att vilja ha versionen med falska startar i den. Behåll originalfilen bredvid den redigerade istället för att redigera på plats.

Transkriptioner av möten och intervjuer är ofta konfidentiella – juridiska samtal, läkarbesök, lönediskussioner, privata intervjuer – och att ladda upp en till en webbtjänst för att få dess utfyllnadsord borttagen är precis fel handel. Varje verktyg här körs lokalt i din webbläsare; utskriften lämnar aldrig din dator.