Очищення автоматичної стенограми: заповнювачі, позначки часу та розділи

Автоматична транскрипція стала настільки хорошою, що тепер усі мають стенограми зустрічей, інтерв’ю, лекцій, епізодів подкастів, голосових нотаток. Про що вас ніхто не попереджає, це те, що необроблена стенограма не є документом. Це запис мовлення, а мовлення містить величезну кількість матеріалу, який існує лише для того, щоб виграти оратора півсекунди часу на роздуми. Перетворення цього запису на те, що людина справді прочитає, — коротка робота, яку можна повторити.

Що вам дає машина

Залежно від інструменту, необроблений експорт містить певну суміш: слів-заповнювачів (гм, ну, як, ви знаєте, Я маю на увазі), фальстарти та заїкання, коли мовець перезапускає речення, анотації в дужках, такі як [inaudible], [laughter] або [crosstalk], мітки доповідачів різної консистенції та мітки часу — або у вигляді файлу субтитрів із пронумерованими сигналами, або вбудованих кожні кілька секунд.

Для кожного з них потрібне інше рішення, тому одна кнопка «очистити» рідко дає бажане. The очищувач розшифровки голосу розділяє їх: заповнювачі, заїкання та анотації перемикаються окремо, тому ви можете видалити гм з інтерв'ю при збереженні [laughter] що має значення для стенограми, або навпаки для технічної розмови.

Спочатку визначте, для чого призначена стенограма

Це визначає все інше, і робити це після редагування означає виконувати редагування двічі.

Запис. Юридичні, медичні, дослідницькі чи інші, де сказане важливіше, ніж те, як це читається. Зберігайте заповнювачі, зберігайте помилкові старти, зберігайте анотації, зберігайте мітки часу. Не очищайте нічого, крім очевидних артефактів інструменту. Редагування запису для зручності читання руйнує те, що робить його записом.

Щось почитати. Покажіть замітки, чернетку статті, протокол зустрічі, резюме, яке ви передасте тому, хто не був там. Здерти все це. Наповнювачі не несуть жодної інформації на сторінці, навіть якщо їх було багато в кімнаті.

Введення в модель. Стрип агресивно — кожен наповнювач — це маркер, за який ви платите, і сторінка гм справді погіршує підсумок, який ви отримуєте, а також коштує грошей.

Від субтитрів до прози

Половина всіх транскриптів надходить як SRT або VTT, оскільки саме їх експортує інструмент транскрипції. Цей формат — це номери підказок, часові коди та фрагменти тексту, розбиті по ширині дисплея, а не на межі речення — нечитабельний як документ.

The Конвертер SRT в текст скидає нумерацію та часові коди та знову об’єднує фрагменти в суцільну прозу. Зробіть це до проходження заповнювача, а не після: очищення файлу, коли часові коди все ще чергуються, змушує вас повторно перевіряти кожну репліку, і легко видалити рядок, який насправді був міткою часу.

Рух в іншому напрямку також має значення. Якщо ви створюєте субтитри, а не використовуєте їх, перевірте результат за допомогою швидкість читання субтитрів, який вимірює кількість символів за секунду на сигнал і позначає ті, які ніхто не може прочитати, поки вони знаходяться на екрані. Практика трансляції становить близько 17 символів на секунду для програм для дорослих і нижче для програм для дітей; автоматично згенеровані субтитри регулярно перевищують обидва, оскільки машина не має поняття глядача.

Розділи

Отримавши чисту стенограму, ви маєте вихідний матеріал для маркерів розділів, які є єдиним доповненням до довгого відео або епізоду подкасту з найвищою прибутковістю: вони надають вам зміст у програвачі, глибокі посилання, якими люди можуть поділитися, і текст, який можуть прочитати пошукові системи.

The генератор розділів подкастів бере список назв розділів і їх тривалості та створює позначки часу у форматі, який очікують гравці — кумулятивні зсуви, розраховані для вас, це частина, яку складно вручну і легко помилитися на один сегмент. Напишіть заголовки з очищеної транскрипції, позначте довжину сегментів поруч із ними та вставте результат у поле опису.

Пишіть назви розділів як описи, а не як мітки. «Чому міграція не вдалася» отримує клацання; «Частина 3» — ні.

Текст повертається як мовлення

Зворотна поїздка має свої ризики. Подача документа в механізм перетворення тексту в мовлення — для аудіоверсії статті, голосового інтерфейсу чи перепустки доступності — дає дивні результати, коли текст містить речі, які ніхто не сказав би вголос: синтаксис markdown читається як символи, URL-адреси прописані символ за символом, емодзі, оголошені за назвою, таблиці читаються як потік каналів.

The Дезінфікуючий засіб TTS обробляє, що проходить — видаляє розмітку, перетворює або видаляє URL-адреси та емодзі, а також нормалізує пунктуацію, через яку механізми зупиняються в незвичайних місцях. Запустіть його на остаточному тексті після всіх інших редагувань, оскільки все, що повторно вводить форматування, скасовує його.

Порядок, який працює

1. Перетворення файлів субтитрів на звичайну прозу.
2. Визначте, до якої категорії належить стенограма.
3. Запустіть вибрані проходи заповнення, заїкання та анотації.
4. Прочитайте його один раз від кінця до кінця та виправте атрибуцію мовця, яку жоден інструмент не зможе перевірити за вас.
5. Витягніть заголовки розділів із очищеного тексту та створіть маркери.
6. Якщо це стосується мовного механізму, дезінфікуйте в останню чергу.

Одна звичка, яку варто зберегти: зберегти експорт сировини. Очищення є втратою, і коли хтось вперше оскаржує те, що було сказано під час зустрічі, вам знадобиться версія з фальстартами. Зберігайте оригінальний файл поруч із відредагованим, а не редагуйте на місці.

Стенограми зустрічей та інтерв’ю часто є конфіденційними — юридичні дзвінки, медичні зустрічі, обговорення зарплати, приватні співбесіди — і завантажувати їх у веб-службу для видалення слів-заповнювачів — абсолютно неправильна справа. Кожен інструмент тут працює локально у вашому браузері; стенограма ніколи не залишає вашу машину.