Zamiana nagrania na tekst
Opublikowano · Zaktualizowano 2 min czytania
Zamiana nagrania, wykładu, spotkania, wiadomości głosowej lub wywiadu na tekst pozwala nie odsłuchiwać wszystkiego ponownie, aby odnaleźć zdanie. Narzędzie zamienia plik audio na tekst w przeglądarce, za pomocą modelu rozpoznawania mowy. Wynik jest użyteczny, ale wymaga ponownego przeczytania: przy wyraźnym głosie należy liczyć mniej więcej na jedno słowo na cztery do poprawienia, a wybór języka i szum bardzo zmieniają wynik.
Co robi narzędzie
Audio na tekst zamienia plik audio na tekst w przeglądarce. Plik nie jest wysyłany: pobierany jest tylko model, jednorazowo, po zaznaczeniu pola zgody. Dostępne są trzy formaty eksportu: TXT dla tekstu, SRT i VTT dla napisów.
Co pobiera pierwsze użycie
Przy pierwszym użyciu przeglądarka pobiera model i jego skrypty z dwóch usług zewnętrznych wobec strony. To pobrania: żadne nie zabiera pliku audio. Przycisk „Wyczyść pamięć podręczną” usuwa potem model z przeglądarki, jeśli chce się odzyskać miejsce.
Wybór języka
Menu języków oferuje ustawienie automatyczne i dwadzieścia języków. Przy wbudowanym modelu automatyczne wykrywanie łatwo się myli: przy głosie francuskim może wziąć go za angielski i stworzyć zdania niemające związku z tym, co powiedziano. Narzędzie wybiera więc domyślnie język strony. Zawsze należy wybrać język nagrania, to ustawienie, które najbardziej zmienia wynik.
| Ustawiony język | Błędne słowa na 32 |
|---|---|
| Automatyczny | prawie wszystkie |
| Francuski | od 8 do 10, jedna czwarta |
Co daje poprawny język
Przy wyraźnym głosie transkrypcja jest zrozumiała, z typowymi błędami: zgubiona liczba mnoga („parcels” zamiast „parcelles”), nazwa własna bez wielkiej litery, liczba zapisana cyframi („3” zamiast „trzy”) i rzadkie słowa źle usłyszane. Dlatego ponowne przeczytanie pozostaje konieczne.
Wpływ szumu
Szum tła szybko pogarsza transkrypcję.
| Nagranie | Błędne słowa na 32 |
|---|---|
| Bez szumu | 8 (25 %) |
| Lekki szum, słabszy od głosu | 11 (34 %) |
| Szum równie głośny jak głos | 31 (97 %) |
Lekki szum kosztuje kilka słów. Szum równie głośny jak głos czyni transkrypcję bezużyteczną.
Czas przetwarzania
Należy liczyć od kilku do około dziesięciu sekund dla nagrania trwającego około piętnastu sekund, z ładowaniem modelu, na komputerze stacjonarnym. Dłuższy plik wymaga więcej czasu i pamięci.
Czego nie mówią te liczby
Te rzędy wielkości pochodzą z wyraźnych, regularnych głosów. Prawdziwy głos, z akcentem, wahaniami lub kilkoma mówiącymi osobami, da inne liczby. Przed uruchomieniem całego pliku warto wypróbować krótki fragment własnego nagrania.
Poprawianie wyniku
- Wybierz w menu język nagrania.
- Zmniejsz szum u źródła: mikrofon blisko daje lepszy wynik niż filtr nałożony później.
- Jeśli plik ma nietypowy format, najpierw skonwertuj go za pomocą Konwersja nagrania głosu bez psucia jakości.
Zawsze sprawdzaj ponownie nazwy własne, liczby i terminy techniczne.
Dla jakich nagrań
Wykład, spotkanie, wywiad lub wiadomość głosowa: tekst pozwala wyszukać zdanie bez ponownego odsłuchiwania wszystkiego i brać z niego fragmenty.
Sprawdzenie uzyskanego tekstu
- Posłuchaj nagrania, śledząc tekst.
- Popraw nazwy, liczby i zgodności.
- Wyeksportuj jako TXT dla tekstu, jako SRT lub VTT dla napisów.
Najczęściej zadawane pytania
- Czy moje nagranie jest wysyłane w celu transkrypcji?
- Nie. Pobierany jest tylko model, jednorazowo, po zgodzie. Plik audio pozostaje na urządzeniu.
- Jakiej dokładności się spodziewać?
- Przy wyraźnym głosie po francusku należy liczyć mniej więcej na jedno słowo na cztery do poprawienia. Szum tła szybko ją pogarsza.
- Jaki język wybrać?
- Język nagrania. Automatyczne wykrywanie łatwo się myli przy wbudowanym modelu.
- Jakie formaty eksportu są dostępne?
- TXT dla tekstu, SRT i VTT dla napisów.