دليل Vidlora
كيف يعمل النسخ النصي للفيديو
ينصت النسخ النصي الآلي إلى المسار الصوتي للفيديو ويكتب ما يُقال مع طوابع زمنية. وخلف الكواليس يتضمن ذلك استخراج الصوت، وتقسيمه إلى مقاطع، وتشغيل نموذج للتعرف على الكلام، وتنظيم المخرجات في نص مقروء. وتعتمد الدقة بشكل كبير على التسجيل. يشرح هذا الدليل كل مرحلة، وما الذي يؤثر في النتيجة، وكيف تجهز الصوت للحصول على نصوص أفضل، وكيف تراجع المخرجات وتستخدمها بمسؤولية.
قراءة 7 دقائق
من ملف الفيديو إلى الصوت
يعمل التعرف على الكلام على الصوت، لذا فالخطوة الأولى هي فصل مسار الصوت عن الفيديو. تُهمل الصورة ويُفك ترميز الصوت ويُعاد أخذ عيناته عند الحاجة إلى التردد الذي يتوقعه النموذج، وهو شائعًا 16 kHz أحادي القناة. فالكلام لا يحتاج إلى مدى الترددات العالية الذي تحتاجه الموسيقى، فيقلل هذا البيانات دون الإضرار بالتعرف. وبالنسبة لفيديو مدته ساعة، يبلغ هذا الصوت نحو 1.9 ميغابايت في الدقيقة دون ضغط بدقة 16 بت أحادي، وهو أخف بكثير من الفيديو. وهذا أيضًا سبب أن النسخ النصي من نسخة صغيرة منخفضة الدقة للفيديو يعمل بالجودة نفسها كالأصل: فما يهم هو جودة الصوت فقط لا دقة الصورة.
كيف يعمل نموذج التعرف على الكلام
تستخدم الأنظمة الحديثة شبكات عصبية دُرّبت على مئات الآلاف من ساعات الكلام المقترنة بنصوصها. يُحوَّل الصوت إلى مخطط طيفي (spectrogram)، وهو صورة للترددات عبر الزمن، ويتنبأ النموذج منه بتسلسل كلمات. وهو لا يطابق الأصوات فحسب، بل يستخدم السياق للاختيار بين كلمات متشابهة في النطق، ولهذا يستطيع التعامل مع القواعد والعبارات الشائعة. والنماذج الأكبر عمومًا أدق لكنها أبطأ. ويتعامل كثير منها مع عشرات اللغات ويستطيع اكتشاف اللغة المتحدَّث بها. وهي احتمالية، فقد تنتج نصًا يبدو واثقًا لكنه خاطئ، خاصة مع الأسماء والمصطلحات المتخصصة والصوت غير الواضح.
المقاطع والطوابع الزمنية
يُعالج الصوت الطويل في نوافذ قصيرة، غالبًا نحو 30 ثانية، لأن النماذج تعمل بأفضل شكل على سياق محدود. ويعيد النموذج نصًا لكل مقطع مع وقتي بداية ونهاية كل عبارة. وتتيح هذه الطوابع الزمنية أن تنقر على سطر في النص فتقفز إلى اللحظة في الفيديو، أو أن تبني ترجمات، أو أن تجد أين نوقش موضوع ما. والطوابع الزمنية دقيقة عادةً ضمن جزء من الثانية، لكنها قد تنحرف قليلًا عند حدود المقاطع أو بعد فترات صمت طويلة. والتوقيت على مستوى الكلمة أدق من التوقيت على مستوى العبارة، وتخزن صيغ الترجمة مثل SRT وVTT ببساطة وقت البداية ووقت النهاية والنص لكل عبارة.
من الأجزاء إلى فقرات مقروءة
المخرجات الخام قائمة عبارات قصيرة، غالبًا جملة أو نصف جملة في كل منها، وهذا صعب القراءة. وتجمع الأداة الجيدة المقاطع في فقرات بحسب الوقفات وحدود الجمل والطول، فيصبح حديث مدته عشر دقائق بضع عشرات من الفقرات بدل مئات الأسطر. وتأتي علامات الترقيم واستخدام الأحرف الكبيرة من النموذج نفسه، إذ يتنبأ بها مع الكلمات. أما تسميات المتحدثين، التي تحدد من يتكلم، فتتطلب خطوة منفصلة تسمى تمييز المتحدثين (diarization) وليست مضمنة دائمًا. وبدونها تبدو المحادثة كتلة واحدة متصلة، فقد تحتاج إلى تحديد تبدل المتحدثين يدويًا حين تريد نص مقابلة صحيحًا.
ما الذي يؤثر في الدقة
في التسجيلات النظيفة بمتحدث واحد وميكروفون جيد، تستطيع النماذج الحديثة بلوغ دقة كلمات تبلغ 95 بالمئة أو أفضل في اللغات الرئيسية، أي خطأ واحد تقريبًا في كل عشرين كلمة أو أقل. وتنخفض الدقة مع ضوضاء الخلفية والموسيقى الخلفية والغرف ذات الصدى وتداخل المتحدثين واللهجات القوية والكلام السريع والمفردات التقنية والصوت منخفض معدل البت. وكثيرًا ما تنخفض تسجيلات الهاتف للاجتماعات في غرفة كبيرة إلى ما دون ذلك بكثير. وتؤدي اللغات ذات بيانات التدريب الأقل أداءً أسوأ. وأسماء الأشخاص والمنتجات والأماكن هي أكثر الأخطاء شيوعًا. وتسبب الأرقام والكلمات المتجانسة لفظًا مشكلات أيضًا. والدقة ليست موحدة عبر الملف: فقد تكون ممتازة لعشر دقائق ثم رديئة حين يبدأ جزء مليء بالضوضاء.
تجهيز الصوت
يمكنك تحسين النتائج قبل النسخ النصي. سجّل قريبًا من الميكروفون، في غرفة هادئة، مع تحدث شخص واحد في كل مرة. وتجنب الموسيقى الخلفية أثناء الكلام. وإذا كان عليك العمل مع ملف موجود فاحذف فترات الصمت الطويلة أو المواد غير ذات الصلة ليركز النموذج على الكلام. واستخدم أعلى مصدر جودة متاح بدل نسخة أُعيد ضغطها، فصوت 64 kbps يخفي الحروف الساكنة. وقد يفيد تطبيع تسجيل هادئ جدًا. واختر اللغة الصحيحة إن طلبتها الأداة، لأن الكشف التلقائي قد يفشل في المقاطع القصيرة أو عند التنقل بين لغتين. وفي الملفات الطويلة يسهّل التقسيم بحسب الموضوع المراجعة. ولا تستغرق أي من هذه الخطوات وقتًا طويلًا، وهي معًا كثيرًا ما تحسّن الدقة أكثر من اختيار نموذج مختلف.
مراجعة النص وتحريره
تعامل مع النصوص الآلية على أنها مسودات. اقرأها أثناء الاستماع إلى الأجزاء الأساسية، وصحّح الأسماء والأرقام والمصطلحات التقنية، وأصلح علامات الترقيم حيث يتغير المعنى. وابحث عن الكلمات التي تعلم أنها صعبة وتحقق من كل ورود لها. وإذا كنت تنوي نشر ترجمات فتحقق من طول السطر وسرعة القراءة والتوقيت؛ ويعد نحو 15 إلى 17 حرفًا في الثانية حدًا أقصى مريحًا. احذف كلمات الحشو فقط إن أردت نسخة سهلة القراءة، واحتفظ بنسخة حرفية حين تهم الدقة، كما في الاستخدام القانوني أو البحثي. وأضف أسماء المتحدثين حيث يلزم. وتستغرق مراجعة سريعة لتسجيل مدته ساعة عادةً من 20 إلى 40 دقيقة، وهي أقل بكثير من الكتابة من الصفر التي قد تستغرق أربع ساعات أو أكثر.
الخصوصية والاستخدام المسؤول
قد يكون النص أكثر حساسية من الفيديو، لأن النص قابل للبحث وسهل النسخ. فقبل رفع تسجيل إلى أي خدمة عبر الإنترنت فكّر هل يتضمن معلومات شخصية أو طبية أو قانونية أو سرية، وهل وافق المتحدثون على التسجيل والنسخ النصي. وتشترط أماكن كثيرة الموافقة على تسجيل المحادثات. وتحقق من كيفية تعامل الخدمة مع الملفات: يعالج Vidlora الملفات المرفوعة ويزيلها بعد ذلك، لكن للمواد شديدة السرية قد تكون أداة تعمل دون اتصال أنسب. ولا تقدم نصًا مولدًا آليًا على أنه اقتباس حرفي دون التحقق منه. وحين تنشر نص محتوى لشخص آخر فتأكد أن لديك إذنًا، وانسب المصدر، وأشر إلى أن النص أُنتج تلقائيًا وقد يحتوي على أخطاء.
جرّب أداة تنزيل الفيديو المجانية