Vidlora rehberi
Video yazıya dökme nasıl çalışır
Otomatik yazıya dökme, bir videonun ses izini dinler ve söylenenleri zaman damgalarıyla yazar. Perde arkasında sesi ayıklamayı, segmentlere bölmeyi, bir konuşma tanıma modeli çalıştırmayı ve çıktıyı okunabilir metne düzenlemeyi içerir. Doğruluk büyük ölçüde kayda bağlıdır. Bu rehber her aşamayı, sonucu neyin etkilediğini, daha iyi metinler için sesi nasıl hazırlayacağınızı ve çıktıyı sorumlu biçimde nasıl gözden geçirip kullanacağınızı açıklıyor.
7 dakikalık okuma
Video dosyasından sese
Konuşma tanıma ses üzerinde çalışır; bu yüzden ilk adım ses akışını videodan ayırmaktır. Görüntü atılır, ses çözülür ve gerekirse modelin beklediği hıza, yaygın olarak 16 kHz mono'ya yeniden örneklenir. Konuşma, müziğin ihtiyaç duyduğu yüksek frekans aralığına gerek duymaz; bu yüzden bu, tanımayı bozmadan veriyi azaltır. Bir saatlik video için bu ses, 16 bit monoda sıkıştırılmamış olarak dakikada yaklaşık 1,9 MB'tır; bu videodan çok daha hafiftir. Bir videonun küçük, düşük çözünürlüklü bir kopyasından yazıya dökmenin orijinalden olduğu kadar iyi çalışmasının nedeni de budur: yalnızca ses kalitesi önemlidir, görüntünün çözünürlüğü değil.
Bir konuşma tanıma modeli nasıl çalışır
Modern sistemler, metinle eşleştirilmiş yüz binlerce saatlik konuşma üzerinde eğitilmiş sinir ağları kullanır. Ses, zaman içindeki frekansların bir resmi olan bir spektrograma dönüştürülür ve model ondan bir sözcük dizisi tahmin eder. Yalnızca sesleri eşleştirmez; benzer duyulan sözcükler arasında seçim yapmak için bağlamı kullanır; bu yüzden dilbilgisini ve yaygın kalıpları işleyebilir. Daha büyük modeller genellikle daha doğrudur ama daha yavaştır. Birçoğu onlarca dili işler ve hangi dilin konuşulduğunu algılayabilir. Olasılıksaldırlar; bu nedenle özellikle isimlerde, jargonda ve belirsiz seste kendinden emin görünen ama yanlış bir metin üretebilirler.
Segmentler ve zaman damgaları
Uzun ses, modeller sınırlı bağlamda en iyi çalıştığı için çoğunlukla yaklaşık 30 saniyelik kısa pencerelerde işlenir. Model, her segment için metni ve her ifadenin başlangıç ile bitiş zamanını birlikte döndürür. Bu zaman damgaları, dökümde bir satıra tıklayıp videodaki ana atlamanıza, altyazı oluşturmanıza veya bir konunun nerede tartışıldığını bulmanıza imkân tanır. Zaman damgaları genellikle saniyenin bir kesri içinde doğrudur, ancak segment sınırlarında veya uzun sessizliklerden sonra hafifçe kayabilir. Sözcük düzeyinde zamanlama, ifade düzeyindeki zamanlamadan daha hassastır ve SRT ile VTT gibi altyazı biçimleri her ifade için yalnızca başlangıç zamanını, bitiş zamanını ve metni saklar.
Parçalardan okunabilir paragraflara
Ham çıktı, çoğunlukla her biri tek bir cümle veya yarım cümle olan kısa ifadelerin listesidir ve okunması zordur. İyi bir araç segmentleri duraklamalara, cümle sınırlarına ve uzunluğa göre paragraflarda gruplar; böylece on dakikalık bir konuşma yüzlerce satır yerine birkaç düzine paragraf olur. Noktalama ve büyük harf kullanımı modelin kendisinden gelir; model bunları sözcüklerle birlikte tahmin eder. Kimin konuştuğunu belirleyen konuşmacı etiketleri, konuşmacı ayrıştırma (diarisation) denen ayrı bir adım gerektirir ve her zaman dahil edilmez. Onsuz bir konuşma tek sürekli blok gibi görünür; bu yüzden gerçek bir röportaj dökümüne ihtiyaç duyduğunuzda konuşmacı değişikliklerini elle işaretlemeniz gerekebilir.
Doğruluğu ne etkiler
İyi bir mikrofonla temiz, tek konuşmacılı kayıtlarda modern modeller büyük dillerde yüzde 95 veya daha iyi sözcük doğruluğuna ulaşabilir; yani yaklaşık her yirmi sözcükte bir hata veya daha azı. Doğruluk arka plan gürültüsü, müzik altlıkları, yankılı odalar, üst üste konuşmalar, belirgin aksanlar, hızlı konuşma, teknik sözcük dağarcığı ve düşük bit hızlı sesle düşer. Büyük bir odadaki toplantıların telefon kayıtları çoğu zaman bunun çok altına düşer. Daha az eğitim verisi olan diller daha kötü performans gösterir. Kişi, ürün ve yer adları en yaygın hatalardır. Sayılar ve eşsesli sözcükler de sorun çıkarır. Doğruluk bir dosya boyunca tekdüze değildir: on dakika boyunca mükemmel olabilir ve gürültülü bir bölüm başlayınca kötüleşebilir.
Sesinizi hazırlamak
Yazıya dökmeden önce sonuçları iyileştirebilirsiniz. Mikrofona yakın, sessiz bir odada ve aynı anda tek kişi konuşarak kayıt yapın. Konuşurken arka plan müziğinden kaçının. Mevcut bir dosyayla çalışmak zorundaysanız modelin konuşmaya odaklanması için uzun sessizlikleri veya alakasız materyali kırpın. Yeniden sıkıştırılmış bir kopya yerine mevcut en yüksek kaliteli kaynağı kullanın; çünkü 64 kbps ses ünsüzleri gizler. Çok kısık bir kaydı normalleştirmek yardımcı olabilir. Araç soruyorsa doğru dili seçin; çünkü otomatik algılama kısa kliplerde veya dil değiştirmede başarısız olabilir. Uzun dosyalar için konuya göre bölmek gözden geçirmeyi kolaylaştırır. Bu adımların hiçbiri uzun sürmez ve birlikte çoğu zaman farklı bir model seçmekten daha fazla doğruluk kazandırır.
Dökümü gözden geçirmek ve düzenlemek
Otomatik dökümleri taslak olarak görün. Ana bölümleri dinlerken okuyun, isimleri, sayıları ve teknik terimleri düzeltin ve anlamı değiştiren yerlerde noktalamayı onarın. Zor olduğunu bildiğiniz sözcükleri arayın ve her geçişi kontrol edin. Altyazı yayımlamayı planlıyorsanız satır uzunluğunu, okuma hızını ve zamanlamayı kontrol edin; saniyede yaklaşık 15-17 karakter rahat bir üst sınırdır. Dolgu sözcüklerini yalnızca temiz okunan bir sürüm istiyorsanız kaldırın ve doğruluk önemli olduğunda, örneğin hukuki veya araştırma kullanımı için, kelimesi kelimesine bir kopya saklayın. İlgili olduğunda konuşmacı adlarını ekleyin. Bir saatlik kaydın hızlı bir gözden geçirmesi tipik olarak 20-40 dakika sürer; sıfırdan yazmak ise dört saat veya daha fazla sürebilir.
Gizlilik ve sorumlu kullanım
Bir döküm videodan daha hassas olabilir; çünkü metin aranabilir ve kopyalaması kolaydır. Bir kaydı herhangi bir çevrimiçi hizmete yüklemeden önce kişisel, tıbbi, hukuki veya gizli bilgi içerip içermediğini ve konuşan kişilerin kaydedilmeyi ve yazıya dökülmeyi kabul edip etmediğini düşünün. Birçok yer konuşmaları kaydetmek için rıza ister. Hizmetin dosyaları nasıl işlediğini kontrol edin: Vidlora yüklemeleri işler ve sonrasında kaldırır, ancak son derece gizli materyal için çevrimdışı bir araç daha uygun olabilir. Makine tarafından üretilmiş metni kontrol etmeden kelimesi kelimesine alıntı olarak sunmayın. Başkasının içeriğinin dökümünü yayımladığınızda iznin olduğundan emin olun, kaynağa atıf yapın ve metnin otomatik üretildiğini ve hata içerebileceğini belirtin.
Ücretsiz video indiriciyi deneyin