Прочитать текст по диагонали быстрее, чем переслушивать часовую запись конференции или интервью. Но подготовка протокола встречи тоже требует времени. Ускорить процесс позволяют решения для транскрибации. Разбираемся, как работает Контур.Транскрипт и как получить готовую расшифровку встречи в Толке.

В этой статье:

• Понятие транскрибации
• История транскрибации
• Типы транскрибации
• Транскрибация аудио и видео
• Виды автоматического распознавания речи
• Как работает транскрибация
• Сферы применения транскрибации
• Транскрибация для бизнеса
• Транскрибация в Толке

Понятие транскрибации

Ситуация: специалисты отдела исследований проводят серию интервью с клиентами. Задача — оценить мнение потребителей о новой услуге компании. Разговор с одним клиентом занимает минимум 30 минут. Чтобы обработать результаты исследований, специалисту необходимо расшифровать каждое интервью.

Преобразование речи из аудио в текст называется транскрибацией. Можно записать интервью на диктофон, а когда разговор завершится, прослушать аудиофайл и сделать транскрипцию вручную. Да, придется потратить время, но запись можно остановить или отмотать назад. В итоге текст получится качественным и будет полностью совпадать с исходником.

Еще один вариант — доверить транскрибацию специальным решениям, которые делают расшифровки автоматически. В Контуре для этой задачи создали сервис Транскрипт.

Транскрибация основана на технологии распознавания речи, в английском она обозначается термином speech-to-text (STT). Кроме расшифровки аудиофайлов, такие алгоритмы работают в виртуальных помощниках и голосовом управлении.

История транскрибации

С тех пор, как люди стали собираться группами и что-то обсуждать, появилась необходимость фиксировать сказанное. Говорим мы быстрее, чем пишем, поэтому возникла стенография — система скорописи, которая позволяла быстро переносить устную речь в текст. Чтобы писать быстрее, придумывали сокращения и особые знаки — точки, тире, геометрические фигуры, заменяющие слова и целые фразы. Система таких символов помогала стенографистам писать в разы быстрее обычных людей. Стенографисты работали в основном на заседаниях парламентов и судов.

В середине прошлого века появились технологии распознавания речи. Поначалу их внедряли в устройства, которые выполняли простые команды, реагируя на определенные фразы. В 90-х годах XX века появились первые программы для перевода голоса в текст. Они не всегда точно распознавали голос, в тексте было много ошибок, но постепенно технологии совершенствовались. Сегодня существуют разные решения и приложения для транскрибации, также эти технологии встраивают в сервисы видеосвязи.

Типы транскрибации

В зависимости от того, как происходит транскрибация, выделяют два типа: ручную и автоматическую.

Ручная расшифровка

Расшифровкой аудио- и видеозаписей занимаются транскрибаторы. Чтобы готовить транскрипции качественно, такие специалисты должны:

• быстро печатать;

• хорошо знать язык, правила орфографии и пунктуации;

• быть внимательным, чтобы не упустить деталей в речи спикера;

• быть терпеливым и усидчивым, ведь транскрибация — монотонная и однообразная работа.

Преимущества ручной расшифровки в том, что человек точнее разбирается в записи низкого качества — иногда программы справляются с этой задачей хуже. Транскрибатор может додумать непонятное слово или неологизм на основе контекста. Минус ручной транскрибации — это дороже и значительно дольше автоматического аналога.

Автоматическая транскрибация

Автоматическая транскрибация происходит без участия человека. Пользователь загружает запись интервью или конференции в сервис, а спустя пару минут получает текстовую версию. Программа работает быстрее, чем человек. К тому же автоматическая расшифровка обходится дешевле.

Так, в основе сервиса транскрибации от Контура — три модели искусственного интеллекта: 

1. Одна — превращает буквы в текст.

2. Вторая — записывает числа цифрами.

3. Третья — расставляет знаки препинания.

Редактировать расшифровку можно прямо в интерфейсе Транскрипта, а чтобы прослушать нужный фрагмент записи, достаточно нажать на слово и фразу. Сервис справляется с записями любого популярного формата размером до 2 Гб.

Контур.Транскрипт непрерывно обучается на специально подготовленных встречах и звонках.

Транскрибация аудио и видео

Мы уже упомянули, что в основе сервисов транскрибации — модели искусственного интеллекта. Чтобы алгоритмы переводили речь в текст, ИИ тренируется на массивах данных. Они содержат разнообразные примеры речи, акцентов, интонаций, стилей общения спикеров разных полов и возрастов.

Вместе с аудиодорожкой алгоритм получает текстовую расшифровку с отметками, какой звуковой фрагмент соответствует отрывку текста. На таких примерах модель обучается, корректирует свои параметры, а потом может работать с пользовательскими данными. Расшифровка звуковых дорожек в видеофайлах основана на тех же принципах.

Виды автоматического распознавания речи

Распознавание речи с помощью алгоритмов разделяют на три вида: потоковое, синхронное и асинхронное.

Потоковое

Потоковое распознавание используется, когда нужно расшифровать речь в реальном времени, например телефонный разговор или видеоконференцию, проставить автоматические субтитры в ролике.

Технологию внедряют и в голосовые помощники — это помогает ассистенту быстро реагировать на голосовую команду. Пока пользователь говорит, аудиоданные продолжают записываться, при этом программа порционно выдает фрагменты текста сразу после обработки речи.

Синхронное

Синхронное распознавание часто используют мессенджеры для расшифровки аудиосообщений. Отличие от потоковой транскрибации в том, что в текст переводится уже предварительно записанная короткая аудиодорожка, а не поток. Технология удобна тем, что пользователю не приходится долго ждать. Минус в том, что максимальная длина аудиодорожки иногда ограничивается 30–40 секундами.

Асинхронное

Для транскрибации аудиоданных в офлайн-режиме применяют асинхронную транскрибацию. При таком способе расшифровки запись звуковой дорожки и ее перевод в текст происходят в разное время. Запись может длиться несколько часов и занимать гигабайты памяти — ограничений практически нет. Хотя на расшифровку такого объема потребуется больше времени. Асинхронная транскрибация подойдет для перевода в текст любых записей: от коротких интервью до вебинаров и конференций.

Как работает транскрибация

Транскрибация проходит в три этапа:

1. Подготовка записи. Сначала сервер обрабатывает запись, чтобы на ней было меньше посторонних звуков и шумов. Аудиодорожка делится на равные небольшие кусочки (размер зависит от модели распознавания). Из каждого фрагмента извлекают звуковые характеристики: высоту, громкость, длительность и переводят их в числовые значения — в такой форме с аудио уже могут работать алгоритмы искусственного интеллекта.

2. Расшифровка. Программа анализирует извлеченные признаки и генерирует предположение о том, какие буквы, фразы или слова произнес спикер на записи.

3. Перевод в текст и постобработка. Сгенерированные предположения о словах и фразах объединяются в окончательный текстовый результат. На финальном этапе система исправляет ошибки, расставляет знаки препинания, разбивает текст на абзацы.

Сферы применения транскрибации

Перевод аудио в текст пригодится специалистам разных сфер.

В обучении

В сфере онлайн-образования сервисы для расшифровки используют для создания текстовой версии видеоуроков. Некоторые ученики лучше воспринимают информацию визуально, чем на слух.

Программы для транскрибации нужны и в офлайн-образовании. Речь преподавателя на семинаре или конференции можно записать на диктофон, а потом расшифровать автоматически, чтобы не тратить много времени. Научным сотрудникам такие сервисы нужны, чтобы переводить в текст аудиоархивы — они становятся основой для монографий и статей.

В журналистике

Журналистам и корреспондентам транскрибация помогает расшифровывать интервью. Это позволяет не отвлекаться на записи, когда спикер говорит, не тратить время на перевод в текст аудио или видео и работать уже с готовым текстом.

В создании видеоконтента

Чтобы фильмы, сериалы, ролики и видеоблоги могли смотреть люди из разных стран, видео сопровождаются субтитрами. В их создании участвуют технологии транскрибации. Также субтитры помогают смотреть видео пользователям с нарушениями слуха.

Транскрибация для бизнеса

Технологии расшифровки аудио и видео в текст нашли применение и в бизнес-среде. Вот несколько задач, которые позволяют решить такие сервисы:

Расшифровка записей в колл-центрах. Чтобы проще анализировать общение работников компании с клиентами, аудиозаписи переводят в текст. Это помогает оценить качество работы сотрудников, найти удачные скрипты и сэкономить ценное время руководителей на прослушивании многочасовых звонков.

• Перевод в текст записей встреч и конференций. Иногда важно зафиксировать выступления коллег на собраниях: подвести итоги, распределить задачи, записать идеи. Чтобы сотрудники не отвлекались на записи во время встречи и не тратили рабочее время на расшифровку, используются сервисы транскрибации.

• Расшифровка интервью с клиентами в рамках исследований. Текстовая расшифровка позволяет сохранять результаты глубинных интервью в доступном виде. Благодаря транскрипции можно не переслушивать старые записи, а быстро находить нужные фрагменты с помощью поиска по тексту и делиться материалами с коллегами.

• Секретарям и фасилитаторам. Подготовка протоколов и резюме встреч — большая часть работы таких сотрудников. Сервисы расшифровки позволяют секретарям и фасилитаторам экономить время на рутинном наборе текста.

Транскрибация в Толке

Транскрипт, который мы уже упоминали в статье, встроен в Толк. За счет этого сервис видеосвязи позволяет не только проводить рабочие онлайн-конференции, но и фиксировать их результат.

Толк расшифровывает все встречи, которые вы записываете. Он переводит речь участников в текст и отображает реплики в виде диалога.Чтобы посмотреть расшифровку встречи в Толке, просто откройте страницу с записями и выберите нужную конференцию. Транскрипция будет под видео.

Можно скопировать цитаты или сохранить текст целиком. Вот семь фишек, благодаря которым транскрипция в сервисе читается легко:

• сервис прописывает числа цифрами;

• убирает такие междометия как «э» и «м» — смысла они не несут, но текст  засоряют;

• расставляет знаки препинания;

• распознает распространенные аббревиатуры;

• пишет с заглавной буквы имена и названия известных компаний;

• проставляет таймкоды;

• воспроизводит фрагмент разговора по клику на цитату.

С Толком вам не придется пересматривать видео из раза в раз, чтобы составить резюме встречи или расшифровать интервью с клиентом.