Если вы берёте интервью профессионально, у вопроса расшифровки есть неприятная кромка. Вы пообещали источнику конфиденциальность, или этический комитет утвердил протокол, или ваш собеседник подписал согласие, где указано, у кого будет доступ к записи. А потом вы загружаете файл в сервис расшифровки — и честный ответ на вопрос «у кого теперь этот звук» звучит как «у компании, чьи условия я не читал».

Для многих интервью это само по себе снимает вопрос, какой бы хорошей ни была точность. Вот процесс, который целиком выполняется локально на Mac.

Почему интервью — отдельная задача

Звук интервью отличается от звука встреч так, что ломает инструменты, созданные для встреч:

  • Два человека и длинные реплики. Разделение говорящих критично, а реплики длинные, а не быстрый обмен, как на стендапе.
  • Важны точные слова. Для цитаты в печати или расшифровки для качественного исследования, где кодируется каждая строка, «примерно так она и сказала» бесполезно. Очистка, сглаживающая грамматику, здесь прямо вредит.
  • Плохая акустика — норма. Кафе, телефонные звонки, диктофон на столе в комнате с жёсткими стенами.
  • Переключение языков — обычное дело. Двуязычные собеседники меняют язык прямо посреди фразы.
  • У согласия есть границы. Ваш собеседник согласился говорить с вами, а не с конвейером обучения моделей какого-то поставщика.

Локальный процесс

1. Запись. Либо вы записываете разговор вживую, либо приносите уже готовый файл. Vext — программа для расшифровки интервью, на которой построен этот процесс, — пишет микрофон и системный звук отдельными дорожками, так что подходят и интервью вживую, и разговор по Zoom или телефону. Если вы записывали на отдельное устройство, transcribe_file возьмёт с диска wav, m4a, mp3 и aiff.

2. Расшифровка на устройстве. Parakeet TDT v3 работает через FluidAudio на Apple Silicon. Ничего не выгружается. Длинное интервью расшифровывается быстро — модель работает заметно быстрее реального времени, — так что полтора часа записи не превращаются в ночную задачу.

3. Метки спикеров. Диаризация тоже идёт локально и разделяет, кто что сказал. Голосовые профили сохраняются между сессиями, и для лонгитюдной работы это главное: если вы берёте интервью у одного человека трижды, достаточно назвать его один раз. Профили можно переименовывать, объединять и удалять; многоязычность и работа со спикерами появились в версии 1.2.0.

4. Сохраните сырую расшифровку. Именно на этом шаге чаще всего ошибаются. Для архивной версии используйте стиль «Как сказано». Он не применяет никакой перестройки ИИ — вы получаете текст ровно таким, каким его выдал распознаватель, а это и нужно для цитат и кодирования. Очищенную или сокращённую версию делайте отдельно, но никогда не позволяйте ей заменить оригинал.

5. Экспорт. Markdown, txt, srt или vtt. В SRT и VTT есть метки времени — именно они нужны, когда вы возвращаетесь к записи, чтобы проверить цитату.

brew install muvon/tap/vext

Расшифровка многоязычных интервью

Языковой охват расшифровки широкий — более 99 языков через речевую модель. Отдельно от этого есть 29 целевых языков перевода, если расшифровка нужна на другом языке, либо вы оставляете оригинал.

Держите эти две вещи раздельно — и результаты тоже. Переведённая расшифровка не является исходным документом. Для любой цитаты, которая пойдёт в публикацию или в кодирование, работайте с расшифровкой на языке оригинала, а перевод считайте вспомогательным чтением. Если вы публикуете переведённую цитату, вам нужно суждение живого переводчика, а не модели.

Чего ждать от точности

Реалистичные ожидания, потому что звук интервью сложнее диктовки.

Хорошо: чистая запись разговора вдвоём, приличный микрофон, собеседники, которые мало перебивают. Современные локальные модели справляются уверенно.

Хуже: сильный фоновый шум, речь вперебивку, выраженный акцент вместе с плохим звуком, трое и более говорящих с похожими голосами. Ошибки первым делом появятся в диаризации: слова часто верные, а вот принадлежность реплик плывёт.

Что действительно помогает: заранее добавьте в собственный словарь имена, названия организаций, термины и названия проектов. Расшифровки интервью плотно набиты именами собственными, а именно их распознаватели путают чаще всего. Десять минут на словарь экономят больше времени на правку, чем любой другой отдельный шаг.

Шаг, который нельзя пропускать: перед публикацией сверяйте каждую цитату со звуком. Это верно для любого инструмента расшифровки по любой цене, включая живых расшифровщиков. Экспорт с метками времени существует именно для того, чтобы такая проверка была быстрой.

Очистка, но аккуратно

Расшифровки интервью полны слов-паразитов, оборванных начал и повторов. Для читаемой версии — поделиться с коллегой или писать на её основе — очистка помогает. Стили Vext умеют перестроить расшифровку в чистую прозу или списки с помощью локальной модели, тем же механизмом, что описан в статье очистка текста с ИИ.

Два правила. Очистка — для производной версии, никогда для архивной. И любая фраза, которая пойдёт в печать, возвращается к сырой расшифровке, а оттуда к звуку. Модель, подчищающая грамматику, может тихо сместить смысл, а «инструмент сгладил» — не то опровержение, которое можно защитить.

Почему здесь важна именно локальность

Разговор про соответствие требованиям становится коротким. Нет списка субпроцессоров для проверки, нет анализа трансграничной передачи, нет договора об обработке данных, нет поверхности утечки, хранящей ваш исходный звук. Для протоколов этических комитетов, редакционных правил и пользовательских исследований под соглашением о неразглашении фраза «звук ни разу не покидал ноутбук» закрывает обсуждение, а не открывает его.

Это ещё и отсутствие поминутной оплаты. Облачная расшифровка считает деньги по длительности звука, а исследования на интервью дают очень много часов. Vext стоит 49 $ один раз, с пробным периодом на 100 диктовок, на macOS 14 и новее с Apple Silicon. Если ваша работа охватывает и то и другое, общий процесс для встреч описан в статье локальная расшифровка встреч.