ถ้าคุณสัมภาษณ์ผู้คนเป็นอาชีพ คำถามเรื่องการถอดความจะมีแง่มุมที่ทำให้อึดอัดอยู่ คุณสัญญากับแหล่งข่าวว่าจะรักษาความลับ หรือคณะกรรมการจริยธรรมอนุมัติระเบียบวิธีให้แล้ว หรือผู้เข้าร่วมของคุณเซ็นหนังสือยินยอมที่ระบุว่าใครเข้าถึงไฟล์บันทึกได้บ้าง จากนั้นคุณก็อัปโหลดไฟล์ไปยังบริการถอดความ แล้วคำตอบที่ซื่อสัตย์ต่อคำถามว่า "ตอนนี้ใครถือไฟล์เสียงนี้อยู่" ก็กลายเป็น "บริษัทหนึ่งที่ผมยังไม่ได้อ่านข้อกำหนดของเขาเลย"
สำหรับงานสัมภาษณ์จำนวนมาก แค่นี้ก็ตัดตัวเลือกนั้นทิ้งได้แล้ว ไม่ว่าความแม่นยำจะดีแค่ไหน ต่อไปนี้คือขั้นตอนที่ทำทุกอย่างในเครื่องบน Mac
ทำไมบทสัมภาษณ์จึงเป็นโจทย์เฉพาะตัว
เสียงจากการสัมภาษณ์ต่างจากเสียงการประชุมในหลายด้าน และความต่างนั้นทำให้เครื่องมือที่ออกแบบมาเพื่อการประชุมใช้ไม่ได้ผล
- สองคน และผลัดกันพูดยาว ๆ การแยกผู้พูดสำคัญมาก และแต่ละช่วงพูดก็ยาว ไม่ใช่การโต้ตอบสั้น ๆ เร็ว ๆ แบบการประชุมยืนคุย
- ถ้อยคำที่แน่นอนสำคัญ สำหรับคำพูดที่จะตีพิมพ์ หรือการถอดเทปสำหรับงานวิจัยเชิงคุณภาพที่ทุกบรรทัดต้องนำไปลงรหัส คำว่า "เขาพูดประมาณนี้" นั้นใช้ไม่ได้เลย การขัดเกลาที่ไปปรับไวยากรณ์ให้ลื่นขึ้นกลับสร้างความเสียหายโดยตรง
- สภาพเสียงที่ไม่ดีคือเรื่องปกติ ทั้งร้านกาแฟ สายโทรศัพท์ หรือเครื่องบันทึกที่วางบนโต๊ะในห้องผนังแข็ง
- การสลับภาษาเป็นเรื่องธรรมดา ผู้ให้สัมภาษณ์ที่พูดสองภาษามักเปลี่ยนภาษากลางประโยค
- ความยินยอมมีขอบเขต ผู้ให้สัมภาษณ์ตกลงที่จะคุยกับ คุณ ไม่ได้ตกลงกับสายพานฝึกโมเดลของผู้ให้บริการรายใด
ขั้นตอนการทำงานในเครื่อง
1. บันทึก จะบันทึกบทสนทนาสด ๆ หรือเอาไฟล์ที่มีอยู่แล้วมาใช้ก็ได้ Vext ซึ่งเป็นโปรแกรมถอดเทปที่ขั้นตอนนี้ใช้ บันทึกไมโครโฟนกับเสียงระบบเป็นคนละสาย การสัมภาษณ์แบบเจอตัวและการสัมภาษณ์ผ่าน Zoom หรือโทรศัพท์จึงใช้ได้ทั้งคู่ ถ้าคุณบันทึกด้วยเครื่องแยกต่างหาก transcribe_file ก็รองรับไฟล์ wav, m4a, mp3 และ aiff จากดิสก์
2. ถอดความในเครื่อง Parakeet TDT v3 ทำงานผ่าน FluidAudio บน Apple Silicon โดยไม่มีการอัปโหลดใด ๆ การถอดความบทสัมภาษณ์ยาว ๆ ทำได้เร็ว เพราะโมเดลทำงานเร็วกว่าเวลาจริงมาก บทสัมภาษณ์เก้าสิบนาทีจึงไม่ใช่งานที่ต้องปล่อยทิ้งไว้ข้ามคืน
3. ขอป้ายชื่อผู้พูด การแยกแยะผู้พูดก็ทำงานในเครื่องเช่นกัน โดยแยกว่าใครพูดอะไร โปรไฟล์เสียงจะคงอยู่ข้ามครั้ง ซึ่งเป็นประโยชน์มากสำหรับงานติดตามระยะยาว ถ้าคุณสัมภาษณ์คนเดิมสามครั้ง การตั้งชื่อไว้ครั้งเดียวก็ใช้ต่อได้ตลอด คุณจะเปลี่ยนชื่อ รวม หรือลบโปรไฟล์ผู้พูดก็ได้ตามต้องการ ส่วนการรองรับหลายภาษาและการจัดการผู้พูดมาใน เวอร์ชัน 1.2.0
4. เก็บข้อความถอดความดิบไว้ นี่คือขั้นตอนที่คนมักทำพลาด ให้ใช้สไตล์ ตามที่พูด สำหรับเวอร์ชันที่เก็บเป็นต้นฉบับ เพราะมันไม่ใช้ AI ปรับรูปประโยคเลย คุณจะได้ข้อความอย่างที่ระบบรู้จำผลิตออกมาจริง ๆ ซึ่งเป็นสิ่งที่ต้องใช้สำหรับการอ้างคำพูดและการลงรหัส ถ้าอยากได้เวอร์ชันที่ขัดเกลาหรือสรุปแล้ว ให้สร้างแยกต่างหาก แต่อย่าให้มันมาแทนที่ต้นฉบับเด็ดขาด
5. ส่งออก เลือกได้ทั้ง markdown, txt, srt หรือ vtt โดย SRT และ VTT มีเวลากำกับมาด้วย ซึ่งเป็นสิ่งที่คุณต้องการเวลาจะย้อนกลับไปฟังเสียงเพื่อตรวจสอบคำพูด
brew install muvon/tap/vext
การถอดเทปสัมภาษณ์หลายภาษา
การถอดความรองรับภาษาได้กว้างมาก คือมากกว่า 99 ภาษาผ่านโมเดลเสียง ส่วนอีกเรื่องหนึ่งที่แยกกัน คือถ้าคุณต้องการข้อความถอดความในภาษาอื่น จะมีภาษาปลายทางสำหรับการแปล 29 ภาษา หรือจะเก็บไว้เป็นภาษาต้นฉบับก็ได้
แยกสองเรื่องนี้ให้ชัด และแยกไฟล์ผลลัพธ์ออกจากกันด้วย ข้อความถอดความที่แปลแล้วไม่ใช่เอกสารต้นฉบับ สำหรับคำพูดใดก็ตามที่จะตีพิมพ์หรือนำไปลงรหัส ให้ทำงานจากข้อความถอดความภาษาต้นฉบับ และถือว่าคำแปลเป็นเพียงตัวช่วยอ่าน ถ้าคุณจะตีพิมพ์คำพูดที่แปลแล้ว คุณต้องการวิจารณญาณของนักแปลที่เป็นมนุษย์ ไม่ใช่ของโมเดล
ควรคาดหวังความแม่นยำแค่ไหน
ตั้งความคาดหวังตามจริง เพราะเสียงจากการสัมภาษณ์ยากกว่าการพิมพ์ด้วยเสียง
ดี: เสียงคุยกันสองคนที่ชัดเจน ไมโครโฟนพอใช้ได้ และผู้ร่วมสนทนาที่ไม่ค่อยพูดทับกัน โมเดลที่ทำงานในเครื่องยุคนี้จัดการได้ดี
แย่ลง: เสียงรบกวนพื้นหลังหนัก การพูดทับกัน สำเนียงเข้มรวมกับคุณภาพเสียงต่ำ และผู้พูดสามคนขึ้นไปที่เสียงคล้ายกัน ความผิดพลาดจะปรากฏที่การแยกผู้พูดก่อนเป็นอันดับแรก คือคำมักถูก แต่การระบุว่าใครพูดจะเคลื่อน
วิธีแก้ที่ได้ผลจริง: ใส่ชื่อคน ชื่อองค์กร ศัพท์เทคนิค และชื่อโครงการลงในคลังคำศัพท์ก่อนเริ่มงาน ข้อความถอดความจากการสัมภาษณ์เต็มไปด้วยชื่อเฉพาะ และชื่อเฉพาะก็คือสิ่งที่ระบบรู้จำมักถอดผิด การเตรียมคำศัพท์สิบนาทีช่วยประหยัดเวลาแก้ไขได้มากกว่าขั้นตอนเดี่ยว ๆ อื่นใด
ขั้นตอนที่ข้ามไม่ได้: ตรวจสอบทุกคำพูดกับไฟล์เสียงก่อนตีพิมพ์ ข้อนี้ใช้ได้กับเครื่องมือถอดความทุกตัวในทุกระดับราคา รวมถึงคนถอดความที่เป็นมนุษย์ด้วย ไฟล์ส่งออกที่มีเวลากำกับมีอยู่ก็เพื่อให้การตรวจสอบนี้ทำได้เร็วนั่นเอง
การขัดเกลา ที่ต้องใช้อย่างระมัดระวัง
ข้อความถอดความจากการสัมภาษณ์เต็มไปด้วยคำเติม การเริ่มประโยคแล้วเลิก และการพูดซ้ำ ถ้าต้องการเวอร์ชันที่อ่านง่าย เช่นเพื่อส่งให้เพื่อนร่วมงานหรือใช้ร่างงานต่อ การขัดเกลาสักรอบก็ช่วยได้ สไตล์ของ Vext สามารถจัดข้อความถอดความใหม่ให้เป็นร้อยแก้วที่สะอาดหรือเป็นหัวข้อย่อยได้ด้วยโมเดลในเครื่อง ซึ่งเป็นกลไกเดียวกับที่อธิบายไว้ใน การขัดเกลาข้อความด้วย AI
มีสองกฎ ข้อแรก การขัดเกลาใช้กับเวอร์ชันที่แตกออกมา ไม่ใช้กับเวอร์ชันต้นฉบับที่เก็บไว้ ข้อสอง ประโยคใดก็ตามที่จะปรากฏในสิ่งพิมพ์ ต้องย้อนกลับไปที่ข้อความถอดความดิบ แล้วย้อนต่อไปที่ไฟล์เสียง โมเดลที่ปรับไวยากรณ์ให้เรียบร้อยอาจเปลี่ยนความหมายไปอย่างเงียบ ๆ และคำแก้ต่างว่า "เครื่องมือมันเกลาให้เอง" ก็ไม่ใช่คำชี้แจงที่ปกป้องตัวเองได้
ทำไมการทำงานในเครื่องจึงเป็นหัวใจของเรื่องนี้
การพูดคุยเรื่องการปฏิบัติตามข้อกำหนดจะสั้นลง ไม่มีรายชื่อผู้ประมวลผลช่วงให้ต้องตรวจสอบ ไม่มีการวิเคราะห์การโอนข้อมูลข้ามพรมแดน ไม่มีข้อตกลงการประมวลผลข้อมูล และไม่มีพื้นที่เสี่ยงรั่วไหลที่เก็บเสียงจากแหล่งข่าวของคุณไว้ สำหรับระเบียบวิธีของคณะกรรมการจริยธรรม นโยบายกองบรรณาธิการ และงานวิจัยผู้ใช้ภายใต้ข้อตกลงไม่เปิดเผยข้อมูล ประโยคที่ว่า "เสียงไม่เคยออกจากแล็ปท็อป" คือคำตอบที่ปิดการถกเถียง ไม่ใช่เปิดประเด็นใหม่
อีกทั้งยังไม่มีการคิดเงินเป็นรายนาที บริการถอดความบนคลาวด์คิดเงินตามความยาวของไฟล์เสียง และงานวิจัยที่ใช้การสัมภาษณ์ก็สร้างชั่วโมงเสียงจำนวนมาก Vext ราคา 49 ดอลลาร์จ่ายครั้งเดียว มีให้ทดลอง 100 ครั้ง ใช้ได้บน macOS 14 ขึ้นไปที่ใช้ Apple Silicon ถ้างานของคุณครอบคลุมทั้งสองแบบ ขั้นตอนสำหรับการประชุมทั่วไปอยู่ที่ การถอดความการประชุมในเครื่อง