Transkrypcja AI: Kiedy audio jest trudne do przetworzenia?

Mojiokoshi-san to transkrypcja AI, która wykorzystuje sztuczną inteligencję do transkrypcji. AI wykorzystuje technologie Google i AmiVoice (japońskiego dostawcy systemów rozpoznawania mowy).

Transkrypcja AI ma swoje mocne i słabe strony w zależności od pliku audio, który ma być transkrybowany.

W tym artykule przedstawimy przykłady i powody, dla których transkrypcja AI ma trudności z niektórymi plikami audio.

Znajomość tych przykładów i powodów pomoże Ci tworzyć pliki audio, które są łatwiejsze do transkrypcji za pomocą AI, więc prosimy o zapoznanie się z nimi.

Pliki audio, z którymi transkrypcja AI ma trudności

1. Niska głośność dźwięku, mikrofon zbyt daleko, trudny do zrozumienia
2. Silne szumy zagłuszające dźwięk
3. Dźwięk rozmyty przez pogłos w pomieszczeniu
4. Pliki zawierające muzykę, np. teksty piosenek
5. Pliki bez dźwięku 
6. Silne dialekty 
7. Mieszanka wielu języków
8. Dźwięk trudny do usłyszenia nawet dla człowieka 

Nie zaleca się używania Mojiokoshi-san do takich plików audio, ponieważ dokładna transkrypcja nie jest możliwa.   

Powiązany artykuł>6 wskazówek dotyczących nagrywania w celu uzyskania dokładnej transkrypcji

Zgłoszenia błędów dotyczące plików audio, z którymi transkrypcja AI ma trudności, zostaną odrzucone, a czas transkrypcji nie zostanie zwrócony.

Wiele zgłoszeń błędów dotyczy problemów z zawartością pliku. Przyjrzyjmy się rzeczywistym przykładom.

Brak nagranego głosu w pliku (ciągły szum, cisza)

Jeśli prześlesz plik audio bez sprawdzania jego zawartości, może się okazać, że:

Nagranie nie powiodło się i jest "cisza z powodu nieudanego nagrania" lub "mikrofon został odłączony w trakcie nagrywania, słychać tylko szum, brak dźwięku".

Powyższy obrazek przedstawia wynik transkrypcji pliku, w którym słychać tylko szum. 

Mojiokoshi-san wykonuje transkrypcję za pomocą AI. AI stara się transkrybować nawet fragmenty z szumem, w miarę możliwości.

Problem ten występuje szczególnie często, gdy używasz PerfectVoice i plik zawiera ponad minutę szumu lub ciszy na początku.

Jeśli transkrypcja zawiera "aaaaaaa", "nnnnnnn" lub wiele powtórzeń tej samej frazy, a wynik jest niezrozumiały, sprawdź zawartość pliku.

Przycinając szum lub ciszę na początku, możesz zapobiec wystąpieniu tego problemu.

Nawet jeśli transkrybujesz takie pliki i zużyjesz czas, nie będzie możliwości zwrotu czasu.

1. Niska głośność dźwięku, mikrofon zbyt daleko, trudny do zrozumienia

Sprawdzając pliki audio, które spowodowały błędy, najczęściej spotykam się z problemem niskiej głośności dźwięku lub zbyt dużej odległości mikrofonu.

jest ten przykład.

Nawet jeśli transkrypcja jest możliwa, jej dokładność będzie niska. Dlatego nie zalecamy transkrypcji AI dla plików audio, w których głośność mówiącego jest niska lub mikrofon jest zbyt daleko, aby prawidłowo odebrać dźwięk.

Przykład: Nagrywanie wykładu smartfonem z tylnych rzędów sali wykładowej.

2. Dźwięk zagłuszony przez silny hałas

Hałas to potężny wróg dla transkrypcji AI!

W przypadku dźwięku z szumem, głos mówiącego jest często zagłuszony, co sprawia, że jest on trudny do zrozumienia nawet dla człowieka.

Łatwo to przeoczyć podczas nagrywania, ale szum wiatru również jest poważnym problemem.

Jeśli coś jest trudne do zrozumienia dla człowieka, AI nie będzie w stanie dokładnie tego transkrybować.

Przykład: Nagrywanie w zatłoczonym miejscu, takim jak kawiarnia, z hałasem naczyń lub muzyką (BGM).

Odległość między ustami a mikrofonem jest zbyt mała, co powoduje szum wiatru oddechu.

3. Dźwięk rozmyty przez pogłos w pomieszczeniu

Pogłos w pomieszczeniu jest czymś, czego często nie zauważamy, słuchając na co dzień własnymi uszami.

W nagranym dźwięku pogłos często brzmi stłumiony lub sprawia wrażenie, że głos jest odległy.

Szczególnie w kwadratowych pomieszczeniach lub pomieszczeniach z niewielką ilością mebli łatwo dochodzi do pogłosu.

Przykład: Nagrywanie rozmowy wielu osób siedzących w różnych miejscach w sali konferencyjnej za pomocą jednego dyktafonu.

Prezentacja odbyła się w sali konferencyjnej, ale dźwięk był rozmyty z powodu pogłosu w pomieszczeniu.

4. Materiały zawierające muzykę, takie jak teksty piosenek

Transkrypcja AI nie potrafi transkrybować piosenek.

Niektórzy ludzie myślą o pobraniu piosenek bez tekstu z YouTube i próbie ich transkrypcji!

Jednak transkrypcja AI służy wyłącznie do transkrypcji rozmów.

Nie potrafi transkrybować piosenek.

Przykład: Pobieranie piosenek z YouTube i ich transkrypcja.

5. Materiały bez dźwięku

Niemożliwe jest transkrybowanie pustych plików audio.

Oczywiście, nie można transkrybować czegoś, co nie zawiera dźwięku.

Prawdopodobnie ktoś próbował transkrybować, nie wiedząc, że wejście mikrofonu było ustawione na 0.

Zanim spróbujesz transkrypcji, sprawdź plik audio i upewnij się, że dźwięk jest prawidłowo nagrany, a dopiero potem wypróbuj transkrypcję AI.

Przykład: Nie zauważono, że wejście mikrofonu nie działało.

6. Silne dialekty

Transkrypcja AI ma trudności z dialektami.

Jak sama nazwa wskazuje, transkrypcja AI jest wykonywana przez "AI". AI jest szkolona do transkrypcji w oparciu o standardowy język. Dlatego ma trudności z transkrypcją dialektów.

Chociaż transkrypcja AI nie jest niemożliwa, nawet jeśli środowisko nagrywania jest dobre, a sposób mówienia jest wyraźny i powolny,

Może to skutkować transkrypcją z brakującymi fragmentami lub tylko częściową transkrypcją.

Przykład: Nagranie audio do protokołu spotkania regionalnego -> silny dialekt mówców.

Przykład: W przypadku japońskich dialektów

Nawet jeśli dźwięk jest nagrany przez dobrze wymawiającego spikera w dobrym środowisku nagraniowym, takim jak telewizja, dialekty nie są dobrze transkrybowane.

7. Dźwięki trudne do usłyszenia dla człowieka

Co jest trudne do usłyszenia dla człowieka, jest jeszcze trudniejsze do usłyszenia dla AI.

Słysząc "AI", można pomyśleć, że jest to bardzo wszechstronne i wykonuje lepszą pracę niż ludzie.

Jednak AI wciąż nie dorównuje ludziom.

Gdy wymagana jest elastyczność, dokładność pracy AI gwałtownie spada.

W przypadku transkrypcji AI, jeśli coś jest trudne do usłyszenia dla człowieka, dokładność transkrypcji AI znacznie spada.

Gdy człowiek transkrybuje, nawet jeśli coś jest nieco trudne do usłyszenia, może przewidzieć "prawdopodobnie tak jest" na podstawie kontekstu rozmowy i przepływu przed i po.

Jednak transkrypcja AI może transkrybować tylko "to, co słyszy". Nie może uzupełniać ani przewidywać jak człowiek.

Jak uzyskać wysoką dokładność transkrypcji za pomocą AI?

Ale transkrybowałem za pomocą AI, ale to jest w porządku.