Транскрибация — что это такое простыми словами

Транскрибация, расшифровка, стенограмма — в чём разница

Три слова про одно действие, но с разными оттенками, и путаница в них стоит денег: заказывая «стенограмму», легко получить пересказ вместо дословного текста.

• Транскрибация — перевод звучащей речи в текст. Слово пришло из англоязычной среды (transcription) и прижилось там, где речь идёт об автоматической обработке.
• Расшифровка — то же самое по-русски. В обиходе означает ровно транскрибацию, хотя буквально «расшифровывать» нечего: запись не зашифрована.
• Стенограмма — дословный текст выступления или заседания, исторически записанный стенографом. Сегодня так называют документ, где сохранены все реплики без сокращений.
• Протокол — не расшифровка вовсе: это пересказ решений, который составляет человек, обычно как раз по стенограмме.

Ручная и автоматическая: что выбрать

Способа два, и выбирают между ними по цене ошибки, а не по цене работы.

• Человек набирает текст с записи. Час аудио — от четырёх до восьми часов работы, потому что запись слушают с остановками и перемотками. Зато исполнитель понимает контекст, правильно пишет фамилии и отвечает за результат.
• Программа распознаёт речь. Час записи обрабатывается за минуты, стоит копейки, но текст нужно вычитывать: имена собственные, термины и цифры ломаются чаще всего.
• Смешанный порядок, который на практике выигрывает: сначала автоматическая расшифровка, потом вычитка человеком по таймкодам. Набор текста — самая долгая часть работы — исчезает, проверка остаётся.

Сколько времени занимает и сколько стоит

Автоматическая транскрибация у нас: час записи разбирается за 11–12 минут на обычных процессорах, без видеокарт. Цена — 18 ₽ за час записи, 24 ₽ с разделением по говорящим; оплата по секундам, не по файлам.

• Ручная работа на бирже — от 15 до 60 ₽ за минуту аудио, то есть 900–3600 ₽ за час записи, и от суток ожидания.
• Расшифровка с таймкодами и разделением по говорящим у исполнителя стоит дороже обычной: это отдельная ручная работа.
• Автоматическая расшифровка не требует ожидания очереди исполнителя — но требует вашего времени на вычитку.

Насколько точно получается

Единственная честная форма ответа — цифры по срезам речи, а не одно число. На нашем открытом замере (2398 записей, три открытых набора данных): 6,91 % ошибок в словах на подготовленной начитке, 7,62 % на живой спонтанной речи. Разброс между чистой записью и записью в шуме — более чем двукратный, поэтому «точность 97 %» без описания условий не значит ничего.

• Расстояние до микрофона влияет сильнее модели: диктофон рядом с говорящим и он же посреди переговорной дают разный текст.
• Имена, термины и аббревиатуры ломаются чаще всего: модель их не встречала и подставляет похожее по звучанию слово.
• Наложенная речь не разбирается ни одним сервисом: когда двое говорят одновременно, разделять нечего.

Как сделать транскрибацию самому: порядок

• Сохраните запись как есть — конвертировать не нужно, лишний проход сжатия только портит звук.
• Загрузите файл в сервис распознавания. У нас первые три минуты разбираются бесплатно и без регистрации — этого достаточно, чтобы понять, разборчива ли запись.
• Передайте список терминов и фамилий, если они в записи есть: десяток слов через запятую даёт больше, чем перезапись звука.
• Проверьте текст по таймкодам: время у каждого слова позволяет вернуться к спорному месту за секунду вместо переслушивания.
• Выгрузите результат в нужном виде: TXT для документа, SRT для субтитров, JSON для своей программы.

Вопросы