Транскрибация текста: что это простыми словами

Транскрибация — это перевод звучащей речи в письменный текст. Взяли запись — совещание, интервью, лекцию, голосовое, — получили то же самое буквами. Всё; больше в самом термине ничего нет.

Про «транскрибацию текста» стоит сказать отдельно, потому что запрос такой встречается часто, а буквально он означает «переписывание текста в текст» — то есть ничего. Имеют в виду всегда одно: получить текст из записи. Так что если вы искали «транскрибацию текста», вам нужна расшифровка аудио или видео, и это разобрано в главах аудио в текст и видео в текст.

Транскрибация, транскрипция, транслитерация

Три похожих слова, которые постоянно путают, а значат они совершенно разное:

Кто такой транскрибатор

Человек, который слушает запись и набирает её текстом. Профессия существует давно и держалась на простой арифметике: час записи — это три-четыре часа работы, потому что запись приходится останавливать, отматывать и переслушивать. Отсюда и расценки, и сроки в днях.

Нейросеть эту арифметику сломала: тот же час обрабатывается за минуты, а стоит копейки. Но профессия не исчезла, а сдвинулась — из «набрать» в «привести в порядок»:

• Вычитка после машины — имена, числа, термины, неразборчивые места. Быстрее набора с нуля в разы, и именно этим сейчас чаще всего занимаются.
• Тяжёлые записи — сильные акценты, диалектная речь, несколько человек, говорящих одновременно, плохой микрофон в шумном зале. Здесь человек по-прежнему точнее.
• Ответственные документы — там, где за ошибку в цифре отвечают: суд, медицина, нотариальные вещи. Машина делает черновик, подписывается человек.

То есть «транскрибация как подработка на наборе текста» — история уходящая, а «редактор расшифровок» — вполне живая.

Что делает нейросеть, когда расшифровывает

Не «слушает и печатает». Модель распознавания разбирает звуковой поток на слова, расставляет пунктуацию и параллельно отмечает две вещи, которых в обычном наборе текста нет:

• Время каждого слова — секунда начала и секунда конца. Из этого получаются таймкоды у реплик и, если нужно, субтитры.
• Номер говорящего для каждого слова. Из этого получаются метки Speaker 1, Speaker 2 — разделение по спикерам.

Отсюда практическое следствие, ради которого этот абзац и написан: и таймкоды, и спикеры измерены по самой записи. Их не додумывает потом языковая модель «по смыслу диалога» — а значит, им можно верить и по таймкоду действительно получится вернуться к нужной секунде.

Проще один раз попробовать на своей записи, чем читать про это дальше:

Где расшифровка нужна на практике

• Совещания и созвоны — протокол с решениями и задачами вместо «кто что сказал».
• Интервью, подкасты, вебинары — текст под статью, цитаты, субтитры.
• Учёба — конспект из записи лекции.
• Голосовые сообщения — прочитать за двадцать секунд вместо того, чтобы слушать четыре минуты.
• Исследования и журналистика — поиск по сказанному, который в аудио невозможен в принципе.

Общий разбор — как это устроено, что влияет на точность и сколько стоит — в основной главе про транскрибацию. Обратная задача, текст голосом, — это озвучка текста.

В чате Twelver можно загрузить запись и посмотреть, что получается: текст приходит с таймкодами и разделением по спикерам, а дальше из него в той же переписке делается протокол, конспект или выжимка.

Попробуйте сами

Всё из этого руководства работает в Twelver

Один чат для текста, картинок, видео, музыки и озвучки — без отдельных сервисов и подписок.

Открыть чат Twelver

📝Лендинг по темеТранскрибацияTwelver на AndroidТот же чат в приложении