„Mennyire pontos?” Ezt kérdezik a legtöbbet az AI-átiratokról, és az őszinte válasz: attól függ, melyik epizódról van szó. Két nyugodt, jó mikrofonnal rögzített interjú egészen másként sikerül, mint egy négyfős videóhívás. A termékoldalakon szereplő egyetlen százalék valaki más hanganyagán mért átlag.
Ezért nem egy számot közlünk. Megmutatjuk, mitől függ a pontosság, és egy 10 perces tesztet, amellyel megmérheti a saját epizódja hibaarányát.
Mi befolyásolja a pontosságot?
| Tényező | Miért számít | Mi segít |
|---|---|---|
| Hangminőség | A háttérzaj, a visszhang és a tömörítés elfedi a modell számára szükséges hangokat | Csendes szoba, közeli mikrofon, helyben rögzített sáv |
| Egymásba érő beszéd | Ha ketten egyszerre beszélnek, általában egyikük sem írható le pontosan | Kérje meg a vendégeket, hogy ne vágjanak egymás szavába; ellenőrizze ezeket a részeket hallás után |
| Nevek és szakszavak | A ritka neveket, márkákat és szakkifejezéseket a modell hang alapján találgatja | Vesse össze a neveket az epizódoldallal vagy a vendég weboldalával |
| Akcentus és beszédtempo | A ritkább akcentusok és a nagyon gyors beszéd növeli a hibaarányt | Állítsa be a helyes beszélt nyelvet; nézze át a gyors részeket |
| Nyelvek keverése | Ha a beszélő mondat közben vált nyelvet, az megzavarja a nyelvi modellt | Számítson további hibákra a váltásoknál |
| Számok és dátumok | A számjegyeket és mértékegységeket könnyű félrehallani („tizenöt” és „ötven”) | Minden felhasználni kívánt adatot ellenőrizzen |
Ez minden eszközre igaz. A beszédfelismerő a hangot a legvalószínűbb szavakká alakítja, a ritka szavak pedig alulmaradnak a gyakoribbakkal szemben.
A 10 perces gyorsteszt
Az átiratok pontosságát általában szóhibaaránnyal (WER, word error rate) adják meg:
WER = (helyettesítések + törlések + beszúrások) / szavak száma a helyes szövegben- A helyettesítés hibásan írt szó („tizenöt” az „ötven” helyett).
- A törlés olyan szó, amely elhangzott, de hiányzik.
- A beszúrás olyan szó az átiratban, amely sosem hangzott el.
Az 5%-os WER nagyjából húsz szavanként egy hibát jelent. Minél alacsonyabb, annál jobb. Mintán is megmérheti, az egész epizódot nem kell végigellenőriznie.
- Válasszon ki három, nagyjából egy perces részt: egyet az elejéről, egyet a közepéről és egyet a végéről. Hagyja ki a reklámokat és a zenét.
- Hallgassa meg, és javítsa ki. Minden résznél olvassa az átiratot hallgatás közben, és jelölje a helyettesítéseket, törléseket és beszúrásokat. Normál sebességgel hallgasson: a hibák többségét elsőre megtalálja.
- Számolja meg a szavakat a javított részben. Egy perc beszélgetés gyakran 130 és 170 szó közé esik.
- Adja össze a hibákat, és ossza el a szavak számával. Mindhárom résznél végezze el a számítást, majd vegye az átlagot.
- Jegyezze fel, hol vannak a hibák. Ha többségük nevekből és számokból adódik, az átirat olvasásra jó, idézés előtt viszont át kell nézni.
Használjon egy egyszerű táblázatot:
| Rész | Szavak | Helyettesítések | Törlések | Beszúrások | WER |
|---|---|---|---|---|---|
| Eleje | 150 | ||||
| Közepe | 150 | ||||
| Vége | 150 |
Három perc kis minta, ezért az eredményt csak iránymutatásnak tekintse. Mielőtt egy eszközre hagyatkozik, tesztelje egy másik, nehezebb epizódon is.
A hibák súlya eltérő
A WER minden hibás szót egyformán számol, az olvasó viszont nem. Egy hiányzó „a” alig számít, egy téves név vagy egy elveszett „nem” azonban megváltoztatja az értelmet. Ellenőrzéskor ezekre figyeljen különösen:
- Nevek: személyek, cégek és helyek
- Számok, dátumok, árak és százalékok
- Tagadások („lehet” és „nem lehet”, „megtette” és „nem tette meg”)
- Idézetek, amelyeket szó szerint szeretne felhasználni
Gyorsítsa fel az ellenőrzést
Az ellenőrzésnél a legtöbb időt az viszi el, hogy megtalálja a megfelelő helyet a hanganyagban. A Podcast To Transcript minden átirati sorhoz időbélyeget és beszélőcímkét ad. A sorra kattintva a lejátszó az adott pillanatra ugrik, így egy kétes részt másodpercek alatt meghallgathat, nem kell az epizódban tekergetnie. Átírás előtt válassza ki a helyes beszélt nyelvet. A neveket és számokat a hanggal együtt olvasva ellenőrizze.
Ha a pontosság a munkájában számít, például cikkbeli idézeteknél vagy kutatásnál, nézze meg az újságírók és a kutatók oldalát, valamint a podcast átírásáról szóló útmutatót. Hogy a hivatkozás is pontos legyen, olvassa el, hogyan hivatkozzon podcastra.
Összefoglalás
- A pontosság a hanganyagtól függ, egy hangzatos szám erről keveset árul el.
- Mérje meg három egyperces mintán: számolja meg a hibákat, és ossza el a szavak számával.
- Közlés előtt mindig ellenőrizze hallás után a neveket, számokat, tagadásokat és idézeteket.
Gyakran ismételt kérdések
Mennyire pontos egy AI podcastátirat?
Tiszta beszédnél, egy-két beszélővel a mai eszközök a szavak túlnyomó többségét helyesen ismerik fel. Háttérzenénél, egymás szavába vágásnál, erős akcentusnál és telefonvonalon készült felvételeknél a pontosság visszaesik. Az egyetlen szám, amelyre igazán építhet, az Ön epizódján a fenti gyorsteszttel mért érték.
Mi az a szóhibaarány?
A szóhibaarány (WER) a hibás, hiányzó vagy hozzáadott szavak aránya a helyes referenciaszöveghez képest. Az 5%-os WER azt jelenti, hogy minden 100 szóból nagyjából 5 hibás. Minden szót egyformán számol, így nem látszik, hogy egy téves név többet számít, mint egy téves „a”.
Miért a nevek és a számok a leggyakoribb hibaforrások?
A ritka neveket, a márkaneveket és a számokat nehéz kitalálni a szövegkörnyezetből, így a modellnek kevés a támpontja. Ezeket a szavakat viszont az olvasó a legbiztosabb információnak tekinti, ezért kezdődik velük a fenti ellenőrzőlista.
Javíthatom a pontosságot az átírás előtt?
Igen. Ha lehet, rögzítse minden beszélőt külön mikrofonnal, tartsa halkan a zenét a beszéd alatt, és a nyelvfelismerésre hagyatkozás helyett adja meg pontosan a beszélt nyelvet. A jobb hangminőség bármilyen beállításnál többet segít.
Szükség van még korrektúrára?
Igen, minden nyilvános szövegnél. Az AI-szöveget gyors első vázlatnak tekintse, ellenőrizze hallás után a neveket, számokat és idézeteket, és javítsa ki őket a közzététel előtt. A Podcast To Transcript minden sor mellett megőrzi az időbélyegeket, így pontosan arra a másodpercre ugorhat, és meghallgathatja. Az árak oldalon a csomagok tartalma látható, a podcast átírásáról szóló útmutató pedig lépésről lépésre végigvezet a folyamaton.
