Czy AI może zastąpić profesjonalną transkrypcję?

Nagranie wrzucone do darmowego narzędzia wraca w postaci tekstu po kilku minutach. Wygląda to na koniec pewnego zawodu, bo skoro algorytm pracuje szybciej i taniej, po co komu transkrybent? Od tekstu prawie dobrego do dokumentu, który można komuś przekazać, wciąż jest jednak daleka droga.

Czym różni się transkrypcja automatyczna od pracy transkrybenta?

Automat opiera się na modelu rozpoznawania mowy, który przypisuje dźwiękom najbardziej prawdopodobne słowa. Nie rozumie treści, tylko szacuje, co najpewniej padło. Przy czystym nagraniu jednej osoby efekt bywa dobry, ale schody zaczynają się wtedy, gdy rozmówcy wchodzą sobie w słowo albo pada nazwisko, którego nie było w danych treningowych.

Człowiek pracuje inaczej, bo odsłuchuje materiał fragment po fragmencie i sprawdza sens każdej wypowiedzi. Tak właśnie wygląda profesjonalna transkrypcja nagrań, którą oferuje https://www.spiszeto.pl/, gdzie mówcy identyfikowani są manualnie, sekunda po sekundzie. Siedziba firmy SpiszeTo mieści się przy ulicy Głowackiego 19 w Aleksandrowie Łódzkim, co widać na https://maps.app.goo.gl/u8ti4mtqAwDyjyxB6, więc masz pewność, że plik trafia do konkretnego zespołu, a nie do przypadkowego podwykonawcy.

Jak często sztuczna inteligencja zmyśla treść nagrania?

Zaskoczeniem dla osób sięgających po automat bywają halucynacje, czyli fragmenty tekstu, które w nagraniu nigdy nie padły. Badanie opisane przez serwis Science wykazało, że model Whisper dopisywał zdania w około 1,4 procent transkrypcji. Blisko 40 procent takich zmyśleń miało przy tym charakter szkodliwy lub niepokojący. Odsetek brzmi niegroźnie, ale badacz z University of Michigan, analizując zapisy posiedzeń publicznych, znajdował je w ośmiu na dziesięć plików.

Dlaczego polskie nagrania są dla algorytmów trudniejsze?

Modele rozpoznawania mowy uczą się głównie na materiale anglojęzycznym, więc z polszczyzną radzą sobie zauważalnie gorzej. Odmiana przez przypadki, nazwiska i skróty branżowe to najczęstsze źródła pomyłek. Rośnie wtedy wskaźnik WER, czyli udział błędnie rozpoznanych słów. Najwięcej błędów pojawia się w kilku powtarzalnych sytuacjach:

• Nagrania z kilkoma rozmówcami bywają źle dzielone, przez co wypowiedzi trafiają do niewłaściwych osób.
• Terminologia prawnicza i medyczna w nagraniach bywa zamieniana na podobnie brzmiące, ale zupełnie inne słowa.
• Rozmowy telefoniczne i nagrania analogowe mają wąskie pasmo dźwięku, przez co część słów po prostu ginie.

W takich przypadkach automatyczny zapis trzeba przejrzeć zdanie po zdaniu, zanim trafi do kogokolwiek poza autorem nagrania.

Kiedy dokładność zapisu przesądza o wyniku sprawy?

Jedno przekręcone słowo potrafi zmienić wymowę całego dokumentu. Transkrypcja e-protokołu z rozprawy czy spisanie rozmowy dołączanej do akt muszą odpowiadać nagraniu co do słowa, bo druga strona postępowania sprawdzi każdy fragment. Podobnie jest w badaniach jakościowych, gdzie liczy się konkretne sformułowanie respondenta.

Co dzieje się z nagraniem wysłanym do chmury?

Kwestia poufności bywa pomijana, a często to właśnie ona decyduje o wyborze usługi. Nagranie i gotowy zapis zwykle zawierają dane osobowe, ponieważ głos pozwala zidentyfikować mówcę, a treść rozmowy ujawnia informacje o zdrowiu czy finansach. Korzystanie z narzędzia, które przetwarza pliki poza Europejskim Obszarem Gospodarczym, wymaga podstawy prawnej, umowy powierzenia i poinformowania uczestników. Darmowe konto testowe rzadko daje takie gwarancje, a odpowiedzialność i tak spoczywa na tym, kto wgrał plik.

Automat czy transkrybent, co wybrać do konkretnego pliku?

Odpowiedź zależy od tego, co stanie się z gotowym tekstem. Jeśli potrzebujesz streszczenia narady i nikt poza tobą go nie przeczyta, automat wystarczy. Gdy zapis ma trafić do sądu, do publikacji albo do raportu z badania, rozsądniejszy jest model hybrydowy, w którym algorytm przygotowuje szkic, a człowiek go weryfikuje. Przy nagraniach trudnych lub wielogodzinnych najbezpieczniej zlecić całość specjalistom, bo poprawianie kiepskiej transkrypcji pochłania więcej czasu niż spisanie materiału od zera.