Расшифровка длинных записей: режьте правильно, а не на авось

Девяностоминутная лекция, день конференции, длинное повествовательное интервью: такие записи обычны, как только вы начинаете регулярно расшифровывать. Отправить такую запись в модель целиком выглядит удобно. Но сбой на 80-й минуте может стоить вам всего файла, расшифровка превращается в нечитаемую стену текста, а лимит израсходован. Разрезать заранее быстрее: ошибка обходится в несколько минут, а не в два часа.

Когда разрезание действительно оправдано?

Не каждый длинный файл нужно резать. Решают три вопроса: укладывается ли файл в ограничения сервиса, нужны ли единые метки говорящих на всём протяжении записи и насколько болезненным будет повторный прогон. В Sprechverlauf бесплатная пробная версия охватывает файлы до 10 минут, платный тариф позволяет до 4 часов за один раз, а длинные записи в любом случае внутри делятся на секции по 30 минут. Разрезать самому всё равно стоит, если хотите хранить секции отдельно или переделать одну из них без остальных.

Главное правило: не режьте посреди фразы

Распознавание речи опирается на контекст. Разрежьте фразу пополам, и обе половины теряют смысл: первая обрывается, вторая начинается без опоры. Сильнее всего это бьёт по техническим терминам и именам собственным, то есть именно там, где модель опирается на соседние слова. Режьте во время паузы, желательно в месте, где тема всё равно меняется.

• Режьте между пунктами повестки, слайдами или раундами вопросов
• Оставляйте перекрытие 2–3 секунды, чтобы ни одно слово не пропало на стыке
• Полностью убирайте приветствие, проверку звука и прощание
• Заранее удаляйте чистую музыку, аплодисменты и фрагменты с настройкой оборудования
• Называйте части по порядку: «lecture-01», «lecture-02», а не «new» и «new-final»

Разрезание через ffmpeg: хватит двух команд

ffmpeg бесплатный, работает везде и не перекодирует аудио, если вы сами его не попросите. Эта команда режет файл на секции по 25 минут (1500 секунд) и не трогает звук:

• ffmpeg -i lecture.m4a -f segment -segment_time 1500 -c copy part_%02d.m4a
• ffmpeg -i lecture.wav -ac 1 -b:a 64k lecture.mp3 (заметно уменьшает речевые записи перед разрезанием)
• ffmpeg -i lecture.m4a -ss 00:12:30 -to 00:41:00 -c copy excerpt.m4a (вырезает один конкретный фрагмент)

Моно при 64 кбит/с звучит радикально, но для речи это некритично: модели не нужны ни стереоширина, ни качество, нужное для музыки. Час речи легко помещается примерно в 30 МБ. Оригинал храните, а работайте с уменьшенной копией: режется всегда копия, а не исходник.

Разрезание без командной строки

Если не хотите открывать терминал, Audacity даст тот же результат: откройте файл, выделите диапазон и выберите «Файл → Экспорт → Экспорт выделенного аудио». Вид с волновой формой здесь имеет реальное преимущество перед командной строкой: паузы видны как узкие участки, поэтому точку разреза видно, а не приходится её угадывать. На телефоне встроенные приложения для голосовых заметок справляются с той же задачей, хоть и грубее.

После разреза: таймкоды начинаются с нуля

Каждая расшифровка отсчитывает время от начала своего файла. Поэтому вторая часть лекции снова начинается с 00:00, хотя на самом деле она стартует с 25-й минуты. При объединении частей к каждому таймкоду нужно прибавить смещение начала, иначе все ссылки укажут не туда. В файлах SRT и VTT большинство редакторов субтитров делает это функцией «Сдвиг» или «Смещение времени».

• Запишите смещение начала каждой части, пока не потеряли из виду исходный файл
• При объединении текстовых экспортов добавляйте подзаголовок для каждой части
• Цитируйте с номером части и временем, например «часть 2, 07:41»
• Объединяйте субтитры только после сдвига времени

Метки говорящих не переносятся между частями

Определение говорящих анализирует каждый файл отдельно. «Говорящий 1» в первой части и «Говорящий 1» во второй могут оказаться разными людьми: ни один прогон о другом не знает. Это свойство метода, а не ошибка. На практике: послушайте первые секунды каждой части и замените общие метки настоящими именами до объединения секций.

Если важнее всего единая атрибуция говорящих, например на слушании или в групповой дискуссии с шестью участниками, есть веский довод не резать запись вообще: задайте число говорящих явно и примиритесь с дополнительным временем обработки.

Рабочий порядок действий

• Архивируйте оригинал и создайте рабочую копию в виде моно MP3
• Пробегите запись один раз и отметьте точки разреза на паузах
• Разрежьте на секции по 20–30 минут и пронумеруйте их по порядку
• Расшифровывайте секции по одной, сначала задав язык и ключевые термины
• Замените метки говорящих настоящими именами в каждой секции
• Сдвиньте таймкоды на смещение начала и объедините тексты
• Выборочно проверьте числа, имена и цитаты по аудио