Transkribera långa inspelningar: dela upp dem ordentligt i stället för att hoppas

En 90 minuter lång föreläsning, en konferensdag, en lång berättande intervju: sådana inspelningar är vardag så snart du transkriberar regelbundet. Att skicka en sådan i ett enda stycke genom en modell ser bekvämt ut — tills ett fel vid minut 80 kostar dig hela filen, transkriptet blir en oläslig textvägg eller din kvot är slut. Att dela först går snabbare, och ett misstag kostar dig några minuter i stället för två timmar.

När är uppdelning verkligen värt besväret?

Inte varje lång fil behöver klippas. Tre frågor avgör det: ryms filen inom tjänsternas gränser, behöver du enhetliga talarmärkningar över hela längden och hur illa skulle en ny körning göra? På Sprechverlauf täcker den kostnadsfria provperioden filer upp till 10 minuter; en betalplan tillåter upp till 4 timmar i ett svep, och långa inspelningar delas ändå internt upp i sektioner på 30 minuter. Att dela själv lönar sig ändå när du vill arkivera sektioner var för sig eller köra om en enskild del.

Den enda regeln: klipp aldrig mitt i en mening

Taligenkänning arbetar utifrån sammanhang. Delar du en mening mitt itu tappar båda halvorna den: första delen tynar bort, andra delen börjar utan referens. Det drabbar mest tekniska termer och egennamn, precis där modellen lutar sig mot omgivande ord. Klipp i en paus i stället — helst på ett ställe där ämnet ändå byter.

• Klipp mellan dagordningspunkter, bilder eller frågerundor
• Lämna två till tre sekunders överlapp så att inget ord försvinner i skarven
• Ta bort hälsningen, ljudkontrollen och avslutningen helt
• Ta bort rena musikpartier, applåder och uppställningsavsnitt i förväg
• Namnge delarna i ordning: ”föreläsning-01”, ”föreläsning-02”, inte ”ny” och ”ny-slutlig”

Dela med ffmpeg: två kommandon räcker

ffmpeg är gratis, körs överallt och kodar inte om ljudet om du inte ber om det. Det här kommandot klipper en fil i 25-minutersdelar (1500 sekunder) och lämnar ljudet orört:

• 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 (krymper talinspelningar avsevärt före uppdelningen)
• ffmpeg -i lecture.m4a -ss 00:12:30 -to 00:41:00 -c copy excerpt.m4a (klipper ut en viss sektion)

Mono med 64 kbit/s låter drastiskt men är oproblematiskt för tal: modellen behöver varken stereobredd eller musikkvalitet. En timme prat ryms bekvämt på ungefär 30 MB. Behåll originalet och arbeta med den mindre kopian — du delar alltid kopian, aldrig originalet.

Dela utan kommandoraden

Om du hellre slipper öppna en terminal tar Audacity dig lika långt: öppna filen, markera ett område och välj ”Arkiv → Exportera → Exportera markerat ljud”. Vågformsvyn har en verklig fördel jämfört med kommandoraden här — pauser syns som smala partier, så du ser klippunkten i stället för att gissa den. På mobilen gör de inbyggda röstmemo-apparna samma jobb, om än grövre.

Efter uppdelningen: tidsstämplarna börjar om på noll

Varje transkript räknar från början av sin egen fil. Del två av en föreläsning börjar därför på 00:00 igen, trots att den egentligen startar vid minut 25. När du slår ihop delarna måste du lägga till startförskjutningen på varje tidsstämpel, annars pekar alla dina referenser fel. För SRT- och VTT-filer kallas funktionen i de flesta undertextredigerare för ”shift” eller ”offset times”.

• Skriv ner startförskjutningen för varje del innan du tappar originalfilen ur sikte
• Lägg till en underrubrik per del när du slår ihop textexporter
• Citera med delnummer och tid, till exempel ”del 2, 07:41”
• Slå ihop undertexter först när tiderna har förskjutits

Talarmärkningarna följer inte med mellan delarna

Talaridentifieringen analyserar varje fil för sig. ”Talare 1” i del ett och ”Talare 1” i del två behöver inte vara samma person — ingen av körningarna känner till den andra. Det är en egenskap hos metoden, inte ett fel. I praktiken: lyssna på de första sekunderna i varje del och ersätt de generiska märkningarna med riktiga namn innan du slår ihop sektionerna.

När konsekvent talarattribution betyder mer än allt annat — till exempel en utfrågning eller en gruppdiskussion med sex deltagare — finns det goda skäl att inte dela alls, utan i stället ange antalet talare uttryckligen och acceptera den extra bearbetningstiden.

En fungerande arbetsordning

• Arkivera originalet och skapa en arbetskopia som mono-MP3
• Skumma igenom inspelningen en gång och markera klippunkter vid pauserna
• Dela upp i sektioner på 20 till 30 minuter, numrerade i ordning
• Transkribera sektionerna en i taget, med språk och nyckeltermer inställda först
• Ersätt talarmärkningarna med riktiga namn per sektion
• Förskjut tidsstämplarna med startförskjutningen och slå ihop texterna
• Stickprovskontrollera siffror, namn och citat mot ljudet