Довгі записи для транскрипції: ділити правильно, а не сподіватися на удачу

Лекція на 90 хвилин, конференційний день, довге розповідне інтерв’ю: такі записи звичайні, щойно ви починаєте транскрибувати регулярно. Надіслати такий запис моделі цілим здається зручним — доки збій на 80-й хвилині не коштує вам усього файлу, транскрипт не перетворюється на нечитабельну стіну тексту або не вичерпується ваш ліміт. Ділити спочатку швидше, а помилка коштує кількох хвилин, а не двох годин.

Коли поділ справді має сенс?

Не кожен довгий файл треба різати. Вирішують три питання: чи вкладається файл у ліміти сервісу, чи потрібні послідовні мітки мовців на всю довжину і наскільки болісно буде повторювати обробку. У Sprechverlauf безкоштовна пробна версія охоплює файли до 10 хвилин; тариф дозволяє до 4 годин за один раз, а довгі записи все одно всередині діляться на секції по 30 хвилин. Самостійний поділ однаково окупається, коли хочете подавати секції окремо або перепробувати одну з них окремо.

Єдине правило: ніколи не різати посеред речення

Розпізнавання мовлення працює з контекстом. Розріжте речення навпіл — і обидві половини втрачають його: перша частина обривається, друга починається без опори. Найбільше це шкодить технічним термінам і власним назвам, тобто саме там, де модель спирається на навколишні слова. Ріжте під час паузи — бажано там, де тема однаково змінюється.

• Ріжте між пунктами порядку денного, слайдами або раундами запитань
• Залишайте перекриття у дві–три секунди, щоб жодне слово не зникло на шві
• Повністю прибирайте привітання, перевірку звуку й прощання
• Заздалегідь видаляйте чисту музику, оплески та фрагменти з налаштуванням
• Називайте частини за порядком: «лекція-01», «лекція-02», а не «нова» і «нова-фінал»

Поділ через ffmpeg: достатньо двох команд

ffmpeg безкоштовний, працює скрізь і не перекодовує аудіо, якщо ви його самі не попросите. Ця команда ріже файл на секції по 25 хвилин (1500 секунд) і не змінює аудіо:

• 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 (суттєво зменшує мовні записи перед поділом)
• ffmpeg -i lecture.m4a -ss 00:12:30 -to 00:41:00 -c copy excerpt.m4a (вирізає одну конкретну секцію)

Моно при 64 кбіт/с звучить радикально, але для мови це некритично: модель не потребує ні стерео-ширини, ні роздільної здатності музичного рівня. Година розмови вміщується приблизно у 30 МБ. Зберігайте оригінал і працюйте з меншою копією — ділити завжди копію, ніколи майстер-файл.

Поділ без командного рядка

Якщо не хочете відкривати термінал, Audacity дає той самий результат: відкрийте файл, виберіть діапазон, потім «File → Export → Export Selected Audio». Тут перевага над командним рядком очевидна: паузи видно як вузькі ділянки на осцилограмі, тож розріз можна побачити, а не вгадувати. На телефоні вбудовані застосунки для голосових нотаток роблять те саме, хоча й грубіше.

Після поділу: мітки часу починаються з нуля

Кожен транскрипт відлічує час від початку власного файлу. Тому друга частина лекції знову починається з 00:00, хоча реально вона стартує на 25-й хвилині. Коли ви зводите частини разом, до кожної мітки часу треба додати зсув початку, інакше всі посилання ведуть не туди. Для файлів SRT і VTT у більшості редакторів субтитрів це робить функція «shift» або «offset times».

• Запишіть зсув початку кожної частини, поки ще маєте оригінальний файл перед очима
• Додавайте підзаголовок для кожної частини, коли зводите текстові експорти
• Цитуйте з номером частини та часом, наприклад «частина 2, 07:41»
• Зводьте субтитри лише після того, як зсунули часи

Мітки мовців не переносяться між частинами

Розпізнавання мовців аналізує кожен файл окремо. «Мовець 1» у частині першій і «Мовець 1» у частині другій можуть бути різними людьми — жоден прогін не знає про інший. Це властивість методу, а не помилка. На практиці: послухайте перші секунди кожної частини й замініть загальні мітки справжніми іменами, перш ніж зводити секції.

Коли послідовне розпізнавання мовців важливіше за все інше — скажімо, слухання або групова дискусія з шістьма учасниками, — є вагомі підстави взагалі не ділити запис: явно вказати кількість мовців і прийняти додатковий час обробки.

Робочий порядок дій

• Заархівуйте оригінал і створіть робочу копію як моно MP3
• Один раз пробіжіть запис і позначте розрізи на паузах
• Поділіть на секції по 20–30 хвилин з нумерацією за порядком
• Транскрибуйте секції по черзі, спершу вказавши мову та ключові терміни
• Замініть мітки мовців справжніми іменами в кожній секції
• Зсуньте мітки часу на зсув початку й зведіть тексти
• Вибірково звірте цифри, імена та цитати з аудіо