Najlepsze narzędzia do automatycznej transkrypcji dla dziennikarzy

Siri właśnie skończyła sześć lat. Alexa właśnie skończyła trzy lata. Skoro możemy zapytać telefony o pogodę w Albuquerque i zmusić plastikowy cylinder w naszych salonach do głośnego czytania Washington Post, dlaczego wciąż ręcznie przepisujemy wywiady?

Cóż, okazuje się, że tak naprawdę nie musimy. Narzędzia do automatycznej transkrypcji są dostępne na rynku już od jakiegoś czasu i w końcu stają się dobre. Przesłanie audio lub wideo do witryny zajmuje teraz tylko kilka minut i kilka dolarów i otrzymanie dość obszernej transkrypcji.

Ale, jak wszystkie narzędzia, niektóre są lepsze od innych. Przetestowaliśmy (lub próbowaliśmy przetestować — więcej o tym później) osiem najpopularniejszych narzędzi transkrypcyjnych skierowanych do dziennikarzy, w tym: Dyktowanie smoka , Szczęśliwy skryba , oTranskrybuj , rekordowo , Obrót silnika , Sonix , Trint i YouTube. Przeprowadziliśmy każde narzędzie przez różne scenariusze ze świata rzeczywistego, eksperymentując z tym, jak każdy z nich radzi sobie z typowym zastosowaniem dziennikarza.

Chociaż żadne z narzędzi nie było idealne, jedno wyprzedziło pozostałe jako najlepsze w swojej kategorii.

Nasz wybór
Połączenie dokładności, funkcji i łatwości obsługi sprawia, że ​​Trint jest najlepszym wyborem do automatycznej transkrypcji dla dziennikarzy. Chociaż nie było to najdokładniejsze, najbardziej bogate w funkcje ani najtańsze narzędzie, które wypróbowaliśmy, jego narzędzia do edycji transkrypcji i możliwość płynniejszego dopasowania się do przepływu pracy dziennikarza pomagają mu wyprzedzić konkurencję. Czytaj dalej, aby dowiedzieć się dlaczego.

Eksperyment
Jak zobaczysz, wskaźniki dokładności tych narzędzi są niskie. To dlatego, że staraliśmy się ich zmylić.

Po pierwsze, aby odzwierciedlić szeroki zakres osób, głosów i akcentów, nagraliśmy nasz przykładowy dźwięk z czterema uczestnikami. Obejmowały one:

• Alexios Mantzarlis , wykładowca Poyntera i dyrektor International Fact-Checking Network, który pochodzi z Rzymu i określił siebie jako seplenienie i „kilka zabawnych słów, które mieszają brytyjskie, włoskie i dziwne amerykańskie akcenty”
• słodkie bukiety , kierownik programu International Fact-Checking Network, który we wrześniu przyjechał do Poynter z Mexico City
• Kristen Hare , reporterka w Poynter, która uważa, że ​​brzmi „nieco dziewczęco dolinie”, kiedy słucha siebie na nagraniach
• Ja, i chociaż Kristen powiedziała, że ​​mam „bawoli akcent”, myślę, że moja skłonność do mamrotania, mówienia zbyt szybko i pomijania części słów prawdopodobnie stanowi większe wyzwanie dla transkrypcji (nagrywanie siebie w oczekiwaniu na transkrypcję wyraźnie prowadzi do trochę samo- odbicie.)

Kristen dołączyła do nas za pośrednictwem Google Hangouts/YouTube Live ( ujawnienie: grant z Google News Lab częściowo finansuje moje stanowisko ), przed którymi otwarcie ostrzega większość narzędzi do automatycznej transkrypcji. Dźwięk z telefonu lub czatu wideo wydaje się być dla nich powszechnie trudny do obsługi.

Aby jeszcze bardziej torturować algorytmy, czytamy też fragmenty w znacznie szybszym tempie niż zwykle mówimy, Dulce i Alexios mówili różnymi językami obcymi (włoskim, hiszpańskim, francuskim i greckim), wypowiadaliśmy jak najwięcej rzeczowników własnych (Apalachicola , Michael Oreskes i różne greckie wyspy, żeby wymienić tylko kilka), nabrali kreatywności dzięki Urban Dictionary (a kontaminacja Paula Manaforta i prymitywnego słowa opisującego stan jego sytuacji prawnej) i rozmawiali ze sobą z pewną częstotliwością.

Nagraliśmy nasz 14-minutowy test w studiu webinarowym Poyntera i przerwał nam dźwięk co najmniej jednego głośnego samolotu nad naszymi głowami (kilka przecznic dalej jest lotnisko), pojazdu ratunkowego i dzwonienia telefonu Kristen.

Nagraliśmy dźwięk na trzy sposoby:

• Z Zoom H4nPro mikrofon ręczny, umieszczony między nami
• Z moim iPhonem 6S Plus, używając aplikacji Recordly do nagrywania, umieszczonym obok Zoom
• Z prywatnym YouTube Live, tak dołączyła do nas Kristen

Następnie przesłaliśmy dźwięk do każdego narzędzia i śledziliśmy, ile czasu zajęła transkrypcja każdego z nich. Znormalizowaliśmy powstałe transkrypcje za pomocą programu Microsoft Word, usuwając sygnatury czasowe i upewniając się, że nazwiska mówców są zgodne. W ramach kontroli sam dokonałem transkrypcji dźwięku (za pomocą oTranscribe), a następnie kilka razy odsłuchałem, aby sprawdzić całkowitą dokładność. Wypróbowaliśmy również Rev, płatną usługę, która wykorzystuje transkrypcje ludzi zamiast algorytmów, aby zobaczyć, jak się układa.

Przetestowaliśmy różne narzędzia do porównywania dokumentów, aby zobaczyć, które działają najlepiej, decydując się na Copyscape jako najbardziej rozsądna opcja. Porównaliśmy transkrypcje wygenerowane przez narzędzia i usługi ze stuprocentową poprawną transkrypcją, którą stworzyłem za pomocą oTranscribe.

Kilka dodatkowych uwag:

• Dźwięk z Zooma okazał się najwyższej jakości, więc używaliśmy go do większości naszych testów. Wygląda na to, że aplikacja Recordly nie akceptuje dźwięku nagranego z innych źródeł, więc jest to jedyny wyjątek od tego procesu. Nie przesłaliśmy również dźwięku Zoom do YouTube, zamiast tego polegaliśmy na dźwięku z nagrania na żywo w YouTube. Porównanie jabłek i pomarańczy sprawia, że ​​ten eksperyment jest mniej niż naukowy, ale bardziej zgodny z tym, jak dziennikarze faktycznie używaliby tych narzędzi w prawdziwym świecie.
• Chociaż jest to popularne narzędzie, nie mogliśmy przetestować Dragon Dictation, ponieważ nie działa na iOS 11. Zaktualizujemy tę recenzję, gdy i jeśli jej twórca naprawi ten problem.
• Nie skontaktowaliśmy się z żadną z tych firm przed testowaniem, więc nie było specjalnego traktowania ani finagowania transkrypcji na zapleczu. Trint, Sonix i Recordly oferują limitowane darmowe minuty dla nowych użytkowników, więc wykorzystaliśmy je do eksperymentu. Użyliśmy karty kredytowej niereportera dla Happy Scribe i nie wspomnieliśmy o Poynter, ponieważ korespondowałem z jego założycielami w przeszłości. I zapłaciliśmy pełną cenę za ludzką transkrypcję Rev. Usługa napisów YouTube i oTransscribe są zawsze bezpłatne.
• Istnieje wiele, wiele innych narzędzi do automatycznej transkrypcji, których nie uwzględniliśmy w tej recenzji. Staraliśmy się skupić na tych, o które pytali nas dziennikarze. Jeśli uważasz, że niesłusznie pominęliśmy jeden, daj nam znać, a zaktualizujemy recenzję.

Jakość transkrypcji (Zwycięzca: Wesoły Skryba)

Wygląda na to, że ludzie zaniepokojeni powstaniem sztucznej inteligencji mają jeszcze co najmniej kilka lat na przygotowanie się, ponieważ jedyna testowana przez nas usługa transkrypcji dla ludzi pokonuje automatyczne transkrypcje z dużym marginesem.

Rev uzyskał 82-procentową ocenę dokładności, przy czym ludzki tłumacz w większości nie łapie języków obcych (co, szczerze mówiąc, jest osobną usługą), kilka rzeczowników własnych, trochę przesłuchów, kilka słów slangowych i fragmenty mamrotania. Chociaż inne narzędzia również w większości pomijały te rzeczy, transkrybenci w Rev przynajmniej zauważyli takie rzeczy, jak „[niesłyszalny]” i „[przesłuch]” i „[język obcy]”, które były przydatnymi miejscami zastępczymi dla późniejszych poprawek.

Nawet z brakującymi fragmentami transkrypcja Rev jest całkowicie czytelna i spójna. Jeśli nie było Cię w pobliżu podczas wstępnej rozmowy, sedno tego, o czym rozmawialiśmy, można było zrozumieć po prostu czytając to.

Kolejną najdokładniejszą transkrypcją był YouTube. Witryna hostingu wideo automatycznie tworzyła napisy do naszego wideo na żywo w YouTube, które były dokładne w 72 procentach. Ale nawet przy zaledwie 10-procentowym spadku ogólnej jakości transkrypcja jest znacznie mniej czytelna niż Rev, ponieważ YouTube nie zapewnia interpunkcji ani segmentacji głośników. Podpisy istnieją jako ogromny blok tekstu. Bez sparowania go z dźwiękiem byłoby prawie niemożliwe, aby ktoś, kto nie był częścią rozmowy, zrozumiał naszą rozmowę.

Istnieją inne wady oferty YouTube, ale porozmawiamy o nich, gdy przejdziemy do funkcji.

Happy Scribe okazał się najdokładniejszym dedykowanym narzędziem do transkrypcji niebędącym człowiekiem, z 62-procentową dokładnością w naszym eksperymencie. Narzędzie ostrzega na swojej stronie przesyłania, aby „unikać silnego hałasu w tle, „unikać silnych akcentów”, „unikać wywiadów przez Skype'a i telefon” oraz „trzymać mikrofon blisko głośnika”, a wszystko to posłusznie zignorowaliśmy.

Transkrypcja jest bliska dokładności w miejscach, w których mówiłem, zwłaszcza gdy nie było żadnych przesłuchów i nie używałem rzeczowników własnych, ale miałem sporo problemów z transkrypcją Dulce, Kristen i Alexios. W niektórych miejscach rozbijało różnych mówców na nowe akapity, ale w innych zawiodło. Ogólny zapis różni się między całkowicie spójnym w niektórych miejscach a dziwnie niespójnym w innych, na przykład w przypadku transkrypcji Alexiosa mówiącego „pozwól mi otworzyć słownik miejski, a możemy przejrzeć niektóre z nich” jako „mam na myśli nawet w słowniku miejskim dziewczyny są blisko ”.

Trint zaoferował podobne wyniki z 61-procentową dokładnością. Zepsuł się w wielu tych samych miejscach, grzebiąc w akcentach, audio z YouTube i sekcjach z przesłuchami lub cichym mówieniem. Jednak nie zapisał się w dokładnie taki sam sposób, jak Happy Scribe. Powyższe zdanie Urban Dictionary pojawiło się jako „Mam na myśli, że nawet w miejskim słowniku możemy przez nie przejść”.

Ogólnie rzecz biorąc, transkrypcja Trinta jest nieco łatwiejsza do odczytania niż Happy Scribe, ponieważ lepiej rozróżnia mówców i dzieli je na nowe akapity. Nie jest idealny, ale dodaje dużo jasności, gdy działa.

Sonix okazał się następny najdokładniejszy z 50 procentami. Sonix działał nieco lepiej niż Happy Scribe i Trint, gdy jeden mówca mówił głośno. Ale każda ilość przesłuchów, szumów w tle, a nawet śmiechu – wszystkie rzeczy, które prawdopodobnie pojawią się w każdym rzeczywistym użyciu tego narzędzia – wydawały się dezorientować go bardziej niż inne. Uchwycił zdanie Urban Dictionary jako „Otwórz w słowniku miejskim i możemy przejrzeć niektóre z nich”.

Podobnie jak inne narzędzia, Sonix próbował rozbić głośniki na różne akapity, ale wydawało się, że jest z tym nieco gorzej.

Recordly był najmniej dokładnym narzędziem do automatycznej transkrypcji, z 48-procentową dokładnością. Uchwycił zdanie Urban Dictionary jako „pozwól mi otworzyć ten miejski słownik i możemy. Przejrzyj niektóre”, co nie jest złe, ale ten fragment tekstu nie jest reprezentatywny dla reszty transkrypcji. Podobnie jak YouTube, transkrypcja Recordly to jeden gigantyczny blok tekstu. W przeciwieństwie do YouTube, dodaje interpunkcję, choć rzadziej i z mniejszą dokładnością niż inne narzędzia.

Zapis Recordly jest najmniej pomocny poza kontekstem.

Ogólnie rzecz biorąc, najlepszy transkrypcja pochodziła z mojej własnej ręki dzięki oTransscribe. Rev okazał się najlepszą transkrypcją, której nie musiałam sama przepisywać. Ale to jest przegląd narzędzi do automatycznej transkrypcji, aw tej kategorii Happy Scribe ledwo wyprzedził Trinta, aby wyjść na szczyt.

Funkcje (Zwycięzca: Sonix)
Kilka rzeczy wydaje się być standardami branżowymi narzędzi do automatycznej transkrypcji. Możliwość odtwarzania przesłanego dźwięku jest oczywista. Wszystkie narzędzia pozwalają użytkownikom eksportować transkrypcje w różnych formatach.

Narzędzia oparte na przeglądarce (co oznacza wszystkie oprócz Recordly) również oferują wspólny pakiet. Wszystkie pozwalają użytkownikom klikać różne punkty w tekście i przechodzić bezpośrednio do tej części nagrania. Wszystkie mają opcje odtwarzania dźwięku z mniejszą szybkością (za pomocą klawiszy skrótów lub manipulowania ustawieniami), ręcznej edycji transkrypcji, przesyłania wideo oprócz dźwięku i przechowywania transkrypcji do późniejszego wykorzystania.

Trint idzie o krok dalej i oferuje wizualizację fali dźwiękowej na dole transkrypcji, którą użytkownicy mogą przeskakiwać do woli. Posiada również wbudowane narzędzia do wyszukiwania i zastępowania, wyróżniania lub przekreślania tekstu. Użytkownicy mogą dodać do narzędzia listę mówców i dołączyć ich nazwiska do każdego akapitu. Posiada również przydatną funkcję wysyłania e-maila z transkrypcją za pomocą jednego kliknięcia.

Sonix zawiera wszystkie te narzędzia (poza interaktywnym przebiegiem) i kilka innych. Najbardziej pomocne są „kolory pewności”, które przypisują różne kolory słowom, których Sonix jest mniej pewny; wskaźnik jakości dźwięku, który mówi, jak bardzo Sonix jest pewny swojej transkrypcji; i automatyczna identyfikacja mówców, funkcja beta, która próbuje zidentyfikować różnych mówców i przypisać im identyfikatory.

W naszym teście Sonix zidentyfikował tylko dwa różne głośniki, więc to narzędzie wymaga trochę pracy, ale nadal jest niezwykle pomocne.

Rekordowo, jedyna aplikacja (tylko iOS) w tej grupie oferuje najmniej funkcji. To w zasadzie doświadczenie polegające na nagrywaniu i czekaniu. Transkrypcja jest dostarczana w formacie podobnym do wbudowanej aplikacji Apple do notatek, z ograniczoną funkcjonalnością edycji. Umożliwia także użytkownikom eksportowanie dźwięku lub tekstu do innej aplikacji.

Chociaż funkcje „znajdź i zamień” i przebiegów w Trint są pomocne podczas poprawiania transkrypcji, funkcje Sonix zapewniają niezbędną przejrzystość procesu transkrypcji. I chociaż wersja beta identyfikacji głośników nie jest całkowicie niezawodna, jest to ambitne narzędzie, które powinno być od tego momentu tylko lepsze.

Czas (Zwycięzca: Wesoły Skryba, Trint oraz rekordowo)

Oto, gdzie świeci automatyczna transkrypcja. Wszystkie narzędzia dostarczyły transkrypcję w czasie krótszym niż długość przesłanego przez nas pliku audio. Różnica między Happy Scribe (pięć minut), Trint (sześć minut) i Recordly (sześć minut) była znikoma, ale Sonix trwał nieco dłużej (11 minut). (Aktualizacja: przedstawiciel firmy Sonix powiedział, że jego prędkość jest zgodna z innymi narzędziami, gdy funkcja identyfikacji głośnika jest wyłączona.) W warunkach rzeczywistych może to być kluczowa różnica, zwłaszcza w przypadku dłuższych transkrypcji.

YouTube jest tutaj trochę tajemnicą. W przypadku tego zapisu wyświetlenie automatycznych napisów zajęło tylko kilka minut. W poprzednich doświadczeniach odkryliśmy, że czas potrzebny na ich pojawienie się może się znacznie różnić. Ponieważ YouTube tak naprawdę nie ma być używany w ten sposób, nie jesteśmy pewni, ile czasu to zwykle zajmuje.

Ludzkim transkrybującym Rev zajęło około czterech godzin i 15 minut, aby ukończyć transkrypcję. Około połowy tego zajęło mi zrobienie tego samemu za pomocą oTranscribe, ale nie bez kilku przerw, Spotify Głębokie skupienie playlista i dwa galony kawy.

Cennik (Zwycięzca: rekordowo)

Nie można pokonać darmowych (YouTube, oTranscribe), ale jeśli chodzi o dedykowane narzędzia do automatycznej transkrypcji, koszt jest bardzo zróżnicowany. Aby określić najlepszą cenę, musisz zastanowić się, jak często będziesz korzystać z narzędzia.

Sonix jest najdroższy, a podstawowy plan zaczyna się od 15 USD miesięcznie plus 8 USD za każdą godzinę transkrybowanego dźwięku. Ale narzędzie oferuje solidną 33-procentową zniżkę za płatności roczne zamiast miesięcznych.

Trint oferuje również plany zaczynające się od 15 USD za godzinę w przypadku przesyłania transkrypcji płatnych na bieżąco lub 40 USD miesięcznie za maksymalnie trzy godziny transkrybowanego dźwięku. Dodatkowe transkrypcje kosztują na północ od 13 dolarów za godzinę.

Happy Scribe kosztuje 10 centów za minutę przesłanego dźwięku. W przypadku typów mniej skłonnych do matematyki jest to 6 USD za godzinę.

Za skromne 2 dolary za godzinę, z pierwszą godziną za darmo, Recordly jest zdecydowanie najtańszą opcją automatycznej transkrypcji.

Nic dziwnego, że ludzie transkrybujący w Rev kosztują więcej niż inne narzędzia. Transkrypcja naszego 13-minutowego klipu kosztowała 14 USD, a za znaczniki czasu zapłaciliśmy 3,50 USD więcej. Mimo to tani względny koszt godzin pracy sprawia, że ​​zastanawiamy się, gdzie na świecie są transkrybenci Rev i jak dobrze są im wynagradzani.

Łatwość użytkowania (Zwycięzca: Trin)
Żadne z tych narzędzi nie jest trudne w użyciu. Przesyłasz plik do każdego z nich (lub nagrywasz z nim dźwięk, w przypadku Recordly), a jakiś czas później wysyła ci link do edytowalnej transkrypcji.

Trint robi duży krok poza przesyłanie plików i akceptuje audio lub wideo z różnych źródeł, w tym Dropbox, Dysku Google i FTP, a nawet pozwala użytkownikom po prostu wpisać link. Jest to wyjątkowe wśród testowanych przez nas narzędzi. Trint zadaje również kilka pomocnych pytań dotyczących hałasu w tle, przesłuchów i innych, zanim rozpocznie się przesyłanie. Nie naprawi nagrania, ale jest pomocnym ukłonem w zakresie UX, który uczy użytkowników, jak w przyszłości nagrywać dźwięk bardziej transkrybowany.

Happy Scribe, Rev, Sonix i Trint wysyłają e-maile, gdy transkrypcja jest gotowa, więc nie trzeba siedzieć i wpatrywać się w ekran.

Dolna linia
Nie jest to najtańsza ani najdokładniejsza ogólna dostępna opcja transkrypcji, ale Trint wygrał jako najlepsze wszechstronne narzędzie spośród tych, które testowaliśmy.

Firma, która ma niewiele ponad rok i otrzymała dofinansowanie z Fundacji Rycerskiej (zastrzeżenie: Poynter także otrzymuje finansowanie od Knight) i Digital News Initiative firmy Google, oferuje najlepszą ogólną kombinację funkcjonalności, dokładności i łatwości użytkowania.

Tylko funkcja automatycznych napisów w YouTube, która uzyskała 72-procentowy wskaźnik dokładności, wypadła znacznie lepiej niż Trint w transkrypcji opartej na algorytmie. Ale YouTube nie jest przeznaczony do transkrypcji, której dziennikarze potrzebują na co dzień, i nie oferuje żadnych funkcji edycji.

Chociaż młody startup Happy Scribe wypadł nieco lepiej w naszych testach dokładności ze wskaźnikiem 62 procent i kosztuje około jednej trzeciej ceny Trint, brakuje mu wielu dodatkowych funkcji, które sprawiają, że Trint jest użyteczny. Możliwość przesyłania z wielu źródeł, znajdowania i zastępowania tekstu oraz identyfikacji mówcy to małe, ale ważne narzędzia przepływu pracy. Jeśli szukasz tylko szybkiego i brudnego zapisu, Happy Scribe może być drogą do zrobienia.

I choć to prawda, że ​​61 procent jest dalekie od ideału, nasze testy były nieco trudniejsze niż większość rzeczywistych zastosowań.

Przetestowaliśmy również Rev, usługę tłumaczenia przez ludzi, oraz oTranscribe, która oferuje przydatne narzędzia dla dziennikarzy do samodzielnej transkrypcji dźwięku. Przy cenie 1 dolara za minutę transkrybowanego dźwięku okazało się, że Rev jest zbyt drogi, aby przeciętny dziennikarz mógł z niego korzystać regularnie. I chociaż oTranscribe był przydatny, nie rozwiązuje nudy i wpadki w transkrypcję.

Mając na uwadze typowe zastosowania, Trint jest najlepszym wszechstronnym narzędziem do automatycznej transkrypcji dla dziennikarzy.

Poprawka: Wcześniej informowaliśmy, że Sonix nie oferta znajdź i zamień narzędzie, ale w rzeczywistości tak się dzieje. Przepraszamy za brak tego.

Dowiedz się więcej o narzędziach dziennikarskich dzięki Try This! — Narzędzia dziennikarstwa. Spróbuj tego! jest zasilany przez Laboratorium Google News . Jest również wspierany przez Amerykański Instytut Prasowy i Fundacja Johna S. i Jamesa L. Knighta