Czym jest automatyczna transkrypcja?

Automatyczna transkrypcja to proces, w którym oprogramowanie zamienia mowę (z nagrania lub transmisji na żywo) na tekst pisany. Zamiast człowieka, który słucha i pisze, pracę tę wykonuje model SI – zazwyczaj sieć neuronowa, taka jak Whisper, Wav2Vec lub architektura Conformer – w kilka sekund lub minut.

W tle równolegle zachodzi kilka etapów. Dźwięk jest dzielony na krótkie okna czasowe, zamieniany na spektrogram i przepuszczany przez model akustyczny, który rozpoznaje fonemy i jednostki podwyrazowe. Model językowy składa następnie te fonemy w najbardziej prawdopodobne słowa i zdania, kierując się kontekstem, gramatyką i słownictwem. Nowoczesne modele typu end-to-end łączą etap akustyczny i językowy w jednej sieci neuronowej i często od razu dostarczają znaczniki czasu dla każdego słowa oraz etykiety mówców (diaryzację).

W porównaniu z transkrypcją wykonywaną przez człowieka wariant automatyczny jest znacznie szybszy (plik o długości godziny jest zwykle przetwarzany w 1-3 minuty) i tańszy – dobrzy dostawcy pobierają około 0,18-0,30 € za godzinę nagrania, podczas gdy transkrypcja przez człowieka kosztuje 60-120 € za godzinę. Przy czystych nagraniach z wyraźną mową najlepsze dzisiejsze systemy osiągają współczynnik błędu na poziomie słów poniżej 5%, czyli dokładność 95% lub wyższą.

Gdzie automatyczna transkrypcja wciąż napotyka trudności: silne akcenty regionalne (szwajcarski niemiecki, mocny szkocki), nakładający się mówcy, żargon bez obsługi własnego słownika, słaba jakość dźwięku i bardzo ciche głosy. W najbardziej wymagających zastosowaniach – protokoły sądowe, dokumentacja kliniczna, napisy do transmisji – zespoły zwykle wykorzystują automatyczną transkrypcję jako pierwszy przebieg, a wynik poprawia człowiek.

DeepScript korzysta z silnika zgodnego z Whisper, ale uruchamia go w całości na własnych serwerach w Niemczech – bez przekazywania danych do amerykańskich API w chmurze.