رونویسی یک مصاحبه با برچسب‌های گوینده (چه کسی چه گفت)
یک برنامه دسکتاپ رایگان که یک بار نصب می‌کنید (Windows، macOS، Linux). فایل ضبط‌شده شما روی کامپیوترتان پردازش می‌شود و به حساب کاربری نیازی نیست.
برنامه صداها را از یکدیگر تشخیص می‌دهد و آن‌ها را به صورت Speaker 00، Speaker 01 و به همین ترتیب برچسب‌گذاری می‌کند. برنامه تا زمانی که نام افراد را تغییر ندهید نمی‌داند هر کس کیست. صداهای مشابه، پاسخ‌های کوتاه، هم‌پوشانی گفتار و نویز پس‌زمینه می‌توانند باعث برچسب‌های نادرست شوند. برای شروع، در تب رونویسی گزینه شناسایی گوینده‌ها را علامت بزنید و روی رونویسی کلیک کنید.
پیش از شروع
نسخه‌های Windows و Mac شامل مدل‌های تشخیص گوینده هستند. برنامه را تنها از صفحه رسمی نسخه‌های GitHub دریافت کنید؛ نصب‌کننده دارای امضای دیجیتال نیست، بنابراین ممکن است Windows هشدار دهد (More info > Run anyway). همچنین صفحه اصلی و راهنمای نصب را ببینید.
نحوه افزودن برچسب‌های گوینده به متن رونویسی
- فایل ضبط‌شده را اضافه کنید. در تب رونویسی، یک فایل صوتی یا ویدیویی را به درون پنجره بکشید یا روی مرور فایل‌ها... کلیک کنید. یک لینک از تب دانلود ویدیو نیز کار می‌کند، زیرا از همان تنظیمات رونویسی استفاده می‌نماید.
- زبان را انتخاب کنید، یا آن را روی Auto قرار دهید.
- گزینه شناسایی گوینده‌ها را علامت بزنید. اگر کادر عبارت شناسایی گوینده‌ها (در دسترس نیست) را نشان می‌دهد، ماوس را روی آن نگه دارید تا دلیلش را ببینید. انتخاب‌گر گوینده‌ها در زیر آن فعال می‌شود: آن را روی Auto بگذارید، یا عددی از 2 تا 10 را انتخاب کنید تا دقیقاً همان تعداد نفر اعمال شود.
- اختیاری: گزینه برچسب زمانی برای هر کلمه را علامت بزنید تا زمان شروع و پایان به جای هر جمله، برای تک‌تک کلمات ذخیره شود. حجم خروجی بیشتر خواهد شد.
- فرمت‌های خروجی را انتخاب کنید. روی تنظیمات پیشرفته… کلیک کرده و در بخش فرمت‌های خروجی، گزینه‌های DOCX و PDF را تیک بزنید. فرمت‌های SRT، TXT، Markdown و JSON نیز حاوی این برچسب‌ها خواهند بود. گزینه JSON را در حالت تیک‌خورده نگه دارید: این فایل JSON فایلی است که برنامه برای باز کردن نمایشگر متن رونویسی از آن استفاده می‌کند، که برای مرحله آخر به آن نیاز دارید.
- روی رونویسی کلیک کنید. تشخیص گوینده بعد از رونویسی اجرا می‌شود و به زمان پردازش اضافه می‌کند. سپس از کارت آخرین نتیجه، گزینه مشاهده متن رونویسی را باز کنید.
- برچسب‌های عمومی را با نام‌ها جایگزین کنید. در نمایشگر، روی یک سلول در ستون گوینده راست‌کلیک کنید، گزینه تغییر نام 'Speaker 00' (همه‌جا)... را انتخاب کنید، نام را تایپ کرده و روی ذخیره تغییرات (Ctrl+S) کلیک نمایید. فایل‌های Word و متنی کنار آن در صورتی که هنوز با متن رونویسی اصلی مطابقت داشته باشند، بازسازی می‌شوند؛ فایل PDF بازسازی نمی‌شود، بنابراین پس از تغییر نام دوباره از آن خروجی بگیرید.
شکل ظاهری برچسب‌ها
هر بخش با گوینده خود آغاز می‌شود. در متن رونویسی Word یا PDF، خط شامل یک برچسب زمانی، گوینده با فونت پررنگ و سپس متن است. فرمت‌های SRT، VTT و TXT عبارت Speaker 00: را در ابتدای متن قرار می‌دهند، ASS آن را در فیلد نام مخصوص به خود نگه می‌دارد، و JSON آن را به عنوان فیلد گوینده ذخیره می‌کند. صفحه وب قابل‌اشتراک نیز آن را نشان می‌دهد. خطوط زیر تصویری از چیدمان هستند، نه خروجی واقعی:
[00:00:04] Speaker 00: So where do we start?
[00:00:07] Speaker 01: With the recording itself.نکات مفید
- یک برچسب برای هر بخش. به هر بخش از متن رونویسی، برچسب گوینده‌ای اختصاص می‌یابد که گفتار تشخیص‌داده‌شده او بیشترین هم‌پوشانی را با آن داشته باشد. اگر دو نفر در طول یک بخش صحبت کنند، یا هم‌زمان صحبت کنند، کل بخش تنها یک برچسب خواهد داشت. بخشی که هیچ گفتار تشخیص‌داده‌شده‌ای با آن هم‌پوشانی نداشته باشد، هیچ برچسبی دریافت نمی‌کند.
- اصلاح یک خط تکی. تغییر نام، تمام خطوط دارای آن برچسب را به یکباره تغییر می‌دهد. نمایشگر راهی برای تغییر گوینده یک خط تکی ندارد، بنابراین خطوط تکی را به صورت دستی در فایل متنی یا Word خروجی‌گرفته‌شده اصلاح کنید.
- نام‌های عمومی. برچسب‌ها شماره‌گذاری می‌شوند، و این شماره‌ها در داخل یک فایل ثابت هستند اما در میان فایل‌های مختلف یکسان نیستند.
- اگر تعداد افراد نادرست به نظر می‌رسد، گزینه گوینده‌ها را به جای رها کردن روی Auto، روی تعداد واقعی افراد تنظیم کنید.
- آفلاین، بدون نیاز به حساب کاربری Hugging Face. این پردازش روی کامپیوتر خودتان اجرا می‌شود و علاوه بر رونویسی، زمان اضافه‌ای می‌برد.
- زمان‌بندی کلمات. برچسب زمانی برای هر کلمه در فایل JSON ذخیره می‌شود و برای برجسته‌سازی سبک کارائوکه در VTT و ASS به کار می‌رود.
پرسش‌ها
آیا برنامه نام گوینده‌ها را برای من مشخص می‌کند؟
به صورت خودکار خیر. برچسب‌ها به صورت Speaker 00، Speaker 01 و به همین ترتیب نمایش داده می‌شوند. از گزینه تغییر نام در نمایشگر متن رونویسی برای تبدیل آن‌ها به نام افراد استفاده کنید.
چند گوینده را می‌تواند از یکدیگر تشخیص دهد؟
گزینه گوینده‌ها را روی Auto رها کنید تا برنامه خود تصمیم بگیرد، یا اگر تعداد را می‌دانید، عددی از 2 تا 10 را تعیین کنید.
آیا می‌تواند افرادی را که هم‌زمان صحبت می‌کنند تفکیک کند؟
خیر. هم‌پوشانی گفتار تفکیک نمی‌شود: هر بخش یک برچسب دریافت می‌کند، یعنی گوینده‌ای که بیشترین بخش آن را پوشش می‌دهد. آن بخش‌ها را با گوش دادن بررسی کنید.
کدام فرمت‌های خروجی برچسب‌های گوینده را نمایش می‌دهند؟
DOCX، PDF، SRT، VTT، TXT، Markdown، ASS، JSON و صفحه وب قابل‌اشتراک.