Transkrybuj wywiad z etykietami mówców (kto co powiedział)
Bezpłatna aplikacja desktopowa, którą instalujesz raz (Windows, macOS, Linux). Twoje nagranie jest przetwarzane na Twoim komputerze i nie jest wymagane żadne konto.
Aplikacja rozróżnia głosy i oznacza je jako Speaker 00, Speaker 01 i tak dalej. Nie wie, kim jest dana osoba, dopóki sam nie zmienisz jej nazwy. Podobne głosy, krótkie odpowiedzi, nakładające się wypowiedzi i szum w tle mogą być przyczyną błędnych oznaczeń. Aby rozpocząć, zaznacz opcję Identyfikuj mówców w zakładce Transkrybuj i naciśnij Transkrybuj.
Zanim zaczniesz
Wersje dla systemów Windows i Mac zawierają wbudowane modele do wykrywania mówców. Pobieraj aplikację wyłącznie z oficjalnej strony wydań na GitHubie; instalator nie posiada podpisu cyfrowego, więc system Windows może wyświetlić ostrzeżenie (Więcej informacji > Uruchom mimo to). Zobacz także stronę główną oraz instrukcję instalacji.
Jak dodać etykiety mówców do transkrypcji
- Dodaj nagranie. W zakładce Transkrybuj przeciągnij plik audio lub wideo albo kliknij Przeglądaj pliki.... Link z zakładki Pobierz wideo zadziała równie dobrze, ponieważ korzysta z tych samych ustawień transkrypcji.
- Wybierz Język lub pozostaw opcję Auto.
- Zaznacz opcję Identyfikuj mówców. Jeśli na polu widnieje komunikat Identyfikuj mówców (niedostępne), najedź na nie kursorem, aby zobaczyć przyczynę. Poniżej uaktywni się lista wyboru Mówcy: pozostaw opcję Auto lub wybierz liczbę od 2 do 10, aby wymusić dokładnie tylu rozmówców.
- Opcjonalnie: zaznacz Znaczniki czasu dla słów, aby zapisać czas rozpoczęcia i zakończenia każdego słowa zamiast tylko dla całych zdań. Pliki wynikowe będą większe.
- Wybierz formaty eksportu. Kliknij Ustawienia zaawansowane… i zaznacz opcje DOCX oraz PDF w sekcji Formaty wyjściowe. Etykiety zawierają również formaty SRT, TXT, Markdown i JSON. Pozostaw zaznaczony format JSON: jest to plik JSON wykorzystywany przez aplikację do otwarcia przeglądarki transkrypcji, która jest potrzebna w ostatnim kroku.
- Kliknij Transkrybuj. Wykrywanie mówców uruchamia się po zakończeniu transkrypcji i wydłuża czas przetwarzania. Następnie wybierz opcję Pokaż transkrypt na karcie Ostatni wynik.
- Zastąp domyślne etykiety nazwiskami. W przeglądarce kliknij prawym przyciskiem myszy komórkę w kolumnie Mówca, wybierz Zmień nazwę 'Speaker 00' (wszędzie)..., wpisz imię lub nazwisko i kliknij Zapisz zmiany (Ctrl+S). Pliki Word i pliki tekstowe znajdujące się obok zostaną przebudowane, jeśli nadal odpowiadają oryginalnej transkrypcji; plik PDF nie jest aktualizowany, więc wyeksportuj go ponownie po zmianie nazw.
Jak wyglądają etykiety
Każdy segment rozpoczyna się od oznaczenia mówcy. W transkrypcji Word lub PDF wiersz zawiera znacznik czasu, pogrubioną nazwę mówcy, a następnie tekst. Formaty SRT, VTT i TXT umieszczają Speaker 00: przed tekstem, ASS zachowuje je we własnym polu nazwy, a JSON przechowuje w polu speaker. Informację tę pokazuje również strona internetowa gotowa do udostępnienia. Poniższe linie ilustrują układ, nie są rzeczywistym wynikiem:
[00:00:04] Speaker 00: So where do we start?
[00:00:07] Speaker 01: With the recording itself.Warto wiedzieć
- Jedna etykieta na segment. Każdy segment transkrypcji otrzymuje etykietę mówcy, którego wykryta mowa w największym stopniu na niego nachodzi. Jeśli dwie osoby mówią w ramach jednego segmentu lub nakładają się na siebie, cały segment otrzymuje jedną etykietę. Segment, na który nie nachodzi żadna wykryta mowa, nie otrzymuje żadnej etykiety.
- Poprawianie pojedynczej linii. Zmiana nazwy modyfikuje od razu wszystkie linie z daną etykietą. Przeglądarka nie pozwala na zmianę mówcy dla pojedynczej linii, dlatego pojedyncze kwestie należy poprawić ręcznie w wyeksportowanym pliku Word lub pliku tekstowym.
- Nazwy domyślne. Etykiety są numerowane, a ich numery są stałe w obrębie jednego pliku, ale nie między różnymi plikami.
- Jeśli liczba osób się nie zgadza, ustaw opcję Mówcy na rzeczywistą liczbę osób zamiast pozostawiać wartość Auto.
- Offline, bez konta Hugging Face. Narzędzie działa bezpośrednio na Twoim komputerze i wymaga dodatkowego czasu oprócz samej transkrypcji.
- Czasy słów. Znaczniki czasu dla słów są zapisywane w pliku JSON i wykorzystywane do wyróżniania w stylu karaoke w formatach VTT i ASS.
Pytania
Czy aplikacja sama nazwie mówców?
Nie automatycznie. Etykiety mają postać Speaker 00, Speaker 01 i tak dalej. Skorzystaj z opcji zmiany nazwy w przeglądarce transkrypcji, aby zamienić je na imiona.
Ilu mówców potrafi rozróżnić?
Pozostaw opcję Mówcy na Auto, a aplikacja zdecyduje sama, lub wymuś liczbę od 2 do 10, jeśli ją znasz.
Czy program potrafi rozdzielić osoby mówiące jednocześnie?
Nie. Nakładające się wypowiedzi nie są rozdzielane: segment otrzymuje jedną etykietę — mówcy, który zajmuje jego większą część. Sprawdź takie fragmenty ze słuchu.
Które formaty eksportu pokazują etykiety mówców?
DOCX, PDF, SRT, VTT, TXT, Markdown, ASS, JSON oraz strona internetowa do udostępnienia.