تبدیل صوت به متن در گفتار چگونه کار می‌کند؟

از بارگذاری فایل تا بازبینی متن و دریافت خروجی

برای جلسه، یک چک‌لیست بازبینی داشته باشید

متن جلسه زمانی قابل استفاده است که نام گوینده‌ها، تصمیم‌ها و کارهای بعدی روشن باشند. چک‌لیست تبدیل ضبط جلسه به متن خوانا ترتیب بررسی فایل، تنظیم تبدیل و ویرایش نهایی را نشان می‌دهد.

گفتار فایل صوتی یا ویدیویی را دریافت می‌کند، صدای آن را برای مدل انتخابی آماده می‌کند و متن فارسی زمان‌دار تحویل می‌دهد. قبل از شروع پردازش، زبان، مدل تبدیل و نیاز به تفکیک گوینده را مشخص می‌کنید و همان‌جا می‌بینید چه ضریبی از اعتبار بسته مصرف می‌شود.

متن در مرورگر قابل خواندن و اصلاح است و می‌توانید آن را در چند قالب دریافت کنید. کیفیت نتیجه به وضوح ضبط، شیوهٔ صحبت، لهجه، واژه‌های تخصصی و هم‌پوشانی صدای افراد وابسته است؛ به همین دلیل مرحلهٔ بازبینی بخشی از فرایند است.

۱. فایل صوتی یا ویدیویی را بارگذاری کنید

در صفحهٔ آپلود، فایل را انتخاب کنید و تا پایان انتقال صفحه را باز نگه دارید. اگر اینترنت موقتاً قطع شود، سامانه برای ادامهٔ همان آپلود تلاش می‌کند. پس از رسیدن فایل، مشخصات رسانه بررسی می‌شود تا مدت و وضعیت آن برای شروع تبدیل آماده باشد.

ضبط مستقیم هم فایل صوتی می‌سازد و پس از پایان ضبط وارد همین مسیر می‌شود. برای یک مصاحبه یا جلسهٔ چندنفره، فاصلهٔ میکروفون تا افراد و هم‌زمان صحبت نکردن معمولاً بیشترین اثر را بر نتیجه دارد.

۲. زبان، مدل و تفکیک گوینده را انتخاب کنید

مدل پیش‌فرض برای بیشتر فایل‌های فارسی پیشنهاد شده است، اما همهٔ مدل‌های در دسترس در تنظیمات پیشرفته دیده می‌شوند. کنار هر مدل، ضریب مصرف از بسته نمایش داده می‌شود. اگر مدلی زبان را به‌عنوان ورودی می‌پذیرد، زبان اصلی و در صورت نیاز زبان دوم را هم انتخاب می‌کنید.

سؤال مستقل بعدی این است که آیا تفکیک گوینده لازم است. برای فایل تک‌نفره معمولاً آن را خاموش نگه دارید. برای مصاحبه و گفت‌وگوی چندنفره روشن‌کردنش مرور متن را آسان‌تر می‌کند، اما مصرف اعتبار را تغییر می‌دهد. مقدار نهایی پیش از ثبت کار نشان داده می‌شود.

۳. وضعیت پردازش را دنبال کنید

پس از تأیید تنظیمات، کار وارد صف می‌شود. صفحهٔ پردازش فقط وضعیت‌های لازم را نشان می‌دهد: آماده‌سازی فایل، تبدیل صدا و آماده‌شدن متن. اگر پردازش با خطای قابل‌تلاش‌مجدد روبه‌رو شود، سامانه آن را مدیریت می‌کند یا راه ادامه را نشان می‌دهد.

بستن صفحه، خودِ کار ثبت‌شده را حذف نمی‌کند. می‌توانید از بخش فایل‌ها دوباره به آن برگردید. اگر تبدیل به علت خطای سرویس انجام نشود، اعتبار مصرف‌شده طبق قواعد بازگشت اعتبار بررسی می‌شود.

۴. متن زمان‌دار را بازبینی و اصلاح کنید

خروجی به جمله‌ها و زمان‌های مربوط تقسیم می‌شود. زمان هر بخش مسیر برگشت به صدای همان جمله است و بازبینی نام‌ها یا عبارت‌های نامطمئن را کوتاه‌تر می‌کند. در فایل چندگوینده، برچسب هر گوینده کنار متن قرار می‌گیرد و بهتر است جابه‌جایی احتمالی آن‌ها را با صدا بررسی کنید.

ویرایش دستی متن، نتیجهٔ اصلی مدل را پاک نمی‌کند. این جداسازی اجازه می‌دهد تغییرها را مقایسه کنید و اگر لازم شد به نسخهٔ خام برگردید. تبدیل ماشینی برای سرعت‌دادن به کار است؛ مسئولیت نسخهٔ منتشرشده با کسی است که متن را بازبینی می‌کند.

۵. خروجی مناسب را دریافت کنید

متن ساده برای انتقال و جست‌وجوی سریع مناسب است. Word و PDF برای سند قابل تحویل به کار می‌آیند. SRT و WebVTT برای زیرنویس طراحی شده‌اند و زمان جمله‌ها را همراه متن نگه می‌دارند. قالب را بر اساس مقصد انتخاب کنید و نسخهٔ نهایی را پس از یک بازبینی کوتاه بگیرید.

اگر فایل مصاحبه دارید، راهنمای تبدیل مصاحبه فارسینکته‌های دقیق‌تری دربارهٔ ضبط و تفکیک گوینده دارد. برای شروع نیز می‌توانید مستقیم به آپلود فایل صوتی یا ویدیویی بروید.