文字起こしにおけるクロストークとは？ 二人以上が同時に話し、声が音声の中で重なることです。人にもソフトウェアにも難しく、システムは声を分けなければならず、大きいほうの話者だけを書いてしまうことがよくあります。
録音を文字起こしする
音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。
2 GB までのファイル · TXT、MD、DOCX、PDF、SRT、VTT で書き出し · 話者ラベルとタイムスタンプ · 約30言語
要点
- 実際の録音で重なりの大半を生むのは、割り込み、他人の発言に重なる「はい」のような相づち、言い争いです。
- 認識システムは通常、一本の言葉の流れを書くため、重なった小さいほうの声は落とされがちです。
- こうした瞬間は、混ざった信号を一人に割り当てなければならないので、話者ラベルも誤りやすくなります。
- 各自に別々のマイクを用意し、別々のトラックに残すと、あとの見直しに最適な素材になります。
見た目のイメージ
[00:01:12] Speaker 1: So the deadline moves to the end of the--
[00:01:13] Speaker 2: --no, wait, I thought it was Monday?
[00:01:14] Speaker 1: [overlap] ...end of the week. <- both talking, words lost
[00:01:16] Speaker 2: Right, the end of the week.
関連情報
よくある質問
ソフトウェアが両方の声を同時に文字起こしできないのはなぜですか。
ほとんどの認識システムはテキストを一本の流れで出力し、一つのチャンネルに混ざった二つの声は分けにくいからです。たいてい大きい声が勝ちます。
クロストークはよくあることですか。
活発な会議やインタビューでは、とてもよくあります。数秒の重なりでフレーズ丸ごと隠れることがあるので、その瞬間は耳で見直すつもりでいてください。
録音のときに減らせますか。
互いに待ってもらい、できれば話者ごとに別のマイクを使い、部屋を静かに保ちます。ソフトウェアよりも、会議のルールのほうが効きます。
話者ラベルがあれば重なった発話の問題は解決しますか。
誰が話しているかを読み手が確認する助けにはなりますが、重なった二つの声を分けることはできません。Potokボットのラベルは、話者1のような番号です。
聞き取れない部分はどうすればよいですか。
タイムスタンプの位置で音声を再生して何度か聞き、足りない言葉を書き出したDOCXやTXTに入力します。聞き取れない部分には印を付けてください。
出典
各出典は、記載の日付に手作業で開いて確認しました。ページは変更されることがあるため、細部が重要な場合は出典をご確認ください。
- Crosstalk (Wikipedia), Wikipedia · 確認日
- Speaker diarisation (Wikipedia), Wikipedia · 確認日
お手持ちの録音で試してみましょう
音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。
Telegram で @potok_now_bot を開く