Transkrypcja AI – jak zamienić nagranie na tekst?

Nagranie z wywiadu ma 47 minut. Spotkanie firmowe przekroczyło godzinę. Webinar trwał tyle, że prowadzący zdążył trzy razy powiedzieć „już kończymy”. Jeszcze kilka lat temu oznaczało to długie przepisywanie, przewijanie i polowanie na zdanie wypowiedziane gdzieś w okolicy 32. minuty. Dzisiaj dużą część pracy może przejąć transkrypcja AI.

W praktyce wystarczy plik MP3, WAV, M4A albo nagranie wideo, odpowiednie narzędzie i kilka minut cierpliwości. Sztuczna inteligencja rozpoznaje mowę, zamienia ją na tekst, a coraz częściej potrafi również oznaczyć rozmówców, dodać znaczniki czasu i przygotować napisy do filmu.

Najważniejszy haczyk pozostaje bez zmian – wynik trzeba sprawdzić. AI bardzo dobrze radzi sobie z normalną rozmową, lecz nazwiska, skróty, specjalistyczne określenia i kiepski mikrofon nadal potrafią uruchomić kreatywność, o którą nikt nie prosił.

Transkrypcja AI przestała być ciekawostką

Dobrym punktem odniesienia pozostaje Whisper opracowany przez OpenAI. Model został wytrenowany na 680 tys. godzin wielojęzycznych nagrań z transkrypcjami, co mocno wpłynęło na jego odporność na akcenty, szum i zróżnicowany sposób mówienia.

Od premiery Whispera rynek poszedł znacznie dalej. OpenAI wprowadziło później rodzinę GPT-4o Transcribe, a obecnie rekomendowanym modelem do przetwarzania gotowych nagrań jest gpt-transcribe. Według dokumentacji obsługuje on również podpowiedzi dotyczące słów, kontekstu i języków, co pomaga przy nazwach firm, branżowym słownictwie oraz rozmowach mieszających kilka języków.

Zmiana jest świeża. OpenAI zapowiedziało wycofanie modeli whisper-1, gpt-4o-transcribe i kilku pokrewnych wersji z API 26 lutego 2027 roku, wskazując gpt-transcribe oraz gpt-live-transcribe jako następców.

Jak AI zamienia nagranie na tekst?

Od strony użytkownika cały proces może sprowadzić się do przeciągnięcia pliku do okna programu. Model analizuje dźwięk, wykrywa wypowiedzi i przypisuje rozpoznanym fragmentom odpowiednie słowa.

Nowoczesne narzędzia idą dalej. Potrafią dodawać interpunkcję, znaczniki czasu, rozpoznawać język oraz dzielić rozmowę według osób. Ostatnia funkcja nosi nazwę diarizacji. Przy wywiadzie albo spotkaniu kilku osób różnica jest ogromna, ponieważ zamiast ściany tekstu dostajesz uporządkowaną rozmowę.

Popularny wskaźnik jakości nosi nazwę WER, czyli Word Error Rate. Mierzy procent błędnie rozpoznanych, pominiętych lub dodanych słów. Im niższy wynik, tym lepiej. Aktualne benchmarki modeli speech-to-text osiągają na części zestawów testowych wyniki rzędu kilku procent WER, jednak producenci sami ostrzegają, że test laboratoryjny nie gwarantuje identycznego rezultatu przy własnym materiale.

Najprostsza metoda – wrzucasz plik i odbierasz tekst

Jeżeli potrzebujesz przepisać pojedynczy wywiad, wykład lub nagranie ze spotkania, usługa działająca w chmurze będzie najłatwiejszym rozwiązaniem. Wgrywasz plik, wybierasz język i odbierasz gotowy tekst.

Obecne API OpenAI przyjmuje między innymi MP3, MP4, M4A, WAV oraz WebM. Dokumentacja dla transkrypcji plików podaje limit 25 MB na pojedynczy plik, a rekomendowany gpt-transcribe kosztuje obecnie 0,0045 dolara za minutę nagrania.

Dla zwykłego użytkownika API nie musi być jednak pierwszym wyborem. Znacznie wygodniejsze są aplikacje z graficznym interfejsem, gdzie cała operacja przypomina otwieranie dokumentu. Importujesz nagranie, wybierasz model i czekasz na tekst.

Lokalna transkrypcja daje większą kontrolę nad nagraniem

Wywiad z klientem, wewnętrzne spotkanie firmy albo nagranie zawierające dane osobowe nie zawsze powinno lądować na zewnętrznym serwerze. W podobnych sytuacjach mocnym rozwiązaniem jest przetwarzanie dźwięku bezpośrednio na komputerze.

Jednym z prostszych narzędzi jest Buzz. Program działa na Windowsie, macOS i Linuksie, obsługuje Whisper, Whisper.cpp oraz Faster Whisper i pozwala eksportować wynik między innymi do TXT, SRT oraz VTT. Nagranie może być przetwarzane lokalnie, bez wysyłania zawartości do usługi transkrypcyjnej.

Jeśli chcesz pójść właśnie drogą lokalną, ekipa z bloga ChatBoty.pl przygotowała osobny przewodnik po transkrypcji nagrań w Buzz. Znajdziesz tam instalację, dobór modelu i konfigurację programu krok po kroku.

Lokalne przetwarzanie potrzebuje oczywiście mocy komputera. Większy model zwykle daje lepszą jakość, lecz jednocześnie mocniej obciąża procesor lub kartę graficzną. Przy okazjonalnym przepisywaniu kilkuminutowych materiałów trudno robić z podobnej kwestii dramat. Przy kilkudziesięciu godzinach nagrań sprzęt zaczyna mieć spore znaczenie.

Dobry mikrofon nadal robi różnicę

Żaden model nie naprawi idealnie rozmowy nagranej z drugiego końca sali, z muzyką w tle i trzema osobami mówiącymi jednocześnie. Im czystsza ścieżka audio, tym mniej poprawek zostaje później.

Najlepsze rezultaty uzyskasz, gdy głos jest wyraźny, poziom nagrania nie skacze, a rozmówcy nie przekrzykują się co kilka sekund. Przy wywiadach dobrze jest również ustawić mikrofon możliwie blisko rozmówców. Smartfon leżący metr od rozmowy często dostarczy lepszy materiał niż laptop ustawiony gdzieś na końcu stołu.

Jeżeli nagranie zawiera dużo szumu, dobrze jest najpierw zastosować redukcję hałasu. Nowsze wersje aplikacji Buzz mają również funkcje separacji mowy oraz ulepszone rozpoznawanie rozmówców.

Nazwiska i liczby nadal potrzebują kontroli

Automatyczna transkrypcja oszczędza mnóstwo pracy, lecz traktowanie wygenerowanego tekstu jako wiernej kopii rozmowy może skończyć się źle. Szczególną uwagę dobrze jest poświęcić nazwiskom, nazwom firm, adresom, kwotom, numerom telefonów oraz specjalistycznym terminom.

Badanie „Careless Whisper” przeprowadzone przez naukowców z Cornell University i innych ośrodków wykazało, że około 1% analizowanych transkrypcji Whispera zawierało całe frazy lub zdania, których nie było w nagraniu. Autorzy ustalili również, że 38% wykrytych halucynacji zawierało treści mogące prowadzić do szkód, między innymi fałszywe stwierdzenia lub nieistniejące informacje.

Badanie dotyczyło wcześniejszej generacji Whispera, dlatego wynik nie powinien być automatycznie przenoszony na każdy współczesny model. Stanowi jednak bardzo dobry argument za odsłuchaniem ważniejszych fragmentów przed publikacją.

Transkrypcja, napisy czy zapis rozmówców?

Przed uruchomieniem programu dobrze jest ustalić, czego właściwie potrzebujesz. Zwykły tekst wystarczy do notatek lub dalszej redakcji artykułu. Napisy do filmu potrzebują znaczników czasu, najczęściej w formacie SRT albo VTT. Wywiad z kilkoma osobami skorzysta natomiast z diarizacji, czyli oznaczenia poszczególnych rozmówców.

Przy dłuższych materiałach przydatna okazuje się również możliwość wyszukiwania tekstu i przechodzenia bezpośrednio do odpowiadającego fragmentu nagrania. Zamiast przewijać godzinny podcast w poszukiwaniu jednego cytatu, wpisujesz kilka słów i po kilkunastu sekundach jesteś we właściwym miejscu.

Chmura, komputer czy API?

Dla większości osób wybór można uprościć do trzech scenariuszy. Usługa internetowa sprawdzi się przy szybkiej, okazjonalnej transkrypcji. Program lokalny będzie lepszym wyborem przy materiałach prywatnych albo dużej liczbie nagrań. API ma najwięcej sensu przy automatyzacji, seryjnym przetwarzaniu plików i integracji transkrypcji z własnym systemem.

Osobiście przy zwykłych wywiadach i materiałach redakcyjnych wybrałbym model lokalny, jeżeli komputer radzi sobie z nim bez problemu. Brak wysyłania nagrań poza urządzenie daje większą kontrolę, a po pobraniu modelu koszt kolejnych transkrypcji praktycznie znika. Chmura wygrywa natomiast wygodą i szybkością startu.

Największa zmiana nie polega już na samym rozpoznawaniu mowy. Programy robiły podobne rzeczy od dawna. Różnica tkwi w jakości i dostępności – możesz wrzucić godzinne nagranie, dostać sensowny tekst i poświęcić czas na korektę zamiast ręcznego przepisywania każdego zdania. AI nie zwalnia z kontroli materiału, lecz bardzo skutecznie usuwa z pracy etap, za którym raczej nikt nie będzie tęsknił.