ટ્રાન્સક્રિપ્શન અને ઑડિઓ/વિડિયો વિશ્લેષણ: ટેક્સ્ટ માટે ઇન્ટરવ્યુ, ટેક્સ્ટથી સમાચાર

નફો:

• ઓટોમેટિક સ્પીચ રેકગ્નિશન (ASR) સાથે કાચી ટ્રાન્સક્રિપ્ટ બનાવવાની ક્ષમતા અને ટાઇમસ્ટેમ્પ અને સ્પીકર ભેદભાવની ચકાસણી માટે તેનો ઉપયોગ કરવાની ક્ષમતા
• દરેક ક્વોટને ચકાસવાની શિસ્ત લાગુ કરવાની ક્ષમતા કે જે સમાચારમાં શબ્દશઃ સમાવવામાં આવશે અને યોગ્ય નામો, નંબરો અને શબ્દકોષ જેવા ઉચ્ચ ભૂલ વિસ્તારોને પ્રાધાન્ય આપવું.
• એ સમજવાની ક્ષમતા કે ટ્રાંસ્ક્રિપ્ટ એક કાચો ડ્રાફ્ટ છે, ક્વોટ સુધારણા વિના શબ્દશઃ સાચવી રાખવું જોઈએ, અને તે ગુપ્તતા સંવેદનશીલ રેકોર્ડ્સમાં શરૂઆતથી ધ્યાનમાં લેવી જોઈએ.

રિપોર્ટર માટે સૌથી મૂલ્યવાન પરંતુ સૌથી વધુ કંટાળાજનક કાચો માલ ઓડિયો છે: ઇન્ટરવ્યુ રેકોર્ડિંગ્સ, પ્રેસ કોન્ફરન્સ, ટેલિફોન વાર્તાલાપ, સંસદીય સુનાવણી, જીવંત પ્રસારણ આર્કાઇવ્સ. એક અનુભવી વ્યક્તિને એક કલાક લાંબી વાતચીત હાથથી લખવામાં ચારથી છ કલાક લાગે છે - ઉદ્યોગની ભાષામાં ટ્રાન્સક્રિપ્શન. આર્ટિફિશિયલ ઈન્ટેલિજન્સ-આધારિત ઓટોમેટિક સ્પીચ રેકગ્નિશન (ASR) ટેક્નોલોજી, જે વૉઇસને ઑટોમૅટિક રીતે ટેક્સ્ટમાં કન્વર્ટ કરે છે, તે આ સમયને મિનિટમાં ઘટાડી દે છે. પરંતુ ટ્રાંસ્ક્રિપ્ટ એક અણઘડ ડ્રાફ્ટ છે: નામો, તકનીકી શબ્દો, ઓવરલેપિંગ ભાષણ અને ઘોંઘાટીયા ફકરાઓ બધું ખોટું બહાર આવી શકે છે. તેથી નિયમ બદલાતો નથી: AI કાચી ટ્રાન્સક્રિપ્ટ બનાવે છે; તે પત્રકાર છે જે ચકાસે છે કે અવતરણ રેકોર્ડિંગ સાથે બરાબર મેળ ખાય છે, કોણે શું કહ્યું અને સંદર્ભ. હવામાં પ્રવેશતા દરેક ઊંધુ વાક્ય અવાજ સાથે સરખાવ્યા વિના સમાચાર બની શકતા નથી.

સ્ટેપ બાય સ્ટેપ: વૉઇસથી વિશ્વસનીય અવતરણ સુધી

પગલું 1 - રેકોર્ડિંગ તૈયાર કરો અને ગોપનીયતાને ધ્યાનમાં લો. જો ઑડિઓ ફાઇલમાં એવા નામો હોય કે જે સ્ત્રોતને દૂર કરે છે અથવા સ્ત્રોતને સુરક્ષિત રાખવાનો હોય, તો તે કયા સાધન પર અપલોડ કરવામાં આવે છે તેના પર ધ્યાન આપો. સંવેદનશીલ રેકોર્ડ્સ માટે, ડેટા સુરક્ષા સાથે ઑફલાઇન અથવા કોર્પોરેટ સોલ્યુશન્સ પસંદ કરવામાં આવે છે. ખાતરી કરો કે રેકોર્ડિંગ અધિકૃત છે (કેટલાક રેકોર્ડિંગમાં કાનૂની મર્યાદા હોય છે).

પગલું 2 - કાચી ટ્રાન્સક્રિપ્ટ મેળવો. ASR ટૂલ વડે ઑડિયોને ટેક્સ્ટમાં કન્વર્ટ કરો. જો શક્ય હોય તો, ટાઇમસ્ટેમ્પ ચાલુ કરો — દરેક વાક્ય બોલવામાં આવી હતી તે મિનિટની સંખ્યા — અને ડાયરાઇઝેશન — કોણે કયું વાક્ય કહ્યું તે તફાવત કરો. આ ચકાસણી ખૂબ જ ઝડપી બનાવે છે.

પગલું 3 - ઉચ્ચ ભૂલ વિસ્તારોને ચિહ્નિત કરો. યોગ્ય નામો, સંસ્થાકીય નામો, સંખ્યાઓ, વિદેશી શબ્દો અને સ્થાનો જ્યાં એક જ સમયે બે લોકો બોલે છે તે વિસ્તારો છે જ્યાં સૌથી વધુ ભૂલો થાય છે. આને તમારી પ્રાયોરિટી ચેકલિસ્ટમાં મૂકો.

પગલું 4 - રેકોર્ડિંગ સાથે અવતરણની તુલના કરો. ટાઈમસ્ટેમ્પ પર જઈને અને ઓડિયો સાંભળીને તમે સમાચારમાં શાબ્દિક રીતે સમાવિષ્ટ દરેક વાક્યને ચકાસો. એક શબ્દ પણ બદલવાથી અર્થ અને કાનૂની જવાબદારી બદલાઈ શકે છે.

પગલું 5 - AI (અલગ જોબ) સાથે સારાંશ અને થીમ્સ કાઢો. એકવાર ટ્રાંસ્ક્રિપ્ટ સાફ થઈ જાય, પછી તમે AI ને ડ્રાફ્ટ આઉટપુટ માટે પૂછી શકો છો જેમ કે "મુખ્ય થીમ્સ," "સમાચાર માટે યોગ્ય ફકરાઓ," "વિરોધાભાસ" — પરંતુ આ દિશા પ્રદાન કરે છે, ક્વોટ માટે રિપ્લેસમેન્ટ નહીં.

સાવધાન: સ્વચાલિત ડીકોડિંગ સરળતાથી શબ્દને બદલે છે: "અમે કર્યું નથી" સાથે "અમે કર્યું", એક સંજ્ઞા બીજી સાથે. ઑડિયો સાંભળ્યા વિના તમે અવતરણ ચિહ્નોમાં મૂકેલા કોઈપણ વાક્યને પ્રસારિત કરશો નહીં. ખોટા અવતરણ એ નૈતિક ઉલ્લંઘન અને અસ્વીકરણ/મુકદ્દમાનું કારણ બંને છે.

ચોકસાઈને અસર કરતા પરિબળો

ટ્રાન્સક્રિપ્શન ગુણવત્તા; રેકોર્ડિંગ ગુણવત્તા (માઈક્રોફોન, અવાજ, પડઘો), સ્પીકર્સની સંખ્યા, ઉચ્ચાર, બોલી, ટેકનિકલ કલકલ અને ઓડિયો ઓવરલેપ પર આધાર રાખે છે. ફોન રેકોર્ડિંગ અને ભીડવાળા વાતાવરણમાં સૌથી વધુ ભૂલો થાય છે. તેથી, "ટૂલનો સચોટતા દર 95% છે" જેવા નિવેદનોથી દિલાસો ન મેળવો: બાકીના 5% સમાચાર માટે સૌથી મહત્વપૂર્ણ સ્થાનો, જેમ કે નામ અને સંખ્યાઓ હોઈ શકે છે.

ત્રણ નાના કેસો

કેસ 1 - એકમાત્ર શબ્દ જે બદલાય છે. એક પત્રકારે આપમેળે એક અધિકારીના નિવેદનની નકલ કરી, "અમે આ દાવાને ચકાસી શકતા નથી." ટ્રાંસ્ક્રિપ્ટે કહ્યું કે "અમે ચકાસી શકીએ છીએ" - અર્થ તેનાથી વિરુદ્ધ હતો. રિપોર્ટરે ટાઇમસ્ટેમ્પ સાંભળ્યો અને તેને સુધાર્યો. જો એક-શબ્દની ભૂલ સુધારવામાં ન આવી હોત, તો સમાચાર અધિકારીને કંઈક એવું કહેતા જે તેમણે કહ્યું ન હતું.

કેસ 2 - સમયનો લાભ, સંસદીય સત્ર. 5 કલાકના સત્ર રેકોર્ડિંગને મેન્યુઅલી ડીકોડ કરવામાં ~25 કલાકનો સમય લાગશે. ASR 40 મિનિટમાં કાચું લખાણ કાઢ્યું; સ્પીકરને અલગ કરવા અને ટાઇમસ્ટેમ્પિંગ માટે આભાર, રિપોર્ટરે માત્ર ત્રણ નિર્ણાયક સ્પીકર્સમાંથી 20-મિનિટના ફકરાઓ સાંભળ્યા અને ચકાસ્યા. કુલ સમય ઘટીને ~4 કલાક થયો.

કેસ 3 — જાર્ગન ભૂલ. આરોગ્ય રિપોર્ટરે નોંધ્યું કે નિષ્ણાત સાથેની મુલાકાતમાં ઉલ્લેખિત દવાના નામની નકલમાં ખોટી જોડણી કરવામાં આવી હતી; તે અન્ય સમાન અવાજવાળી દવા સાથે મિશ્રિત કરવામાં આવી હતી. તેણે એક્સપર્ટ પાસે ટૂંકા સંદેશ સાથે તેની પુષ્ટિ કરાવી. જો દવાનું ખોટું નામ પ્રકાશિત કરવામાં આવ્યું હોય, તો તે ખોટી માહિતી અને સ્વાસ્થ્ય માટે જોખમી બંને હશે.

નકલ કરી શકાય તેવા નમૂનાઓ

1) કાચી ટ્રાન્સક્રિપ્ટમાંથી ચેકલિસ્ટ બહાર કાઢવું:

નીચે આપોઆપ ટ્રાન્સક્રિપ્ટ છે. નીચેનાને ચિહ્નિત કરો: (1) સંસ્થાઓના યોગ્ય નામો અને નામો, (2) સંખ્યાઓ અને તારીખો, (3) વિદેશી/તકનીકી શબ્દો, (4) સ્થાનો જ્યાં વાક્યનો અર્થ અસ્પષ્ટ છે. રેકોર્ડ પહેલા આની ચકાસણી કરવામાં આવશે. ટેક્સ્ટને ઠીક કરો; ફક્ત એક ચેકલિસ્ટ બનાવો. ટ્રાન્સક્રિપ્શન: [અહીં]

2) સ્પીકર અને થીમ સારાંશ (સાફ કરેલ ટ્રાન્સક્રિપ્ટમાંથી):

નીચે ચકાસાયેલ ટ્રાન્સક્રિપ્ટનો ઉપયોગ કરો. (1) દરેક વક્તાનું વિશ્લેષણ એક વાક્યમાં સારાંશ આપો. (2) ટાઈમસ્ટેમ્પ સાથે 5 સમાચાર લાયક ફકરાઓને માર્ક કરો. (3) વક્તા વચ્ચેના વિરોધાભાસની યાદી બનાવો. અવતરણ ઉત્પાદન; ફક્ત તેમનું સ્થાન બતાવો. ટ્રાન્સક્રિપ્શન: [અહીં]

3) પ્રશસ્તિ ઉમેદવાર નિષ્કર્ષણ (ચકાસવા માટે):

આ ટ્રાન્સક્રિપ્ટમાંથી 8 ઉમેદવાર ટૂંકા અવતરણો પસંદ કરો જે સમાચાર માટે યોગ્ય હશે. દરેક માટે ટાઇમ સ્ટેમ્પ [12:04] અને સ્પીકર લખો. અવતરણ ટૂંકાવી અથવા સંપાદિત કરો; તેને શબ્દશઃ નકલ કરો જેથી હું રેકોર્ડમાંથી તેની પુષ્ટિ કરી શકું. ટ્રાન્સક્રિપ્શન: [અહીં]

4) ઘોંઘાટીયા/અસ્પષ્ટ પેસેજ માર્કિંગ:

નીચેના ટ્રાન્સક્રિપ્ટમાં એવા સ્થાનોની યાદી બનાવો જ્યાં "[અસ્પષ્ટ]", "..." અથવા અર્થનો અભાવ છે. દરેક માટે ટાઇમસ્ટેમ્પ લખો જેથી હું તે ભાગ ફરીથી સાંભળી શકું. અનુમાન સાથે ખાલી જગ્યા ભરો. ટ્રાન્સક્રિપ્શન: [અહીં]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ: "આ ઇન્ટરવ્યુનો સારાંશ આપો અને શ્રેષ્ઠ અવતરણો ખેંચો."

પરિણામ: AI ટ્રાંસ્ક્રિપ્શનમાંની ભૂલોને સાચી માને છે અને અવતરણોને "સુંદર" બનાવે છે, વાક્યો ટૂંકાવે છે અને બદલે છે; તે કઈ ક્ષણે ખોવાઈ ગયું હોવાનું કહેવાય છે, તે ચકાસી શકાય નહીં.

મજબૂત પ્રોમ્પ્ટ: "આ ટ્રાન્સક્રિપ્ટમાંથી 8 ક્વોટ ઉમેદવારોને બરાબર કાઢો (શબ્દ માટે શબ્દ), દરેકમાં ટાઇમસ્ટેમ્પ અને સ્પીકર ઉમેરો, તેમાંથી કોઈપણને સુધારશો નહીં અથવા ટૂંકો કરશો નહીં. અસ્પષ્ટ લોકોની એક અલગ સૂચિ બનાવો જેથી હું તેમને રેકોર્ડિંગમાંથી સાંભળી શકું."

તફાવત: સ્ટ્રોંગ પ્રોમ્પ્ટ ક્વોટમાં ફેરફાર કરવા પર પ્રતિબંધ મૂકે છે, તેને ટાઇમસ્ટેમ્પ દ્વારા ચકાસી શકાય છે અને અસ્પષ્ટને અલગ કરે છે; પત્રકાર દરેક અવતરણને અવાજ દ્વારા ચકાસી શકે છે.

સરખામણી ચાર્ટ

લક્ષણ

તે શું કરે છે?

ચકાસણી અસર

સ્વચાલિત ડિક્રિપ્શન (ASR)

ઑડિયોને ટેક્સ્ટમાં કન્વર્ટ કરે છે

કાચો ડ્રાફ્ટ; બધાને પુષ્ટિની જરૂર છે

ટાઇમસ્ટેમ્પ

વાક્યની મિનિટ પરત કરે છે

ક્વોટ ઝડપથી શોધો અને સાંભળો

સ્પીકર અલગ

કોણ કહે છે તે અલગ કરે છે

ખોટા એટ્રિબ્યુશનને અટકાવે છે (પુષ્ટિ જરૂરી)

આપોઆપ સારાંશ

ડ્રાફ્ટ થીમ્સ

તે દિશા આપે છે; અવતરણ બદલાતું નથી

સ્વચાલિત અનુવાદ (ઓવર-ટ્રાન્સક્રિપ્શન)

વિદેશી રેકોર્ડનું ભાષાંતર કરે છે

ડબલ ફોલ્ટનું જોખમ; ડબલ ચકાસણી

સામાન્ય ભૂલો

• તેને સાંભળ્યા વિના અવતરણ પોસ્ટ કરવું. ટ્રાંસ્ક્રિપ્શનમાં વાક્ય સાચું છે તે વિચારીને અને અવતરણ ચિહ્નોમાં તેનો ઉપયોગ કરવો; એક શબ્દની ભૂલ અર્થને ઉલટાવી શકે છે.
• વિશ્વાસપાત્ર નામ અને નંબર. ભૂલો કે યોગ્ય નામો, સંસ્થાઓ અને સંખ્યાઓ એવી જગ્યાઓ છે જ્યાં ભૂલો સૌથી વધુ થાય છે.
• AI પાસે ક્વોટ "સાચો" છે. તેને વધુ પ્રવાહી બનાવવા માટે વાક્ય બદલવું; અવતરણ શબ્દશઃ હોવું આવશ્યક છે, સુધારાઓ ચોરસ કૌંસમાં સૂચવવામાં આવે છે.
• સંવેદનશીલ રેકોર્ડ આડેધડ લોડ કરી રહ્યું છે. રેકોર્ડિંગને અનિયંત્રિત વાહનને મોકલવું જે સ્ત્રોતને દૂર કરે છે અથવા પરવાનગી વિના.
• વક્તા ભેદભાવમાં આંધળો વિશ્વાસ. AI બે લોકોને મૂંઝવી શકે છે; ઑડિયોમાંથી નિર્ણાયક એટ્રિબ્યુશન ચકાસો.

ટ્રાંસ્ક્રિપ્શન ગુણવત્તા સુધારવા માટે વ્યવહારુ ટીપ્સ

ટ્રાંસ્ક્રિપ્શનની ચોકસાઈ કામની શરૂઆતમાં, રેકોર્ડિંગ સમયે નક્કી કરવામાં આવે છે. રિપોર્ટર જે ફિલ્ડમાં જાય છે તે AI નું કામ સરળ બનાવી શકે છે અને થોડી સરળ આદતો વડે વેરિફિકેશનનો બોજ ઘટાડી શકે છે. માઇક્રોફોનને સ્પીકરની નજીક ખસેડવાથી અને પવન/ટ્રાફિક જેવા પૃષ્ઠભૂમિ અવાજને ઘટાડવાથી ભૂલ દર નોંધપાત્ર રીતે ઘટાડે છે. સ્પીકર્સને વળાંક લેવાનું કહેવું ઓવરલેપિંગ સ્પીચ (ટ્રાન્સક્રિપ્શનનું સૌથી નબળું બિંદુ) અટકાવે છે. ઇન્ટરવ્યુની શરૂઆતમાં સ્પીકરને તેનું નામ અને શીર્ષક કહેવાથી સ્પીકરની ઓળખ અને બાદમાં એટ્રિબ્યુશન બંને સરળ બને છે. જો કોઈ ટેકનિકલ વિષય પર ચર્ચા કરવાની હોય, તો વારંવાર ઉપયોગમાં લેવાતા સામાન્ય નામો અને શબ્દોની યાદી બનાવવાથી તમને ટ્રાંસ્ક્રિપ્શનમાં સૌથી વધુ સંભવિત ભૂલો અગાઉથી જાણવા મળશે; જ્યારે તમે રેકોર્ડિંગમાં આ શબ્દો સાંભળો છો, ત્યારે તમે પહેલા તેને તપાસો છો.

બીજી પ્રેક્ટિસ: ટ્રાંસ્ક્રિપ્ટને તેના કાચા સ્વરૂપમાં આર્કાઇવ કરો અને સુધારેલ સંસ્કરણને અલગથી રાખો. વાંધો અથવા કાનૂની પ્રક્રિયાના કિસ્સામાં, કયો શબ્દ સુધારવામાં આવ્યો હતો તે બતાવવામાં સક્ષમ હોવું, ક્યારે અને કેવી રીતે પત્રકારનું રક્ષણ કરે છે. ઉપરાંત, તમે ચકાસો છો તે દરેક ક્વોટની બાજુમાં ટાઈમસ્ટેમ્પની નોંધ લેવાથી જ્યારે તમારે મહિનાઓ પછી તે ક્વોટ પર પાછા જવાની જરૂર હોય ત્યારે તમને શોધવાના કલાકો બચશે. એકવાર ટ્રાંસ્ક્રિપ્ટ સાફ થઈ જાય અને ટાઈમસ્ટેમ્પ સાથે ગોઠવાઈ જાય, પછી તમે સમાચાર વાર્તા, કૉલમ અને આગામી ફોલો-અપ વાર્તા બંને માટે એક જ રેકોર્ડિંગનો સુરક્ષિત રીતે ઉપયોગ કરી શકો છો.

સારાંશમાં

સ્વચાલિત ટ્રાન્સક્રિપ્શન એ એક શક્તિશાળી પ્રવેગક છે જે ઑડિઓ કાચી સામગ્રીને કલાકોથી મિનિટ સુધી ઘટાડે છે; ટાઇમસ્ટેમ્પ અને સ્પીકરનું વિભાજન ચકાસણીને સરળ બનાવે છે. પરંતુ ટ્રાંસ્ક્રિપ્શન એ બ્લુપ્રિન્ટ છે: નામો, સંખ્યાઓ, શબ્દકોષ અને ઓવરલેપિંગ ભાષણ ઘણીવાર ખોટું થાય છે. સમાચારમાં સમાવિષ્ટ દરેક અવતરણ રેકોર્ડિંગ શબ્દશઃ સાંભળીને ચકાસવામાં આવે છે; AI દ્વારા અવતરણો સુધારી શકાતા નથી. સારાંશ અને થીમ નિષ્કર્ષણ અલગ કાર્યો છે અને માત્ર દિશા પ્રદાન કરે છે. સંવેદનશીલ રેકોર્ડ્સમાં, ગોપનીયતા અને સંમતિને શરૂઆતથી ધ્યાનમાં લેવામાં આવે છે.

એપ્લિકેશન કાર્ય

ઑડિઓ રેકોર્ડિંગ (તમારો પોતાનો ઇન્ટરવ્યુ અથવા જાહેર ભાષણ) ઑટોમૅટિક રીતે ટ્રાન્સક્રાઇબ કરો. "ક્વોટ ઉમેદવાર દૂર કરવા" પ્રોમ્પ્ટ સાથે 8 ઉમેદવારોને પુનઃપ્રાપ્ત કરો; ટાઇમસ્ટેમ્પમાંથી દરેકને સાંભળો અને માર્ક કરો કે તે બરાબર છે કે નહીં. નોંધ કરો કે કેટલા અવતરણોમાં ભૂલો છે (ખાસ કરીને નામ/નંબર) અને તેને સુધારવામાં કેટલો સમય લાગે છે.

ચેકલિસ્ટ

• [ ] હું ટ્રાન્સક્રિપ્ટને કાચો ડ્રાફ્ટ માનું છું; હું તેમને સાંભળ્યા વિના કોઈપણ અવતરણ પ્રકાશિત કરતો નથી.
• [ ] હું પહેલા રેકોર્ડમાંથી વ્યક્તિગત નામો, સંસ્થાઓ અને નંબરોની પુષ્ટિ કરું છું.
• [ ] અવતરણને સુધારતું નથી; હું ચોરસ કૌંસ સાથે ફેરફારો સૂચવે છે.
• [ ] હું ચકાસણી માટે ટાઇમસ્ટેમ્પ અને સ્પીકર ભેદનો ઉપયોગ કરું છું.
• [ ] હું રેકોર્ડ્સમાં સુરક્ષિત વાહન અને પરવાનગીની સ્થિતિ તપાસું છું જે સંવેદનશીલ અથવા અધિકૃત હોવા જરૂરી છે.