Як зробити транскрипцію інтерв'ю: розшифровка з мітками спікерів, готова до цитування

Транскрипція інтерв'ю зводиться, по суті, до трьох речей: текст має бути точним, має показувати, хто сказав кожен рядок, і має цитуватися як є. Чи то якісне дослідження, інтерв'ю з користувачами в UX, журналістика, чи просто студентська робота на здачу — вам потрібне не грубе наближення, а текст, який можна кодувати рядок за рядком і цитувати напряму в статтю чи матеріал.

Є три основні підходи: набирати все вручну, безкоштовні інструменти автосубтитрів і розпізнавання мовлення за допомогою ШІ. Цей гайд пояснює переваги й обмеження кожного, а потім показує, як я скористався б режимом транскрипції Subanana, щоб перетворити запис інтерв'ю на розшифровку з мітками спікерів, пунктуацією та абзацами — щоб подальше ручне доопрацювання було якомога меншим. Якщо коротко: транскрипція за допомогою ШІ бере на себе приблизно дев'ять десятих рутинної роботи, а вам лишається одна фінальна вичитка.

Чим розшифровка інтерв'ю відрізняється від субтитрів?

Багато хто, беручись за інструмент уперше, сприймає «субтитри» і «транскрипцію» як одне й те саме — і зрештою отримує файл, яким не може скористатися. Це два різні результати:

• Субтитри створені, щоб їх читали на екрані поверх відео: порізані на короткі рядки з таймкодами, традиційно без пунктуації, та експортовані як SRT або VTT.
• Транскрипція створена, щоб її читала людина: їй потрібні пунктуація, абзаци та мітки спікерів, щоб ви могли прочитати її від початку до кінця, робити позначки й витягувати цитати.

Розшифровка інтерв'ю — це другий тип. Тож якщо ви оберете в інструменті неправильний режим — проженете інтерв'ю через процес створення субтитрів — ви отримаєте стіну з коротких фрагментів із таймкодами й без пунктуації, з якими насправді працювати важче. Саме тому цей гайд раз у раз наголошує: обирайте режим транскрипції.

Переваги й обмеження трьох підходів

Підхід 1: ручна розшифровка

Найтрадиційніший метод і той, що дає найвищий рівень точності — ви слухаєте й набираєте самі, рядок за рядком.

• Плюс: ви контролюєте кожне слово. Тон, паузи, накладання реплік — ви можете позначити все саме так, як цього вимагає ваше дослідження.
• Обмеження: це вкрай повільно. Поширене галузеве правило свідчить, що одна година аудіо потребує від чотирьох до шести годин набору, а з кількома спікерами, сильними акцентами чи поганою якістю запису — ще повільніше. Для репортера в умовах дедлайну чи дослідника, який веде кілька інтерв'ю одночасно, ці витрати часу часто перевищують доступний бюджет.

Підхід 2: безкоштовні інструменти автосубтитрів

Багато безкоштовних інструментів — автосубтитри на відеоплатформах, онлайн-сайти для розшифровки — швидко генерують текст.

• Плюс: швидко, безкоштовно, почати дуже легко.
• Обмеження: на мовленні з акцентом і менш поширених мовах частота помилок помітно вища; більшість не розділяє спікерів, тож усе інтерв'ю зливається, і ви не можете розрізнити, хто сказав який рядок; і вони зазвичай не додають ні пунктуації, ні абзаців, тому текст читається як суцільна стіна. Для короткого англомовного кліпу — нормально, але для інтерв'ю, яке ви плануєте цитувати, потім нерідко доводиться витрачати чимало часу на його переструктурування.

Підхід 3: інструменти розпізнавання мовлення на основі ШІ

Якщо ваша мета — щоб транскрипція була читабельною та готовою до цитування одразу, щойно ви її отримаєте, транскрипція за допомогою ШІ — це наразі найпрактичніша золота середина. Інструмент розшифровує аудіо за допомогою моделі розпізнавання мовлення, додає пунктуацію, абзаци та визначення спікерів, а потім дає вам вичитати текст у редакторі.

• Плюс: набагато швидше, ніж набір вручну; точніше за безкоштовні інструменти, до того ж воно розділяє спікерів і автоматично додає пунктуацію та абзаци.
• Що варто врахувати (і сказати про це чесно): транскрипція за допомогою ШІ не замінює фінальну вичитку. Перш ніж цитувати когось дослівно, вам усе одно варто перевірити текст вручну — звірити імена, власні назви та ключові числа. Висока точність — це не нуль помилок, і що більше важить цитата, то більше вона варта перевірки.

Наступний розділ показує, як я пройшов би третім шляхом разом із Subanana.

Як перетворити аудіо інтерв'ю на транскрипцію за допомогою Subanana?

Оскільки я керую Subanana, скористаюся ним, щоб пройти весь процес. Там, де він доводить свою цінність для розшифровки інтерв'ю, це багатомовна точність, визначення спікерів (діаризація), автоматичне прибирання слів-паразитів та автоматична пунктуація й поділ на абзаци.

Вирішальний перший крок — обрати правильний режим. У Subanana є режим субтитрів, режим транскрипції та режим зустрічей — для розшифровки інтерв'ю вам потрібен режим транскрипції, бо саме він додає пунктуацію, ділить текст на абзаци за змістом і дає на виході щось читабельне. Режим субтитрів дає лише короткі рядки субтитрів із таймкодами. Процес складається з чотирьох кроків:

1. Імпортуйте запис. Завантажте аудіо- чи відеофайл інтерв'ю (.mp4 / .mov / .webm / .ogg) або вставте публічне посилання YouTube / Instagram / Facebook, щоб імпортувати його напряму. Якщо інтерв'ю за приватним посиланням або з обмеженим доступом, скористайтеся натомість завантаженням файлу.
2. Оберіть режим транскрипції та вкажіть мову оригіналу. Перейдіть у режим транскрипції й оберіть мову запису. Subanana підтримує понад 80 мов, тож більшість записів інтерв'ю можна обробити. Поставте кількість спікерів на автовизначення (або введіть число вручну) та увімкніть автоматичну пунктуацію й поділ на абзаци.
3. Вичитайте та позначте спікерів. Коли транскрипція завершиться, ви потрапите в редактор. Система розділяє різні голоси на Спікер 1, Спікер 2 і так далі, прибирає слова-паразити («е-е», «ну, знаєш») та впорядковує текст. Звідси ви можете:
   • Перейменувати спікерів: змініть Спікер 1 на «Інтерв'юер», а Спікер 2 на «Учасник А», і вся транскрипція оновлюється синхронно — зручно, щоб пізніше цитувати й анотувати рядок за рядком.
   • Виправити неправильно розпізнані слова: клацніть будь-яке слово й відредагуйте його напряму. Для слів, які найімовірніше будуть помилковими — імена людей, назви організацій, технічні терміни — спершу створіть глосарій, і система віддаватиме перевагу вашим написанням під час розшифровки.
   • Поспілкуватися з транскрипцією: у редакторі ви можете запитати ШІ напряму — «де Учасник А згадує X?» або «виокреми три ключові аргументи» — це дуже економить час на довгому інтерв'ю.
4. Експортуйте. Оберіть потрібний формат. Для транскрипцій найпоширеніші варіанти — DOCX (Word, готовий до редагування) або TXT (щоб перенести в Obsidian, Notion чи інший застосунок для нотаток); для цитування, кодування чи анотування XLSX розкладає таймкоди, спікера й текст у вигляді таблиці. VTT, SRT і Markdown також підтримуються.

Щойно ви вичитали й експортували, розшифровка інтерв'ю одразу лягає у вашу роботу, статтю чи аналіз. Щоб зрозуміти, як влаштовані режими, дивіться Субтитрування й транскрипція за допомогою ШІ та Транскрипція зустрічей за допомогою ШІ.

А що, як інтерв'ю багатомовне або з акцентом?

Саме тут інструменти загального призначення для роботи з мовленням зазвичай найслабші — на мовленні з акцентом і мовах поза звичним невеликим набором навколо англійської. Під час вибору інструмента варто перевірити дві речі:

• Точність між мовами: Subanana постійно порівнює доступні моделі розпізнавання мовлення й обирає найефективнішу для кожної мови оригіналу, замість того щоб прив'язуватися до одного постачальника. А якщо транскрипція виходить невдалою, вона автоматично перезапускається на іншій моделі — перезапуск, який не коштує вам жодної додаткової хвилини.
• Переклад транскрипції: інтерв'ю може бути записане однією мовою, тоді як транскрипція потрібна вам іншою. Режим транскрипції підтримує одну мову перекладу, тож ви можете розшифрувати мовою оригіналу й перекласти однією іншою мовою за той самий прохід.

Варто зазначити одне обмеження: перемикання мови посеред речення — коли спікер переходить з однієї мови на іншу в межах одного речення, а інструмент розпізнає це перемикання в реальному часі — це сильний бік функції живих субтитрів Subanana, а не режиму транскрипції. Для розшифровки інтерв'ю ви спираєтеся на багатомовну точність і визначення спікерів, а не на перемикання мови всередині речення в реальному часі. Якщо вам потрібні живі субтитри на справжньому заході, дивіться Транскрипцію в реальному часі за допомогою ШІ.

Поширені запитання про транскрипцію інтерв'ю

Чи може безкоштовний тариф створити повну розшифровку інтерв'ю? Ви можете обробити запис і переглянути результат, але експорт — це платний крок. Безкоштовний тариф не підтримує завантаження файлів субтитрів чи транскрипції, і ви також не можете виділити й скопіювати текст у редакторі — єдиний результат це відео з водяним знаком, лише перші 5 хвилин, у 720p, з обмеженням 3 ГБ на файл. Щоб експортувати придатні файли транскрипції (DOCX / TXT / XLSX), потрібен платний тариф (який також підвищує обмеження на файл до 15 ГБ / 3 годин). Деталі дивіться на сторінці цін.

Чи розрізняє воно, хто що сказав в інтерв'ю з кількома спікерами? Так. Режим транскрипції підтримує визначення спікерів — він автоматично розділяє Спікер 1, Спікер 2 і так далі, а ви можете перейменувати їх відповідно до реальних ролей (Інтерв'юер, Учасник А) у редакторі, причому вся транскрипція оновлюється синхронно.

Чи можу я цитувати транскрипцію від ШІ напряму? Я спершу вичитав би текст вручну. Транскрипція за допомогою ШІ опрацьовує переважну більшість тексту й поділ на абзаци, але місця, де помилкове слово справді має значення — імена, власні назви, ключові числа — варто перевіряти рядок за рядком, особливо в уривках, де ви цитуватимете учасника дослівно. 3 поради щодо транскрипції за допомогою ШІ пояснюють, як вичитувати ефективніше.

Чи працює довгий запис інтерв'ю (одна-дві години)? Так. Платні тарифи приймають до 15 ГБ / 3 годин на файл, що покриває більшість записів інтерв'ю. Для довгого інтерв'ю я спершу скористався б ШІ-чатом у редакторі, щоб знайти ключові уривки, а потім уважно вичитав би ті частини, які плануєте цитувати.