会議をテキストにデコードする

文字起こし - 長い録音を解読してテキストに変換します。内部では、モデルは単語を認識するだけでなく、話者の分離 (ダイアライゼーション) や時制の整理も試みます。精度は 3 つの要素に左右されます。馴染みのない名前や用語、重複した音声 (相互に中断)、強いアクセントやノイズです。したがって、レバレッジがかかります。最初の、そして最も過小評価されている方法は、事前にモデルに用語集、つまり参加者名、肩書、略語のリストを与えることです。事前に「提示された」単語は、最初から推測した単語よりも著しく正確に認識されます。 2 番目に、適切な瞬間をすぐに見つけられるように、発言者ごとに時間ごとにマークを付けてもらいます。プロのトリック: エントリが重要な場合は、不確かな場所を括弧または記号でマークするように依頼します。こうすることで、滑らかではあるが間違いがある可能性のあるテキストを信頼する代わりに、再確認すべき内容がすぐにわかります。関係者: 文字起こしの品質の 80% は、入力サウンドの品質によって決まります。テーブルの中央にある 1 つの優れたマイクは、どの後処理よりも優れています。典型的な初心者の間違いは、2 時間の録画を名前もコンテキストも何もせずに投稿し、その後、数十のエラーを手動で削除することです。