W czym chatbot jest dobry

Niektóre chatboty przyjmują plik audio. Wgraj dwuminutową notatkę głosową z jednym wyraźnym głosem, a możesz dostać użyteczny tekst. Chatboty świetnie radzą sobie też z tym, co następuje po transkrypcji: mając tekst, potrafią go streścić, wyciągnąć zadania do wykonania albo zamienić w e-mail. Jeśli nagranie jest krótkie, a potrzebujesz tylko ogólnej treści, to może Ci wystarczyć.

Gdzie się to psuje

  • Limity przesyłania. Chatboty przyjmujące audio ograniczają rozmiar i długość pliku, a niektóre w ogóle nie obsługują audio. Długie nagranie często trzeba pociąć na kawałki i wgrywać po jednym.
  • Skrócony tekst. Okno czatu jest stworzone do udzielania odpowiedzi, a nie do oddawania czterdziestu stron. Przy długim nagraniu chatbot ma tendencję do streszczania, pomijania fragmentów albo urywania w połowie.
  • Brak niezawodnych mówców. W wywiadzie czy na spotkaniu musisz wiedzieć, kto co powiedział. Chatboty nie oznaczają zmian mówców w sposób niezawodny, więc każdą zmianę głosu musisz sprawdzać w nagraniu.
  • Brak niezawodnych znaczników czasu. Bez czasu każdej linijki nie wrócisz do nagrania, żeby sprawdzić cytat.
  • Brak pliku do dalszej pracy. Dostajesz tekst w czacie, a nie dokument, który możesz komuś przekazać.

Skrócony tekst najtrudniej zauważyć. Streszczona transkrypcja czyta się płynnie, więc nic nie wskazuje na to, że brakuje dziesięciu minut ze środka.

Dlaczego tak się dzieje

Zamiana mowy na tekst wymaga modelu rozpoznawania mowy i realnego czasu przetwarzania nagrania. Ogólny chatbot jest skonfigurowany tak, by odpowiadać na wiadomość w granicach tego, ile może przyjąć i ile może napisać w odpowiedzi. Długie nagranie przekracza jedno i drugie.

Stronę wyjściową łatwo nie docenić. W naszym teście czterech długich zleceń przetłumaczenie 85-minutowego pliku z napisami, liczącego 1200 linii, zajęło każdemu modelowi od 38 000 do 56 000 tokenów wyjściowych. Pełna transkrypcja dwugodzinnego nagrania to odpowiedź o podobnej wielkości. Czy dotrze w jednym kawałku, zależy od tego, ile aplikacja pozwala zmieścić w jednej odpowiedzi.

Wyspecjalizowane narzędzie do zamiany mowy na tekst jest zbudowane odwrotnie: przetwarza cały plik w częściach, zachowuje czas każdego akapitu i zapisuje wynik jako dokument, który możesz edytować i eksportować.

Jak sprawdzić to samemu

Weź nagranie, które znasz, trwające co najmniej dwadzieścia minut, w którym rozmawiają dwie osoby.

  1. Poproś chatbota o transkrypcję słowo w słowo, ze znacznikami czasu.
  2. Zwróć uwagę, czy przesłanie pliku w ogóle zostanie przyjęte.
  3. Znajdź zdanie, które pamiętasz z okolic końca, i wyszukaj je w wyniku.
  4. Porównaj liczbę słów z przybliżonym szacunkiem: większość ludzi mówi około 130–160 słów na minutę.

Jeśli późniejsze zdanie jest na miejscu, a liczba słów mieści się w przedziale, Twoje nagranie należy do łatwej kategorii. Jeśli ku końcowi tekst się przerzedza, masz streszczenie, a nie transkrypcję.

Czego użyć zamiast tego

Użyj narzędzia stworzonego do długich nagrań. Nasze narzędzie Długie nagrania audio i wideo na tekst dzieli nagranie na części, każdą część transkrybuje w całości ze znacznikami czasu i łączy je w odpowiedniej kolejności. Przyjmuje pliki audio i wideo do 2 GB i 6 godzin, zapisuje każdą część w języku, w którym mówiono, i może dodać tłumaczenie pod każdym akapitem. Pobierasz plik TXT lub Word. Gotowy przykład znajdziesz w wersji demo.

Pierwsza część jest za darmo, bez rejestracji. Całe nagranie kosztuje $5, jednorazowa płatność, bez subskrypcji. Unlimited kosztuje $19 tygodniowo (odnawia się co tydzień, możesz zrezygnować w dowolnej chwili), obejmuje wszystkie narzędzia w serwisie i obsługuje nagrania do 12 godzin w jednym zleceniu.

Jeśli nagrania to wiadomości głosowe w czacie WhatsApp, użyj zamiast tego narzędzia Czat WhatsApp do PDF: transkrybuje każdą wiadomość głosową w miejscu, w którym została wysłana w rozmowie.