บทความ
การชะลอเสียงสำหรับการถอดความ
ผู้พูดเร็ว สำเนียงที่ไม่คุ้นเคย และเสียงหลายคนซ้อนทับกันเป็นสามสาเหตุหลักที่ทำให้การถอดความหยุดชะงัก การชะลอการบันทึกลงให้เวลาเพื่อจับสิ่งที่พูด ข้อจำกัดคือการชะลอการเล่นแบบง่ายยังลดระดับเสียงของทุกเสียง ซึ่งทำให้การพูดยากต่อการติดตามมากกว่าง่ายขึ้น บทความนี้อธิบายความแตกต่างระหว่างการลดความเร็วแบบง่ายและการยืดเวลาที่รักษาระดับเสียง และครอบคลุมช่วงการใช้งานจริงที่ช่วยได้จริง
เหตุใดการชะลอลงจึงช่วย
การพูดของมนุษย์บรรจุข้อมูลจำนวนมากในช่วงเวลาสั้น ผู้พูดเร็วสามารถพูดได้ 200 คำต่อนาทีหรือมากกว่า และในอัตรานั้น หูมีเวลาน้อยมากในการแยกแยะเสียงสระแต่ละเสียงก่อนที่พยางค์ถัดไปจะมาถึง การชะลอเสียงให้สมองมีเวลาประมวลผลต่อพยางค์มากขึ้น ซึ่งสำคัญที่สุดในสามสถานการณ์: ผู้พูดที่มีสำเนียงไม่คุ้นเคยซึ่งการจับคู่เสียงแตกต่างจากที่คาดหวัง ตอนทางเทคนิคที่หนาแน่นซึ่งทุกคำมีความหมายและการฟังผิดหนึ่งครั้งให้ผลเป็นคำที่ผิด และการบันทึกที่มีเสียงสองคนหรือมากกว่าซ้อนทับกันซึ่งหูต้องติดตามกระแสแยกกันพร้อมกัน ในทั้งสามกรณี เป้าหมายไม่ใช่การได้ยินสิ่งที่ไม่มีอยู่ แต่เพื่อให้ตัวเองมีเวลาพอที่จะได้ยินอย่างแม่นยำสิ่งที่ถูกบันทึกไว้แล้ว อัตราการเล่น 0.75x มักเพียงพอสำหรับสำเนียงหรือตอนที่หนาแน่น อัตรา 0.5x มีประโยชน์สำหรับส่วนสั้นที่รอบแรกๆ ยังไม่สามารถแยกแยะคำได้
ความเร็วและระดับเสียง: เหตุใดการชะลอแบบง่ายจึงไม่ได้ผล
วิธีที่ง่ายที่สุดในการชะลอเสียงคือการเล่นตัวอย่างในอัตราที่ต่ำกว่าที่บันทึกไว้ นี่คือวิธีที่เครื่องเล่นเทปเก่าชะลอลง: หมุนเทปช้าลงและทั้งระยะเวลาและระดับเสียงลดลงพร้อมกัน ที่ 0.75x เสียงจะลดลงประมาณหนึ่งเทิร์ดไมเนอร์ ที่ 0.5x จะลดลงหนึ่งอ็อกเทฟเต็ม ผลลัพธ์คือการบิดเบือนแบบช้าและต่ำที่คุ้นเคยซึ่งทำให้การพูดฟังดูไม่เป็นธรรมชาติและขัดแย้งกันคือเข้าใจยากขึ้นเพราะความถี่ฟอร์แมนท์ที่แยกแยะสระทั้งหมดเลื่อนลง วิธีที่ถูกต้องคือการยืดเวลา: การเปลี่ยนระยะเวลาของเสียงโดยไม่เปลี่ยนความถี่ ระดับเสียงของทุกเสียงยังคงเดิม เฉพาะอัตราที่พยางค์มาถึงเท่านั้นที่เปลี่ยน นี่คือวิธีการที่ใช้โดยเครื่องมือ audio-speed และโดยซอฟต์แวร์ถอดความเฉพาะทางส่วนใหญ่ ผลการรับรู้คือการบันทึกที่ชะลอลงฟังดูเหมือนผู้พูดคนเดียวกันพูดในจังหวะที่ช้าลง ซึ่งเป็นสิ่งที่คุณต้องการเมื่อเป้าหมายคือการถอดความที่แม่นยำ
วิธีการยืดเวลา: แนวทาง atempo
อัลกอริทึมที่ใช้กันอย่างแพร่หลายที่สุดสำหรับการยืดเวลาในเครื่องมือเสียงจริงอิงบนการพาดพิงของเฟส และการนำไปใช้งานทั่วไปใน ffmpeg คือฟิลเตอร์ atempo เสียงอินพุตถูกแบ่งออกเป็นเฟรมสั้นที่ซ้อนทับกัน โดยทั่วไป 20 ถึง 40 มิลลิวินาทีแต่ละเฟรม อัลกอริทึมวิเคราะห์ความสัมพันธ์เฟสระหว่างเฟรมที่อยู่ติดกัน จากนั้นสังเคราะห์เฟรมใหม่ในอัตราที่ปรับเปลี่ยนในขณะที่ปรับเฟสเพื่อให้เฟรมต่อเนื่องจัดแนวอย่างถูกต้อง ผลลัพธ์คือสัญญาณออกต่อเนื่องที่ระยะเวลาเปลี่ยนแปลงแต่เนื้อหาความถี่ไม่เปลี่ยน เนื่องจากเฟรมสั้นเมื่อเทียบกับช่วงระดับเสียงทั่วไปของเสียงมนุษย์ ความถี่พื้นฐานของการพูดจึงได้รับการรักษาตลอดการยืด ผลข้างเคียงหนึ่งของอัลกอริทึมคือชั่วคราวที่รวดเร็ว เช่น เสียงคลิกของพยัญชนะ อาจพร่ามัวเล็กน้อยเมื่อการยืดมาก เพราะการสังเคราะห์แบบซ้อนเฟรมทำให้เกิดการเฉลี่ยเล็กน้อย นี่ไม่ใช่ข้อบกพร่องในการนำไปใช้งาน แต่เป็นคุณสมบัติที่มีอยู่ในตัวของตระกูลอัลกอริทึม overlap-add
ช่วงความเร็วที่ใช้งานได้จริงและข้อจำกัดด้านคุณภาพ
สำหรับงานถอดความ ค่าความเร็วสองค่าครอบคลุมความต้องการปฏิบัติส่วนใหญ่ ที่ 0.75x การพูดจะยืดออกเป็น 133% ของระยะเวลาเดิม กลุ่มพยัญชนะและการเปลี่ยนสระที่รวดเร็วแยกแยะได้ง่ายขึ้น และการเปลี่ยนแปลงเล็กพอที่อัลกอริทึมแนะนำรอยประดิษฐ์ที่รับรู้ได้น้อยมาก ผู้ฟังส่วนใหญ่ติดตามการพูดที่อัตรานี้ได้โดยไม่สูญเสียจังหวะธรรมชาติของประโยค ที่ 0.5x เสียงจะยืดเป็นสองเท่าของความยาวเดิม มีประโยชน์สำหรับประโยคเดียวหรือตอนสั้นที่ยาก แต่ช้าเกินไปสำหรับการฟังต่อเนื่องหลายนาที ความเข้มข้นลดลงก่อนที่คำจะแยกแยะได้ ต่ำกว่า 0.5x คุณภาพของผลลัพธ์ลดลงอย่างเห็นได้ชัด การสังเคราะห์แบบ overlap-add เริ่มแนะนำการสั่นหรือความเป็นเฟสบนสระยาว และสัญญาณเวลาระหว่างพยัญชนะและสระที่ส่งโปรโซดีบิดเบือน ฟิลเตอร์ atempo ใน ffmpeg กำหนดขั้นต่ำ 0.5x สำหรับการผ่านเดียว ซึ่งสะท้อนข้อจำกัดคุณภาพนี้ ค่าต่ำกว่า 0.5x ต้องเชื่อมโยงสองการผ่าน และระดับรอยประดิษฐ์จะเพิ่มขึ้นตามลำดับ สำหรับกรณีการใช้งานการถอดความเกือบทั้งหมด การอยู่ที่ 0.75x หรืออย่างมาก 0.5x สำหรับส่วนสั้นจะให้ผลลัพธ์ที่สะอาดและใช้ได้
ทำในเครื่องด้วยเครื่องมือ audio-speed
เครื่องมือ audio-speed บนไซต์นี้ทำงานทั้งหมดในเบราว์เซอร์โดยใช้ ffmpeg ที่คอมไพล์เป็น WebAssembly คุณวางไฟล์เสียงบนหน้า ตั้งตัวคูณความเร็ว และการประมวลผลเกิดขึ้นบนอุปกรณ์ของคุณ การบันทึกไม่ออกจากเครื่องของคุณในทุกจุด ไม่มีการอัปโหลด ไม่มีเซิร์ฟเวอร์ ไม่มีบริการของบุคคลที่สาม นี่มีความสำคัญสำหรับการสนทนาที่บันทึก การสัมภาษณ์ การบอกเล่าทางการแพทย์ การดำเนินคดีทางกฎหมาย และบริบทอื่นใดที่เนื้อหาของเสียงมีความละเอียดอ่อน เครื่องมือรับรูปแบบเสียงทั่วไปที่ ffmpeg จัดการ รวมถึง MP3, WAV, M4A, OGG และ FLAC ผลลัพธ์คือไฟล์ที่ดาวน์โหลดได้ที่ความเร็วที่คุณเลือก เนื่องจากการประมวลผลทำในเครื่อง เวลาที่ใช้ขึ้นอยู่กับความยาวของไฟล์และความเร็วของอุปกรณ์ของคุณ เสียงสองสามนาทีมักประมวลผลในเวลาน้อยกว่าหนึ่งนาทีบนแล็ปท็อปสมัยใหม่ เครื่องมือใช้ฟิลเตอร์ atempo เดียวกันที่อธิบายในบทความนี้ ดังนั้นลักษณะคุณภาพที่อธิบายด้านบนจึงใช้กับสิ่งที่คุณจะได้ยินในผลลัพธ์โดยตรง
เครื่องมือที่กล่าวถึงในบทความนี้
คำถามที่พบบ่อย
การชะลอเสียงจะเปลี่ยนระดับเสียงด้วยหรือไม่?
ขึ้นอยู่กับวิธีการ การลดอัตราการเล่นแบบง่ายจะเปลี่ยนระดับเสียง: ที่ 0.5x เสียงจะลดลงหนึ่งอ็อกเทฟเต็ม เครื่องมือ audio-speed ใช้การยืดเวลา (ฟิลเตอร์ atempo) ซึ่งเปลี่ยนระยะเวลาโดยไม่เปลี่ยนระดับเสียง ดังนั้นเสียงจึงอยู่ที่ความถี่เดิม
ความเร็วที่ช้าที่สุดที่ยังฟังดูสะอาดคือเท่าไร?
ที่ 0.75x ผลลัพธ์สะอาดสำหรับการบันทึกส่วนใหญ่ ที่ 0.5x ยอมรับได้สำหรับตอนสั้น ต่ำกว่า 0.5x อัลกอริทึม overlap-add เริ่มแนะนำรอยประดิษฐ์ที่ได้ยินได้บนสระยาวและการเปลี่ยนพยัญชนะ สำหรับงานถอดความ การอยู่ที่หรือเหนือ 0.5x ให้ผลลัพธ์ที่ดีที่สุด
ไฟล์ถูกอัปโหลดเมื่อใช้เครื่องมือ audio-speed หรือไม่?
ไม่ เครื่องมือ audio-speed ทำงานทั้งหมดในเบราว์เซอร์ ไฟล์ถูกประมวลผลในเครื่องบนอุปกรณ์ของคุณโดยใช้ WebAssembly ไม่มีอะไรถูกส่งไปยังเซิร์ฟเวอร์ใด ดังนั้นเนื้อหาการบันทึกของคุณจึงยังคงเป็นส่วนตัว