מ-MP3 לטקסט: כך מתמללים כל הקלטת MP3

MP3 הוא פורמט האודיו המוגדר כברירת מחדל כבר שני עשורים, ולכן המרת MP3 לטקסט היא אחד מצורכי התמלול הנפוצים ביותר, הרבה יותר מכל פורמט נישתי בודד. מקליטי קול שומרים כברירת מחדל בפורמט MP3. אפליקציות פודקאסטים מפיצות פרקים כקובצי MP3. Zoom,‏ Google Meet ורוב כלי הפגישות יכולים לייצא הקלטות אודיו בלבד כקובצי MP3. גם הקלטות ישנות מטלפונים, ראיונות מקלטות שעברו דיגיטציה ופרקים שהורדו מספרי שמע נשמרים לעיתים קרובות בפורמט MP3.

המגוון הזה הוא הסיבה שהמרת MP3 לטקסט אינה משימה אחת צרה. לסטודנט שממיר הקלטת הרצאה בת שעתיים יש צרכים שונים ממי שמתמלל תזכורת קולית בת חמש עשרה דקות, אף שבשני המקרים מדובר טכנית בהמרת הקלטה לטקסט. עיתונאי שמחלץ ציטוטים מראיון טלפוני מוקלט, מטפל שעובר על הקלטת פגישה ומייסד שחוזר לשיחת לקוח ישנה מתחילים כולם מאותו סוג קובץ ומחפשים את אותה תוצאה. המכנה המשותף בכל המקרים הוא החלפת קובץ שצריך להאזין לו עד סופו בטקסט שאפשר לסרוק, לחפש בו ולפעול על פיו, בתוך חלק קטן מהזמן.

השאלה המעשית אינה אם כלי מסוגל טכנית לקרוא קובץ ‎.mp3, כי כמעט כל כלי תמלול תומך בפורמט. השאלה היא אם הכלי מתמודד היטב עם האורך, האיכות ותמהיל הדוברים בהקלטה הספציפית שלכם, ומה הוא נותן לכם לאחר סיום ההמרה. כלי שמתמלל באופן מושלם קטע נקי בן חמש דקות עדיין עלול להתקשות בהרצאה בת תשעים דקות שהוקלטה במיקרופון זול, או בשיחה בין שלושה אנשים שמדברים זה על דברי זה.

כדאי גם לדעת שתמלול מקובץ הוא בעיה שונה מכתוביות בזמן אמת או מפקודות קוליות. המערכות האלה מעבדות דיבור בזמן אמת ואין להן הזדמנות לחזור למילה. בהמרה מקובץ, כל ההקלטה זמינה בבת אחת, ובין היתר משום כך תהליך תמלול שנבנה היטב יכול לזהות הקשר, לתקן את עצמו לפי אודיו מאוחר יותר ולהפיק תמליל מלוטש יותר מכל דבר שנוצר תוך כדי תנועה.

MP3 הוא פורמט דחוס, והדחיסה עלולה להשמיט פרטים מסוימים מהאודיו, אך בפועל יש לה הרבה פחות השפעה על דיוק תמלול MP3 משלושה גורמים אחרים.

הגורם הראשון הוא מקור ההקלטה. מקליט קול שמוחזק קרוב לדובר יחיד מפיק קובץ MP3 נקי, שרוב הכלים המודרניים מתמללים בדיוק של 95 אחוזים ומעלה. הקלטת פגישה קבוצתית בטלפון מעברו השני של שולחן, או קובץ MP3 של פודקאסט שבו מוזיקת רקע מעורבבת מתחת לדיאלוג, מתומללים בדיוק נמוך בהרבה. הסיבה אינה פורמט MP3 עצמו, אלא מה שנקלט מלכתחילה.

הגורם השני הוא קצב הסיביות. בקובץ MP3 עם קצב סיביות נמוך, הנפוץ במקליטי קול ישנים או בהורדות שעברו דחיסה כבדה, יש פחות פרטי אודיו מקובץ סטנדרטי של 128 עד 320 kbps. זיהוי דיבור עלול לאבד דיוק בקצוות הדחוסים של מילים כאשר קצב הסיביות נמוך מאוד. הדבר רלוונטי בעיקר לקבצים ישנים ולא להקלטות מהיום, מכיוון שרוב אפליקציות ההקלטה הנוכחיות משתמשות כברירת מחדל בקצב סיביות ששומר על הדיבור ברור.

הגורם השלישי הוא מספר הדוברים. תמלול של קריין או מרצה יחיד הוא פשוט יחסית. ראיון לפודקאסט או פגישה מרובת משתתפים מחייבים את כלי התמלול להפריד במדויק בין תורות הדיבור, וזו בעיה קשה יותר מתמלול בלבד ובה ניכר ההבדל הגדול ביותר באיכות בין הכלים.

גם תנאי הרקע חשובים, והם מצטברים להשפעת הגורמים שלמעלה ולא פועלים לבדם. להקלטת MP3 של הרצאה באולם גדול יש הד טבעי שאינו קיים בהקלטה בחדר משרד שקט. מיקרופון של מחשב נייד שמקליט פגישה קולט נקישות מקלדת, תזוזת כיסאות ורעש מהמסדרון מחוץ לחדר. אף אחד מהדברים האלה אינו ייחודי ל-MP3, הם משפיעים על כל פורמט אודיו, אך כדאי להבחין בינם לבין פורמט הקובץ כאשר מתקבל תמליל עם יותר שגיאות מהצפוי.

ברוב המקרים היומיומיים של תמלול MP3, אודיו נקי של דובר אחד או שניים בקצב סיביות רגיל מתומלל היטב ובאמינות כמעט בכל כלי נפוץ. ההבדלים מתגלים במקרים הקשים יותר: קבצים ארוכים, כמה דוברים או הקלטות רועשות. במקרים האלה כדאי לבדוק את הכלי עם האודיו שלכם במקום להסתמך על אחוז דיוק שמופיע בפרסום.

תוכנות רבות להמרת MP3 לטקסט מגבילות את כמות האודיו שאפשר לתמלל בבת אחת, לעיתים לשלושים דקות, לשעה או למכסת דקות חודשית קבועה במסלול החינמי. המגבלה הזאת היא בדרך כלל אמצעי תמחור ולא מגבלה טכנית אמיתית, מכיוון שלמודלים מודרניים של דיבור אין קושי משמעותי יותר לתמלל קובץ MP3 בן שלוש שעות מאשר קובץ בן עשר דקות.

המגבלה משמעותית יותר מכפי שנדמה, כי ההקלטות שאנשים הכי רוצים להמיר — הרצאות מלאות, פגישות ארוכות, ראיונות ממושכים ופרקים מלאים של פודקאסטים — הן בדיוק אלה שסביר שיעברו את מגבלת המסלול החינמי הקצר. מי שמחפש המרת MP3 לטקסט ללא הגבלה הוא בדרך כלל מי שכבר נתקל במגבלה באמצע קובץ אמיתי, ולא מי שמחפש באופן היפותטי.

כמה דברים שכדאי לבדוק לפני שמסתמכים על כלי כלשהו להמרת קובצי MP3 ארוכים:

• האם מגבלת האורך חלה על כל קובץ, על כל יום או על כל חודש, מכיוון שמכסה חודשית מתאפסת, אך עדיין עלולה לעצור אתכם באמצע פרויקט אם תמירו כמה הקלטות ארוכות באותו שבוע
• האם מגבלות ההעלאה נפרדות ממגבלות ההקלטה החיה, מכיוון שכלים מסוימים מגבילים את זמן ההקלטה החיה אך מאפשרים להעלות קבצים ארוכים יותר, או להפך
• האם המגבלה מוצגת בבירור לפני ההעלאה, מכיוון שגילוי מגבלה באמצע עיבוד של ראיון בן שעתיים מבזבז זמן יקר
• האם הגעה למגבלה באמצע העלאה עדיין מנוכה ממכסת הדקות החודשית, אף שהתמליל שהתקבל אינו שלם

כאשר מגבלה אכן מפריעה, הפתרון העוקף המקובל הוא לפצל את קובץ ה-MP3 למקטעים קטנים יותר באמצעות עורך אודיו חינמי, להעלות כל מקטע בנפרד ואז לחבר את התמלילים ידנית. זה עובד, אך מוסיף שלב ידני ומקשה לסמוך על חותמות הזמן בנקודות החיבור. כלי שנועד להמרת MP3 לטקסט ללא הגבלה מבטל את השלב הזה לחלוטין.

העלאת האודיו של Notelyn מקבלת קובצי MP3 ארוכים כחלק מאותו תהליך עבודה המשמש להקלטות קצרות יותר. לכן אין צורך לפצל הרצאה מלאה או פרק פודקאסט בן שעתיים למקטעים, או לקצר אותם, לפני שמקבלים תמליל שימושי.

המסלולים החינמיים להמרת MP3 לטקסט בחינם נבדלים זה מזה יותר בהגבלות שהם מציבים מאשר בדיוק הגולמי. רוב הכלים הנפוצים משתמשים במודלים דומים לזיהוי דיבור, ולכן תמליל במסלול חינמי ותמליל במסלול בתשלום של אותו קובץ MP3 נקי קרובים לעיתים קרובות ברמת הדיוק. ההבדל הוא בכל מה שמסביב לתמליל.

מסלולים חינמיים מגבילים בדרך כלל אחד או יותר מהדברים הבאים: סך הדקות בחודש, האורך המרבי לכל קובץ, מספר הקבצים או האפשרויות שזמינות אחרי התמלול. חותמות זמן, תוויות דוברים, סיכומים ואפשרויות ייצוא נעולים לעיתים קרובות מאחורי מסלול בתשלום, גם כאשר התמלול הגולמי עצמו בחינם.

זו השאלה האמיתית שכדאי לשאול לפני שבוחרים אפשרות תמלול בחינם: לא "האם התמליל מדויק", מכיוון שבדרך כלל הוא מדויק כשמדובר באודיו נקי, אלא "האם המסלול החינמי מאפשר לי להשלים את ההמרה של הקובץ שבידי, והאם הוא נותן לי משהו מעבר לטקסט פשוט בסיומה". כלי חינמי שמגביל אתכם לעשר דקות או מסיר את תוויות הדוברים עלול לגזול יותר זמן מכלי בתשלום שמטפל בקובץ המלא היטב בפעולה אחת.

כדאי גם לבדוק אם המסלול החינמי הוא תוכנית קבועה או תקופת ניסיון מוגבלת בזמן, שבסיומה עוברים לתמחור בתשלום לאחר מספר ימים מוגדר. יש כלים שמשווקים את עצמם כחינמיים אך מציעים את המסלול הזה רק לחלון קצר של התנסות. הדבר חשוב אם אתם ממירים הקלטות באופן שוטף ולא רק למשימה חד-פעמית.

המסלול החינמי של Notelyn כולל המרת MP3 לטקסט עם תהליך עבודה מלא של בינה מלאכותית, תמליל, סיכום ושאלות ותשובות, ולא גרסה מצומצמת שמחזירה טקסט פשוט בלבד.

תהליך המרת MP3 לטקסט פועל לפי אותם שלבים בסיסיים בלי קשר לכלי שבו תשתמשו, אף שהפרטים של כל שלב משתנים מכלי לכלי. ידיעת סדר השלבים מראש גם מקלה לזהות היכן כלי מסוים מקצר דרך, למשל כשהוא מדלג כברירת מחדל על שלב הבדיקה או מסתיר את תכונות הסיכום והשאלות והתשובות מאחורי רכישה נפרדת.

רוב התוכנות להמרת MP3 לטקסט עומדות בדרישה הבסיסית של הפיכת דיבור לטקסט קריא. ההבדלים החשובים באמת מתגלים בכמה תחומים.

טיפול באורך. האם הכלי מגביל קבצים בודדים או את סך הדקות החודשיות, והאם המגבלה מוצגת לפני שמתחייבים להעלות הקלטה ארוכה.

הפרדת דוברים. האם הכלי מבחין באופן אמין בין שני דוברים או יותר בראיון, בפגישה או בפודקאסט, במקום למזג הכול לגוש טקסט אחיד שאין בו הבחנה בין הדוברים.

תוצרים לאחר התמלול. האם מקבלים תמליל פשוט או גם סיכום, נקודות עיקריות, כרטיסיות או שכבת שאלות ותשובות שנבנית עליו. תמליל גולמי של קובץ בן תשעים דקות שלם מבחינה טכנית, אך עדיין משאיר לכם את העבודה האמיתית — למצוא מה היה חשוב.

חיפוש בין קבצים. האם תמלילי MP3 שהומרו נמצאים בסביבת עבודה שניתן לחפש בה, או נשמרים כקובצי טקסט נפרדים שצריך לפתוח בזה אחר זה כדי למצוא בהם משהו.

טיפול בנתונים. הקלטות MP3 כוללות לעיתים קרובות שמות ופרטים רגישים, לכן בדקו אם העיבוד נעשה תוך הגנה סבירה על הנתונים, וקבלו הסכמה לפני הקלטת אנשים אחרים.

כלי שמציג דיוק גבוה אך מגביל את אורך הקובץ, מסיר תוויות דוברים במסלול החינמי או מסתפק בטקסט פשוט פותר רק חלק ממה שתוכנה להמרה אמורה לעשות. שקלול כל חמשת הגורמים יחד, במקום בחירה לפי דיוק בלבד, הוא הדרך להבין אם הכלי מתאים להקלטות שבאמת יש לכם ולא רק להקלטת הדגמה נקייה.

Notelyn מקבלת קובצי MP3 ישירות בהעלאת אודיו, לצד M4A,‏ OGG ו-WAV. כך קובץ ממקליט קול, פרק פודקאסט שהורד או הקלטת פגישה שיוצאה מומר בלי לשנות תחילה את הפורמט. קבצים ארוכים נתמכים כחלק מאותו תהליך עבודה, כך שאין צורך לקצר או לפצל הרצאה מלאה או ראיון בן שעתיים כדי לעמוד במגבלת אורך.

אם האודיו עדיין לא קיים כקובץ, תכונת הקלטת האודיו של Notelyn מקליטה אותו ישירות, גם ללא חיבור לאינטרנט כשצריך. הדבר חשוב לראיון פנים אל פנים או לכיתה שבה חיבור ה-Wi-Fi אינו יציב. שתי האפשרויות, קובץ MP3 מוקלט או הקלטה חיה, מסתיימות באותו תהליך תמלול.

לאחר ההעלאה, Notelyn מתמללת את קובץ ה-MP3 עם חותמות זמן, וכשיש יותר מדובר אחד היא גם מפרידה את התמליל לפי תורות דיבור. לאחר מכן אפשר ליצור מאותה הקלטה סיכום באמצעות בינה מלאכותית, שיצמצם קובץ ארוך לנקודות החשובות, או לשאול שאלה ישירה את העוזר לשאלות ותשובות מבוסס בינה מלאכותית על מה שנאמר, במקום לקרוא שוב את התמליל כולו כדי למצוא פרט אחד.

מכיוון שכל קובץ MP3 שהומר נשמר באותה סביבת מחברת כמו ההערות, קובצי ה-PDF וההקלטות האחרים שלכם, הקלטות MP3 של הרצאות מסמסטר שלם או סדרת הקלטות של ראיונות נעשות ניתנות לחיפוש כקבוצה, במקום להישאר בתיקייה של קובצי אודיו נפרדים שצריך לפתוח בזה אחר זה. אפשר גם להשתמש בתמליל של חומר לימוד ארוך ליצירת כרטיסיות או מפת חשיבה, במקום להשאירו כטקסט פשוט, וכל אלה אינם כפופים למגבלת אורך נוקשה שתאלץ אתכם לפצל הקלטה ארוכה לפני השימוש בה.

תמליל שנראה מלוטש אינו בהכרח נכון, וכמה בדיקות לפני שמסתמכים עליו תופסות את רוב השגיאות החשובות.

עברו תחילה על שמות, תארים וראשי תיבות. אלה המקורות הנפוצים ביותר לשגיאות קטנות, בלי קשר לרמת הדיוק שהכלי טוען לה, וגם הפרטים שסביר ביותר שיהיו חשובים בהמשך בציטוט או באסמכתה.

בדקו מספרים, תאריכים ונתונים מול ההקלטה אם התמליל ישמש למטרה בעלת השלכות ממשיות, כמו מסמך משפטי, ציטוט במחקר או דוח עסקי, במקום לעבור עליהם במהירות ולהניח שהם נכונים.

בדקו מדגמית את אמצע הקובץ הארוך ואת סופו, ולא רק את הדקה הראשונה. כלים מסוימים מאבדים מעט מהדיוק לאורך הקלטה ארוכה, במיוחד אם רעשי הרקע או החפיפה בין הדוברים מתגברים באמצע.

אם תוויות הדוברים חשובות, ודאו שהכלי שייך אותן נכון לפחות בקטע אחד שבו אתם יודעים מי דיבר. תור דיבור שסומן לדובר הלא נכון יכול לשנות לחלוטין את המשמעות של תמליל ראיון או פגישה.

כדאי גם לציין מתי האודיו עצמו לא היה ברור, במקום להניח שהכלי טעה. גם למאזין אנושי קשה להבין מילה שנאמרה במלמול, שם שהוא מעולם לא שמע או רגע שבו שני אנשים מדברים בו־זמנית, ואף כלי תמלול לא ינחש נכון בכל פעם במקרים כאלה. כדאי לסמן קטעים כאלה כלא ודאיים במקום לסמוך על הטקסט שהופיע, במיוחד בהקלטות שתרצו לחזור אליהן בהמשך.

כל הבדיקות האלה אינן נמשכות זמן רב בהקלטה טיפוסית, והן הופכות את התמליל ממשהו שאתם מניחים שהוא נכון למשהו שאתם יודעים שהוא נכון לפני ציטוט, הפניה או הוספת הערות.

המרת MP3 לטקסט מפסיקה להיות טרחה כשמשתמשים בכלי שמתמודד עם האורך ותמהיל הדוברים של ההקלטה האמיתית שלכם, ולא רק עם קטע דוגמה נקי. נסו אותו על הקובץ האמיתי שנמצא כרגע במכשיר שלכם — הרצאה, ראיון או פרק פודקאסט — והשוו את התמליל לאודיו כדי לבדוק שמות ומונחי מפתח לפני שתסתמכו עליו.

כדאי לזכור שהתמליל עצמו הוא רק לעיתים רחוקות המטרה הסופית. הוא שלב בדרך לסיכום שאפשר לסרוק, לתשובה שאפשר למצוא בלי להשמיע מחדש שעה של אודיו, או לקבוצת הערות שאפשר ללמוד ממנה או לעיין בה בהמשך. בחירת תוכנה להמרת MP3 לטקסט לפי התוצאה הזאת, ולא לפי דיוק התמלול הגולמי בלבד, היא זו שחוסכת זמן לאורך עשרות הקלטות ולא רק בראשונה.

Notelyn מעבדת העלאות MP3 בכל אורך סביר לצד M4A,‏ OGG ו-WAV, באותה סביבת עבודה עם ההערות, קובצי ה-PDF וההקלטות האחרים שלכם. היא מחזירה תמליל עם חותמות זמן, סיכום באמצעות בינה מלאכותית והערות שניתן לחפש בהן, בלי שמגבלת אורך תפריע. עיינו במדריך שלנו על תוכנה לתמלול ראיונות למידע נוסף על המרת MP3 לטקסט עם כמה דוברים, או במדריך שלנו על תמלול פודקאסטים אם קובצי ה-MP3 שלכם הם פרקי פודקאסט.