Automatický přepis a jazyková editace: kde končí stroj a začíná člověk

Přepis skončil. Model vrátil text. Co teď? Výsledek automatizace není finální dokument — je to pracovní verze, se kterou začíná jiná fáze práce. Kde přesně přechází zodpovědnost ze stroje na člověka a proč tato hranice není na stejném místě pro každý typ záznamu.

Dvě fáze přepisového procesu

Tradiční pohled na přepis jako na jednu operaci — poslechni a napi — zkresluje realitu automatizovaného procesu. Jsou to dvě odlišné fáze s různými výstupy a zodpovědnostmi.

Fáze první: automatická transkripce

Model zachytí fonetický obsah záznamu. Přijme zvukový signál, dekóduje ho přes spektrogramy a neuronovou síť, vybere nejpravděpodobnější posloupnost slov a vrátí text. Dělá to rychle, bez únavy, bez rozptýlení.

Co nedělá: neinterpretuje záměr mluvčího. Neopravuje gramatiku — přepisuje, jak to slyší, ne jak by to správně bylo. Nerozhoduje o tónu, ironii nebo kulturním kontextu. Neví, zda výrok je důležitý nebo marginální.

Výstup první fáze: hrubý text, věrný zvuku, nikoli vždy věrný smyslu.

Fáze druhá: lidská editace

Editor přebírá hrubý text a pracuje s ním jako s materiálem. Ověří faktickou správnost: vlastní jména, čísla, citace, odborná terminologie. Provede jazykovou úpravu: gramatiku, interpunkci, slovní vatu podle potřeby. Přijme interpretační rozhodnutí: co zachovat doslova, jak formulovat, jaký formát výsledku odpovídá účelu.

Výstup druhé fáze: dokument, který slouží svému účelu.

Co stroj zachytí spolehlivě

Na čistém záznamu standardní hovorové češtiny jsou výsledky dnešních nejlepších modelů dobré.

WER (word error rate) pod 5 % na profesionálně nahrané standardní češtině je dosažitelný pro nejlepší modely. Na hodinu záznamu (přibližně 9 000 slov) to znamená méně než 450 problematických slov — část z nich drobné varianty pravopisu, přechýlené tvary nebo interpunkce, nikoli fakticky chybné přepisy.

Pro jednoduchý přepis — poznámky, strukturovaný rozhovor, přednáška s jasnou dikcí — je výsledek dobré kvality a editace trvá kratší dobu než přepsání nahrávky od začátku.

Číselné údaje a data model přepisuje foneticky správně. Formát závisí na jazykovém modelu: „sto patnáct tisíc" nebo „115 000". Editace je záležitost formátování, nikoli opravy obsahu.

Co stroj zachytí špatně nebo vůbec

Homofona a kontextová nejednoznačnost

Česká čeština je bohatá na foneticky podobné nebo totožné páry: „vědět" a „větit", „rada" a „ráda", „víra" a „výra", „pes" vyslovený s Moravákem může zní jinak než standard. Kontext věty rozhoduje o správném přepisu — model to zvládá různě dobře podle toho, jak silný je kontextový signál.

U textů s vysokou frekvencí homofonních slov musí editor projít každé podezřelé místo. Orientace: confidence score označí slova, u nichž model váhal — ta jsou prvními kandidáty ke kontrole.

Odborná terminologie mimo trénovací data

Model nezná termín → přepíše foneticky nejbližší slovo ze svého slovníku. Výsledek vypadá gramaticky v pořádku a může projít bez povšimnutí. To je zákeřná vlastnost tohoto typu chyby: neznámé slovo je snadné poznat, existující-ale-špatné slovo vyžaduje odbornou znalost.

Toto je místo, kde kompetence editora hraje největší roli. Odborník v dané oblasti chybu rozpozná okamžitě. Generalist ji může přejít.

Záměr, tón a ironie

„To je tedy výborné řešení." Model přepíše doslova — s vysokou confidence. Zda je věta pochvala nebo trpká ironie, závisí na kontextu rozhovoru, tónu hlasu a vztahu mluvčích. Model tón neinterpretuje. Editor, který zná kontext, rozhodne o kontextualizaci citace.

Logická struktura a odstavce

Model dělí text podle akustických pauz, nikoli podle logické výstavby výroku. Výsledek: příliš krátké nebo příliš dlouhé segmenty, odstavce neodpovídající obsahu. Editor reorganizuje strukturu tak, aby odpovídala obsahu — to je interpretační rozhodnutí, ne technická oprava.

Jak se mění role editora

Automatizace přepisu nemění to, zda editor pracuje — mění to, na čem pracuje.

Od přepisování ke kontrole

Tradiční přepisovač naslouchá záznamu a píše každé slovo. Sto procent práce je generování textu z nuly. Rychlost psaní a sluchová koncentrace jsou zásadní kompetence.

Editor v automatizovaném procesu čte hotový text a porovnává s nahrávkou na místech, kde je pochybnost. Úspora: odhadovaně 60 až 80 % původního času přepisování, závisí na kvalitě nahrávky a komplexnosti textu.

Nová zásadní kompetence: rozpoznání chyb modelu

Nejcennější dovednost editora v prostředí automatizace: poznat, kde model selhal. To vyžaduje dvě věci — znát oborový kontext textu a číst přepis kriticky, ne jako hotový dokument.

Rychlý přepisovač není automaticky dobrý editor přepisů. Dobrý editor je ten, kdo chybu pozná — ne ten, kdo píše rychle.

Kdy editace nestačí

Pro záznamy s WER přes 30 procent je editace neefektivní: trvá déle než ruční přepis od nuly. Praktické pravidlo: pokud editace jednoho odstavce trvá déle než jeho přepsání z nahrávky, přepisujte ručně.

Příčiny takto špatného přepisu: špatná kvalita nahrávky, výrazný přízvuk nebo nářečí, extrémně specializovaná terminologie bez slovníku. Řešení: zlepšit nahrávku (trvalý efekt, jedinou investicí) nebo přijmout ruční přepis jako přijatelnější volbu pro daný záznam.

Automatizace přepisu nezpochybňuje existenci editora. Zpochybňuje pouze to, na čem spočívá jeho hodnota. Přepisovač, který psal rychle, se stane editorem, který rozpoznává chyby modelu — a interpretuje, ověřuje a rozhoduje o finální podobě dokumentu. Pro jednoduché záznamy to znamená pár minut práce. Pro složité přepisy to znamená přesun dovedností, nikoli zánik práce.

Co editor typicky hledá v přepisu novinářského rozhovoru je popsáno v přehledu přepisu pro novinářskou práci A20. Jak kvalita nahrávky ovlivňuje objem editace vysvětlí přehled přípravy audionahrávky A12.

Zdroje:

• Clark, H. H. & Fox Tree, J. E. (2002). Using uh and um in spontaneous speaking. Cognition, 84(1), 73–111. doi:10.1016/S0010-0277(02)00017-X