2020-12-20 | 정혜진 기자

[试用报告] 90分钟录音文件3分钟整理成文字

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

“上传到金浦区了”

用“CLOVA Note”把采访录音文件转换成文本后,出现了一句从未听过的话。明明是关于人工智能(AI)业务的采访,却突然冒出“金浦区”这个词,让人哭笑不得。重听录音后发现,“金浦区”是把“GitHub(程序源代码共享平台)”这一IT术语错误转写成了文本。虽是尖端语音识别技术打造的服务,但看来IT术语仍难以消化。不过这种情况下,只要登记到“常用词”中,准确度就会提高。

这是亲自使用录音文件文本转换服务CLOVA Note后的结果。由于记者这一职业的特性,把采访、演讲等场合的话记录下来占了工作中不小的比重,因此期待值很高。把约90分钟的录音文件转换成文本仅用了3分钟左右。带着紧张的心情看结果,语音已被转换成文本。尤其是每位说话者都以不同的表情符号标示,十分便利。在把语音文件转换成文本之前,用户只需标示对话、会议、演讲、采访、通话等录音场景以及参与人数。“这是根据录音环境采用不同的文本识别方式,以提高准确度的步骤”,这是NAVER集团相关人士的说明。他还补充说:“相比多人对话的场景,一个人照着脚本朗读的情况准确度更高。”

体验第一周有两场采访。在征得谅解后用CLOVA Note进行了录音。分别是一对一采访和同时采访两人的两场。撇开发音准确度差异、是否带方言等因素,说话者为一人时准确度明显更高。那么播音员的标准发音又如何呢?我转换了多名MBC播音员朗读已故小说家朴婉绪作品的朗读会音频文件。3分钟左右的听写中只有三处左右的错误,属于依朗读强弱把相对轻读部分漏掉的程度的错误。

引人注目的是区分参与者的功能。区分参与者用的是说话人识别引擎“WISE”。该引擎具备对说话人进行认证、识别、分割的技术。准确性看来仍有不足,出现了把同性别的两名不同说话者识别为一人等局限。不过一旦应用识别技术,基于深度学习学习并区分音色特征后,在不同的录音文件中找出并匹配特定人物的声音也将成为可能。另一个语音识别引擎“NEST”在听写对话或演讲等长句方面具有优势。使用量越大准确度越高,是因为NEST的学习量增加,找出正确答案的概率提高。虽然强烈推荐CLOVA Note,但不知会突然出现什么词汇,建议在与工作对象共享之前先亲自校对。/郑惠珍记者 madein@sedaily.com

阅读韩文原文