Buka u pozadini, jeka u sobi, sugovornici koji upadaju jedni drugima u riječ — svi znamo kako izgleda snimka koja "nije baš za transkripciju". Dobra vijest: čak i takve snimke danas moguće je transkribirati s visokom točnošću, ako znate na što obratiti pozornost prije, tijekom i nakon snimanja. U ovom vodiču prolazimo kroz konkretne korake za transkripciju snimke lošije kvalitete — bučnog okruženja, jeke i više govornika istovremeno.

Zašto loša kvaliteta zvuka najviše šteti transkripciji

AI modeli za prepoznavanje govora "slušaju" zvučni val i pokušavaju razdvojiti govor od pozadinske buke. Kad se preklapaju glasovi, kad postoji jeka ili kad je izvor zvuka predaleko od mikrofona, model gubi jasne granice između riječi — što izravno smanjuje točnost transkripta. Za razliku od čovjeka, koji buku može "isključiti" fokusom, AI model obrađuje sve frekvencije podjednako, pa je buka doslovno konkurencija govoru za "pažnju" modela.

Prije snimanja: postavljanje mikrofona

Najveći utjecaj na kvalitetu transkripta ima sam trenutak snimanja — puno je lakše spriječiti problem nego ga popraviti naknadno.

  • Za više govornika u prostoriji koristite, ako je moguće, sveusmjereni (omnidirekcijski) mikrofon koji hvata zvuk iz svih smjerova podjednako, umjesto usmjerenog mikrofona koji favorizira jednu osobu.
  • Postavite mikrofon na jednakoj udaljenosti od svih sugovornika — izbjegavajte situaciju gdje je jedna osoba blizu mikrofona, a druga na drugom kraju stola.
  • Idealna udaljenost od izvora zvuka je 15–20 cm ako netko diktira sam, odnosno centralno u sobi ako snimate razgovor više osoba.
  • Isključite mobitele i obavijesti na laptopu — vibracija i zvuk obavijesti mogu se snimiti i zbuniti model.

Tijekom razgovora: dogovor sa sugovornicima

Ako unaprijed znate da snimate razgovor s više osoba (fokus grupa, sastanak, intervju), kratak dogovor prije početka može značajno podići točnost transkripta:

  • Zamolite sugovornike da govore jedan po jedan i izbjegavaju upadanje u riječ — preklapajući glasovi gotovo su nemoguć zadatak za bilo koji model, koliko god napredan bio.
  • Potaknite ravnomjeran tempo govora, bez žurbe i bez mumljanja.
  • Ako je moguće, zamolite sugovornike da se na početku razgovora predstave imenom — to olakšava kasnije prepoznavanje tko je što rekao, čak i ako AI model ne razdvaja govornike automatski.

Kad je buka već tu: obrada zvuka prije transkripcije

Ako snimku niste mogli unaprijed pripremiti — recimo, radi se o snimci telefonskog poziva ili glasovnoj poruci snimljenoj u prometu — postoji nekoliko koraka koje možete napraviti prije nego snimku pošaljete na transkripciju:

  • Redukcija šuma (noise reduction) — besplatni alati poput Audacityja mogu ukloniti stalne šumove poput ventilacije ili prometa.
  • Normalizacija glasnoće — izjednačava razinu zvuka kroz cijelu snimku, što pomaže kad je jedan govornik glasniji od drugog.
  • Ekvalizacija (EQ) — pojačavanje frekvencija ljudskog glasa i smanjivanje niskih/visokih frekvencija tipičnih za pozadinsku buku.

Kombinacija ove tri obrade može podići točnost transkripcije za čak 10 do 20 posto kod problematičnih snimki, prema procjenama specijaliziranih servisa za obradu zvuka. Za većinu korisnika dovoljno je koristiti besplatan alat poput Audacityja i primijeniti automatski filter za smanjenje šuma prije nego snimku učitate.

Više govornika: kako pomoći modelu da ih razlikuje

Kod snimki s više sugovornika (sastanci, fokus grupe, podcasti s gostima) najveći izazov nije samo razumjeti riječi, nego i pravilno pripisati tko je što rekao. Nekoliko praktičnih savjeta:

  • Ako snimate preko platforme poput Zooma ili Teamsa, provjerite postoji li opcija snimanja odvojenih audio zapisa po govorniku — spajanje takvih zapisa prije transkripcije daje bitno čišći rezultat nego jedna miješana snimka.
  • Izbjegavajte prostorije s puno jeke (velike prazne sobe, staklene površine) — jeka dodatno otežava razdvajanje glasova.
  • Ako sugovornici sjede za istim stolom, raspored "u krug" oko jednog centralnog mikrofona daje bolje rezultate nego kad su govornici raspršeni po velikoj prostoriji.

Kad transkript ipak nije savršen

Čak i uz sve pripreme, snimke lošije kvalitete ponekad rezultiraju transkriptom koji zahtijeva ručnu doradu na nekoliko mjesta — posebno kod imena, stručnih pojmova ili dijelova gdje se glasovi preklapaju. To je normalno i puno brže je ispraviti nekoliko rečenica u gotovom transkriptu nego cijelu snimku prepisivati ručno od početka.

Isprobajte na vlastitoj snimci

Najbolji način da provjerite koliko dobro AI transkripcija nosi s bukom i s više sugovornika jest jednostavan test — učitajte svoju prvu snimku besplatno i pogledajte rezultat. Ako je snimka posebno izazovna, isprobajte gornje savjete i usporedite razliku u točnosti prije i poslije.