למה קשה להפוך עברית מדוברת לטקסט

למה היעדר הניקוד משנה כל כך?

העברית המודרנית נכתבת בעיקר בעיצורים. יש סימני ניקוד שמראים בדיוק איך לבטא כל מילה, אבל ספרים למבוגרים, אתרי חדשות והודעות יומיומיות לא משתמשים בהם. קוראים שוטפים לא צריכים ניקוד כי הם מכירים את השפה וקוראים את המשפט השלם.

מערכת לזיהוי דיבור צריכה לעשות את הפעולה ההפוכה. היא שומעת את התנועות וצריכה להחליט לאיזו מילה כתובה לשייך אותן. המילים המדוברות sefer (ספר), sapar (גוזר שיער) ו־siper (הוא סיפר) נכתבות בדיוק באותן שלוש אותיות. רק ההקשר מבדיל ביניהן, ויש מעט מאוד הקשר כשדובר ממלמל, מחליף נושא או משתמש במילה נדירה.

איך תחיליות ואותיות שימוש משנות את התמונה?

באנגלית, מילות הקישור הקטנות נכתבות בנפרד. בעברית, רבות מהן נצמדות ישר למילה שאחריהן: ו־, ה־, ב־, ל־, מ־, כ־, כש־ ו־ש־. הצירוף "וכשראיתי" נכתב כרצף אותיות אחד. מערכת התמלול צריכה להחליט איפה נגמרות התחיליות ואיפה מתחילה המילה העיקרית, ואז לאיית נכון את כל הרצף.

בגלל זה אוצר המילים בפועל גדול בהרבה מכפי שנדמה בהתחלה. פועל או שם עצם אחד יכולים להופיע עם עשרות צירופי תחיליות, וצירוף נדיר עשוי להיאמר רק פעם אחת בהקלטה ארוכה. יכול להיות שהמערכת שמעה את מילת הבסיס פעמים רבות, אבל אף פעם לא עם שילוב התחיליות המדויק הזה. לכן תחילית עלולה לפעמים להישמט, להתווסף או להיצמד למילה הלא נכונה.

כשאתם עוברים על הטקסט, חפשו משפטים שהדקדוק שלהם נשמע קצת משובש. ה׳ הידיעה שנעלמה או מילת קישור חסרה הן סימן טיפוסי לתחילית שהלכה לאיבוד.

האם יש כתיב אחד נכון?

בעברית מקובלות שתי שיטות כתיב נפוצות. הכתיב המלא מוסיף אותיות אהו״י לסימון תנועות, והכתיב החסר משמיט אותן. שניהם מופיעים בדפוס, וכותבים מערבבים ביניהם לעיתים קרובות. מילים שאולות מוסיפות עוד אפשרויות. אימייל, מייל ואי־מייל נמצאות כולן בשימוש יומיומי, וכך גם שמות רבים של מוצרים ומקומות.

מבחינת הקורא, שני תמלולים של אותו משפט יכולים להיראות אחרת בלי שאף אחד מהם יהיה שגוי. בחיפוש בטקסט זה משנה יותר. אם תחפשו מילה בכתיב אחד והתמלול השתמש באחר, אתם עלולים לא למצוא כלום. כששם או מונח חשובים לכם, חפשו את כל צורות הכתיב האפשריות לפני שתחליטו שהם לא נאמרו.

לפני שאתם מתחילים לערוך, בחרו צורת כתיב אחת לשמות, למותגים ולמונחים, והשתמשו בה בכל מקום. קובץ אחיד קל יותר לחיפוש, לציטוט ולהעברה הלאה.

ומה לגבי סלנג ודיבור מהיר?

עברית מדוברת שונה מעברית של עיתון. אנשים משתמשים במילים יומיומיות כמו יאללה, סבבה ווואלה, שנפוצות מאוד בדיבור ונכתבות בכמה צורות. דוברים מקצרים הברות, משאירים משפטים באמצע ונכנסים אחד לדברי השני. בפגישה, משפט אחד יכול אפילו להתחלק בין שני דוברים.

רוב המאגרים הגדולים של עברית כתובה בנויים מטקסטים רשמיים. הקלטות של שיחה טבעית, במיוחד עם מבטאים אזוריים וז׳רגון מקצועי, קשות בהרבה לאיסוף ולאימות. לכן הזיהוי יציב יותר בהרצאה ברורה מאשר בשיחה ערה במטבח, גם כשמדובר בדיוק באותו דובר.

היערכו לזה מראש והתייחסו להקלטות לא רשמיות כאל טיוטות שדורשות האזנה מדוקדקת. אפשר גם להוסיף כמה שורות הקשר לכל הקלטה שבה מופיעות מילים מקומיות לא שגרתיות שחשוב לדייק בהן.

למה שמות ומילים לועזיות מועדים כל כך לטעויות?

שמות מרכזים בתוכם את כל הבעיות שהזכרנו. שם יכול להיכתב בלי ניקוד, לקבל תחילית צמודה, להופיע בכמה צורות כתיב מקובלות ולהישמע רק פעמים ספורות בהקלטה. שם זר שנהגה במבטא עברי מוסיף עוד שכבה של סיבוך.

טעות בשם גם עולה הכי ביוקר, כי היא יכולה לשנות מי אמר או עשה מה. בדקו כל שם מול ההקלטה, ואחדו את הכתיב שלו כך שיופיע באותה צורה בכל מקום.

איך עוברים על תמלול בעברית בצורה יעילה?

היעזרו בדפוסים האלה בזמן הבדיקה. שימו לב למשפטים שנשמעים מוזר מבחינה דקדוקית, כי בדרך כלל הם מסמנים תחילית שנשמטה או מילה שהוחלפה באחרת. חפשו שמות ומונחי מפתח בכל צורות הכתיב האפשריות שלהם. האזינו להקלטה בכל מקום שבו אפשר לקרוא מילה בשתי צורות והבחירה ביניהן משנה את המשמעות.

KolWrite מתייחסת לעברית כשפה מרכזית ומשאירה את הטקסט, תוויות הדוברים וחותמות הזמן מחוברים, כדי שתוכלו לקפוץ לכל רגע ולשמוע אותו. טקסט אוטומטי תמיד מכיל טעויות, ומעבר קצר לעריכה הופך אותו לבטוח לשיתוף. לשאלה הרחבה יותר של איך מודדים דיוק, ראו את העמוד על דיוק תמלול בעברית.