Можно ли почистить плохую запись перед расшифровкой?

Стоит ли вообще чистить аудио?

Для начала попробуйте расшифровать исходную запись как есть. Современные модели распознавания речи учатся на неидеальном звуке, поэтому многие файлы, которые человеку слушать тяжело, дают вполне рабочий текст. Если первый результат вас устроил, ничего больше делать не нужно. Любая обработка рискует задеть и саму речь.

Если же в тексте полно пропусков и явных ошибок, наденьте наушники, переслушайте запись и поймите, в чем именно беда. Звук слишком тихий? На фоне что-то ровно гудит? Комната дает сильное эхо? Голос хрипит от перегруза? К каждой из этих проблем свой подход, а некоторые и вовсе не лечатся.

Чтобы быстро принять решение, вырежьте минутный кусок из самого трудного места (где больше всего шума или тише всего говорит спикер) и отправьте на расшифровку только его. Времени на это уйдет совсем немного. Вы сразу увидите, как алгоритм справляется именно с вашей проблемой, и получите точку отсчета для сравнения после любой обработки.

Что делать со слишком тихой записью?

Поднять громкость (это часто называют нормализацией) безопасно, и во многих случаях этого хватает. Самый громкий пик доводится до стандартного уровня, а вместе с ним подтягивается и речь. Прием хорошо срабатывает на тихих, но чистых записях. Типичный пример: телефон лежал далеко от говорящего в тихой комнате.

Другое дело, когда на записи и голос тихий, и шум громкий. Поднимая уровень, вы усиливаете их вместе. К тому же, если человек сидит далеко от микрофона, к голосу примешивается много звука самой комнаты, и простое усиление их не разделит. Бывает, что тихо звучит только один из собеседников. Тогда аккуратно поднимите громкость лишь на его репликах, а не во всем файле сразу.

Не включайте автоматическую регулировку усиления, которая задирает громкость в паузах. Она вытягивает фоновый шум между фразами и смазывает тихие слова в начале следующего предложения. Постоянный разумный уровень записи куда надежнее плавающего.

Помогает ли шумоподавление?

Легкое подавление ровного фона, вроде гула кондиционера или блока питания, помогает человеку при прослушивании. А вот для автоматической расшифровки пользы от него меньше, чем принято ждать, тогда как сильная чистка часто прямо вредит. Фильтр не умеет точно отделять шум от тихих призвуков согласных. Он режет часть и того и другого, из-за чего речь начинает звучать «булькающе».

Начать безопаснее всего с фильтра низкочастотного гула. Он убирает шум улицы и звуки от задетого руками микрофона на частотах ниже диапазона человеческого голоса. Любую более жесткую обработку лучше сначала проверить на коротком отрывке в режиме «до и после». Расшифруйте оба варианта и оставьте тот, где точнее текст, а не тот, который приятнее слушать.

С переменным шумом сладить куда труднее, чем с монотонным. Чужие разговоры на фоне, гул кафе, улицы или толпы лежат на тех же частотах, что и голос. Вырезать такой фон, не задев основную речь, не выйдет.

Можно ли убрать эхо и гулкость комнаты?

Лишь отчасти, и редко удачно. При эхе каждый звук прилетает в микрофон дважды с крошечной задержкой, и эта запаздывающая копия размывает согласные. Программы умеют приглушать такой эффект на сольной записи из помещения, но вернуть детали, уже забитые отражениями, они не могут.

Если вам мешает эхо, главный совет пригодится уже на следующей записи: выбирайте комнату поменьше или с мягкой обстановкой, ставьте микрофон ближе и сажайте спикера ближе к нему. А с той записью, которая уже есть, придется повозиться и внимательнее вычитывать расшифровку там, где слова сливаются друг с другом.

А как быть с искаженным звуком и перегрузом?

Клиппинг (перегруз) случается, когда звук громче предела, который способно принять устройство записи. Верхушки звуковой волны при этом просто срезаются. Эта часть сигнала потеряна навсегда, никакими настройками ее не вернуть. Некоторые программы пытаются угадать и дорисовать недостающую форму волны, чтобы смягчить резкий звук, но пропавшие слова они не восстановят.

Убавлять громкость на уже перегруженном файле тоже бесполезно, потому что искажения намертво впечатались в саму запись. Тут снова нужно следить за этим еще во время записи: чуть приберите входной уровень и отодвиньте громкие источники звука от микрофона еще на ширину ладони. Гораздо надежнее писать сигнал так, чтобы пики оставались заметно ниже максимума, чем доводить их до потолка.

Как разумно подойти к очистке аудио?

Сделайте копию файла и работайте с ней. Срежьте низкий гул, аккуратно выровняйте громкость, а длинные паузы и посторонний шум вырезайте, только если они вам правда мешают. Сохраните результат в ходовом формате со стандартным качеством и постарайтесь не сжимать файл лишний раз. Если непонятно, стало ли лучше, загрузите на расшифровку и оригинал, и обработанную копию, а потом сличите текст на самых важных фразах.

На каком бы варианте вы ни остановились, сверьте имена, цифры и цитаты по звуку. Автоматическая расшифровка порой ошибается, а на плохой записи ошибок будет больше. В KolWrite звук идет синхронно с текстом по таймкодам, так что проверить сомнительные места легко. Вычитанный текст можно скачать в TXT, DOCX, PDF или SRT.