วิธีถอดเสียงพอดแคสต์และทำบันทึกตอน

ผู้เขียน: Hushscript | เผยแพร่: 6 มิถุนายน 2569 | ตรวจสอบล่าสุด: 21 กรกฎาคม 2569

ข้อความถอดเสียงของพอดแคสต์จะได้รับการบันทึกสองครั้ง ทำให้ผู้ฟังที่อ่านมากกว่าฟังสามารถค้นหาและเข้าถึงตอนได้ และยังเป็นวัตถุดิบสำหรับบันทึกรายการ คำพูดดึง และคำบรรยายโดยไม่ต้องเล่นซ้ำการบันทึกทั้งหมด การสนับสนุนแพลตฟอร์มเป็นรูปธรรม ไม่ใช่เชิงทฤษฎี: การถอดเสียงเอกสาร Apple Podcasts และการนำทางบทสำหรับผู้สร้าง คู่มือนี้จะอธิบายขั้นตอนการถอดเสียงตอน ติดป้ายกำกับพิธีกรและแขกรับเชิญทุกคน และเปลี่ยนเอาต์พุตให้เป็นเอกสารโน้ตประกอบตอนที่ใช้งานได้

ส่วนที่ประหยัดเวลาได้มากที่สุดคือการแยกผู้พูด บทถอดเสียงที่อ่านเป็นบล็อกข้อความที่ไม่มีการแบ่งแยกนั้นแทบจะพอๆ กับการใช้เสียงเลย Hushscript ติดป้ายกำกับแต่ละเสียงโดยอัตโนมัติและรวมไว้ฟรีในทุกข้อความถอดเสียง ดังนั้นการสนทนาจึงกลับมาเป็นการสนทนา

สิ่งที่คุณต้องการก่อนเริ่ม

การบันทึกตอนในรูปแบบเสียงหรือวิดีโอทั่วไป หากคุณส่งออกไฟล์เสียงธรรมดาจากโปรแกรมแก้ไข (MP3, WAV, M4A) ก็จะใช้งานได้โดยตรง หากสำเนาเดียวของคุณคือการบันทึกวิดีโอจาก Zoom, Riverside หรือ Ecamm ก็ใช้ได้เช่นกัน และเสียงจะถูกดึงออกมาจากเบราว์เซอร์ของคุณ ดังนั้นวิดีโอจึงไม่ถูกอัปโหลด

เสียงต้นฉบับที่สะอาดช่วยได้มากกว่าสิ่งอื่นใด ป้ายกำกับผู้พูดจะทำงานได้ดีที่สุดเมื่อแต่ละเสียงมีความแตกต่างกันและผู้คนไม่ได้พูดคุยกันตลอดเวลา หากคุณบันทึกผู้เข้าร่วมแต่ละคนในแทร็กแยกกัน แสดงว่าคุณมีอินพุตที่ชัดเจนที่สุดเท่าที่จะเป็นไปได้แล้ว แทร็กผสมเดียวยังคงใช้งานได้ มันแค่โน้มตัวยากขึ้นในการแยกแยะเสียงเพื่อแยกเสียงออกจากกัน หากทำได้ ให้บันทึกเสียงให้แห้งและเพิ่มฐานดนตรีลงในโปรแกรมแก้ไขของคุณ เนื่องจากเสียงกริ๊งที่ดำเนินไปภายใต้คำพูดที่ต่อเนื่องเป็นสิ่งหนึ่งที่ลดความแม่นยำลงได้อย่างน่าเชื่อถือ

คุณจะต้องมีบัญชีเพื่อถอดเสียงตอนทั้งหมด การแสดงตัวอย่าง 30 วินาทีเป็นขั้นตอนที่ไม่มีบัญชี ดังนั้นคุณสามารถตรวจสอบป้ายกำกับผู้พูดและคุณภาพข้อความในไฟล์จริงของคุณก่อนที่จะสมัครใช้งานสิ่งใดๆ

ถอดเสียงตอน

โฟลว์เป็นไปตามลำดับช่องทางจริง: ดูตัวอย่างก่อน จากนั้นลงชื่อสมัครใช้ จากนั้นจึงถอดเสียงส่วนที่เหลือ

1. วางไฟล์ไว้ที่ /podcast-transcription Hushscript ตัดคลิป 30 วินาทีแรกในเบราว์เซอร์ของคุณและส่งคืนป้ายกำกับผู้พูด ดูตัวอย่าง ไม่จำเป็นต้องมีบัญชีสำหรับขั้นตอนนี้ คุณจะเห็นได้อย่างแน่ชัดว่าพิธีกรและแขกแยกทางกันอย่างไร และข้อความที่อ่านได้สะอาดแค่ไหนด้วยเสียงของคุณเอง
2. ลงทะเบียนเพื่อถอดเสียงส่วนที่เหลือ เมื่อคุณป้อนอีเมลและลงชื่อเข้าใช้แล้ว คุณจะอัปโหลดตอนทั้งหมด บัญชีใหม่จะได้รับสิทธิ์ทดลองใช้ฟรี 30 นาที โดยได้รับเพียงครั้งเดียว วิธีที่เร็วที่สุดในการรับสิทธิ์คือเช็คบัตรมูลค่า 1 ดอลลาร์ที่ได้รับอนุญาตแล้วปล่อยทันทีโดยไม่มีการเรียกเก็บเงิน หากคุณต้องการวิธีการชำระเงินแบบอื่นที่มีในประเทศของคุณ เวลา 30 นาทีจะมาถึงเมื่อคุณซื้อครั้งแรกแทน ไม่จำเป็นต้องใช้การ์ด
3. ปล่อยให้การถอดเสียงทำงาน จากนั้นจึงส่งออก การถอดเสียงจะกลับมาพร้อมป้ายกำกับและการประทับเวลาของทุกคำพูด ส่งออก DOCX สำหรับเอกสารที่คุณจะแก้ไขเป็นบันทึกรายการ TXT สำหรับบล็อกที่ชัดเจนเพื่อวางลงใน CMS ของคุณ SRT สำหรับคำบรรยายในเวอร์ชันวิดีโอ หรือ JSON หากโฮสต์พอดแคสต์ของคุณยอมรับการอัปโหลดการถอดเสียงระดับคำพูด

ช่วงฟรี 30 นาทีสามารถครอบคลุมตอนสั้นหรือส่วนที่เป็นตัวแทนของตอนยาวกว่าได้ ตอนความยาว 60 นาทีใช้เวลา 60 นาทีจากยอดเงินคงเหลือของคุณ ดังนั้นจึงต้องมีการเติมเงินหลังจากทดลองใช้งาน

ติดป้ายกำกับผู้จัดและแขกทุกคน

การแยกเสียงของผู้พูดจะทำงานโดยอัตโนมัติ คุณจึงไม่ต้องเปิดอะไรเลย สำหรับตอนที่มีสองคน (พิธีกรหนึ่งคน แขกรับเชิญหนึ่งคน) การถอดเสียงจะกลับมาแยกกันอย่างชัดเจน โดยทุกบรรทัดจะมาจากหนึ่งในสองป้ายกำกับ สำหรับแผงควบคุม Hushscript จะแยกเสียงที่แตกต่างกันมากเท่าที่ได้ยิน โดยไม่มีฝาปิดผู้พูด

หากต้องการแทนที่ป้ายกำกับทั่วไปด้วยชื่อจริง:

1. คลิกอินสแตนซ์ของ ผู้พูด A ใดก็ได้ในตัวแก้ไข
2. พิมพ์ชื่อ เช่น “Alex” หรือ “Host”
3. ทุกอินสแตนซ์ของป้ายกำกับนั้นจะอัปเดตตลอดการถอดเสียงพร้อมกัน

คุณติดป้ายกำกับแต่ละเสียงใหม่เพียงครั้งเดียว ไม่ใช่ทีละบรรทัด ตอนสองคนใช้เวลาประมาณหนึ่งนาที แผงสี่คนใช้เวลาเพียงเล็กน้อย หลังจากติดป้ายกำกับใหม่ ข้อความถอดเสียงบางส่วนจะเป็นดังนี้:

Alex [00:03:12]: ตอนนั้นคุณบริหารบริษัทอยู่ สัญญาณแรกคืออะไร
Jamie [00:03:19]: จริงๆ แล้วมันคือตัวเลข เราลดลง 40% ในหนึ่งไตรมาส
Alex [00:03:27]: แล้วตอนนั้นคุณอธิบายไม่ได้เหรอ?
Jamie [00:03:35]: ไม่ได้เป็นเวลาหลายสัปดาห์ นั่นคือส่วนที่ทำให้ฉันไม่ท้อถอย

นั่นคือโครงสร้างที่คุณต้องการสำหรับการดึงคำพูดและการเขียนบทที่มีการประทับเวลา เนื่องจากป้ายกำกับจะพาดผ่านทั้งไฟล์ ตอนที่ยาวจึงถูกติดป้ายกำกับเพียงครั้งเดียว สำหรับกลไกเบื้องหลังการแยกเสียง โปรดดูวิธีการทำงานของการแยกเสียงของผู้พูด

เมื่อป้ายกำกับจำเป็นต้องแก้ไข

การแยกเสียงมีความแม่นยำในการบันทึกที่สะอาดแต่ไม่ผิดพลาด และรูปแบบสองสามอย่างก็ควรค่าแก่การทราบเพื่อให้คุณสามารถแก้ไขได้อย่างรวดเร็ว

หากแขกสองคนมีเสียงที่คล้ายกันมาก บางครั้งสายอาจไปผิดผู้พูดได้ สแกนข้อความถอดเสียงโดยเปิดเสียงไว้ และกำหนดบรรทัดที่ไม่ถูกต้องสองสามบรรทัดใหม่ด้วยตนเอง การดำเนินการนี้เร็วกว่าการพิมพ์ชื่อผู้พูดตั้งแต่ต้น เนื่องจากคุณกำลังแก้ไขข้อยกเว้นเท่านั้น

หากผู้ร่วมจัดที่เงียบเสียงซึ่งแทบจะไม่พูดเลยถูกรวมเข้ากับป้ายกำกับอื่น ให้ตั้งชื่อจริงแก่ผู้พูดหลักก่อน จากนั้นจึงกวาดสายตาเพียงไม่กี่บรรทัดที่ควรเป็นของเสียงเงียบ ในการบันทึกที่แยกกันอย่างดี คุณแทบจะไม่เจอปัญหาทั้งสองกรณี ซึ่งเป็นสาเหตุที่ว่าทำไมการแยกแทร็กต่อคนจึงคุ้มค่ากับการตั้งค่าเพิ่มเติมเล็กๆ น้อยๆ ในเวลาบันทึก

ปัญหาทั่วไป และสาเหตุที่ทำให้เกิดปัญหาจริง

ปัญหาการถอดเสียงส่วนใหญ่ย้อนกลับไปที่การบันทึก ไม่ใช่เครื่องมือ สองสามรายการควรค่าแก่การวางแผนก่อนเผยแพร่รายการ

Crosstalk และผู้คนพูดคุยกัน นี่เป็นสิ่งที่ยากที่สุดสำหรับระบบแยกผู้พูด เนื่องจากเสียงสองเสียงในจังหวะเดียวกันไม่สามารถแยกออกจากกันได้อย่างหมดจด โดยปกติข้อความจะยังคงอ่านได้ แต่ช่วงเวลาที่มีการทับซ้อนกันอย่างหนักอาจไปตกที่ผู้พูดตัวเดียวหรือเบลอที่ตะเข็บ สุขอนามัยพอดแคสต์ที่ดีช่วยได้อยู่แล้ว: เจ้าของที่พักที่ให้แขกพูดจบจะสร้างข้อความถอดเสียงที่สะอาดตาขึ้นซึ่งเป็นผลข้างเคียง ในกรณีที่เกิดขึ้น ให้แก้ไขสองสามบรรทัดด้วยมือกับเสียง

แขกระยะไกลที่บันทึกไว้ในแทร็กเดียว การโทรที่บันทึกเป็นไฟล์ผสมไฟล์เดียวจะแยกได้ยากกว่าการโทรเดียวกันที่บันทึกเป็นแทร็กต่อผู้เข้าร่วม หากเครื่องมือของคุณรองรับการบันทึกต่อผู้เข้าร่วมในเครื่อง ให้ใช้เครื่องมือนั้น หากคุณมีเพียงไฟล์ผสม การถอดเสียงจะยังคงอยู่ เพียงแต่ต้องอาศัยการถอดเสียงมากกว่า ไม่ว่าจะอัปโหลดเสียงด้วยวิธีใดก็ตาม ดังนั้นจึงไม่มีอะไรแตกต่างไปจากที่ต้องทำในเวลาถอดเสียง

สำเนียงที่ชัดเจนและการสลับรหัส Hushscript ตรวจจับภาษาโดยอัตโนมัติและถอดเสียงได้ประมาณ 99 ภาษา โดยมีความแม่นยำระดับสูงสุดใน 18 ภาษา ดังนั้นแขกที่มีสำเนียงเด่นชัดในภาษาที่รองรับจึงได้รับการจัดการอย่างดี แขกที่สลับไปมาระหว่างสองภาษาระหว่างประโยคถือเป็นกรณีที่ยากอย่างแท้จริง คาดว่าจะล้างวลีที่สลับด้วยมือ หากต้องการดูรายการภาษาที่รองรับทั้งหมด โปรดดูที่หน้าภาษา

เพลงเกริ่นนำและเหล็กใน โดยทั่วไปแล้ว ฐานเพลงระหว่างส่วนต่างๆ จะถูกข้ามไป แทนที่จะถอดความว่าเป็นเรื่องไร้สาระ ปัญหาเริ่มต้นเฉพาะเมื่อเพลงทำงานภายใต้คำพูดต่อเนื่องเป็นเวลานาน การแก้ไขใหม่ทั้งหมดเป็นแบบบรรณาธิการ: บันทึกเสียงให้แห้งและวางเพลงไว้ในภายหลัง ดังนั้นการถอดเสียงจึงเห็นเฉพาะคำพูดเท่านั้น

ชื่อ ศัพท์เฉพาะ และการสะกดของแบรนด์ แขกรับเชิญผู้เชี่ยวชาญจะใช้คำศัพท์และชื่อผลิตภัณฑ์ที่โมเดลอาจแสดงผลตามหลักสัทศาสตร์ สิ่งเหล่านี้แก้ไขได้อย่างรวดเร็วเนื่องจากเกิดขึ้นซ้ำ และการค้นหาและแทนที่ในเอกสารที่ส่งออกจะช่วยจัดการกับการสะกดผิดที่เกิดซ้ำได้ในคราวเดียว

เคล็ดลับความแม่นยำบางประการ

สิ่งเดียวที่สำคัญที่สุดก็คือคุณภาพการบันทึก ดังนั้นความพยายามที่ใช้กับไมโครโฟนและห้องที่เงียบสงบจึงคุ้มค่าเมื่อถึงเวลาถอดเสียง ยิ่งไปกว่านั้น แทร็กต่อผู้พูดยังให้ทั้งข้อความที่สะอาดที่สุดและป้ายกำกับผู้พูดที่สะอาดที่สุด เนื่องจากระบบไม่จำเป็นต้องแยกเสียงสองเสียงออกจากรูปคลื่นสัญญาณเดียว วางไมค์ของแขกไว้ใกล้และสม่ำเสมอแทนที่จะลอยไป และคุณจะใช้เวลาแก้ไขกับเนื้อหาแทนการซ่อมแซม

เมื่อคุณตรวจทาน ให้อ่านโดยเปิดเสียงไว้และแก้ไขโดยผ่าน: ป้ายกำกับผู้พูดก่อน จากนั้นได้ยินชื่อและศัพท์เฉพาะผิด จากนั้นจึงทับซ้อนกันเป็นครั้งคราว การทำงานตามหมวดหมู่ทำได้เร็วกว่าการอ่านจากบนลงล่าง และช่วยให้เอกสารของคุณสะอาดพอที่จะเผยแพร่ได้

ตั้งแต่ข้อความถอดเสียงไปจนถึงการโน้ตประกอบตอน

การโน้ตประกอบตอนไม่ใช่บทสรุปของทุกสิ่งที่กล่าว เป็นเครื่องช่วยนำทางสำหรับผู้ฟังและเป็นพื้นที่ค้นหาสำหรับผู้ที่ยังไม่ได้กดเล่น โครงสร้างที่เหมาะกับการสัมภาษณ์และการสนทนาส่วนใหญ่จะแสดง:

สรุปตอน 2-4 ประโยค ดึงหัวข้อหลักออกจากข้อความถอดเสียง อะไรคือข้อโต้แย้งหลัก เรื่องราว หรือประเด็นสำคัญ? เขียนเพื่อให้คนตัดสินใจว่าจะฟังหรือไม่

บทที่มีการประทับเวลา สแกนบทถอดเสียงเพื่อดูการเปลี่ยนแปลงหัวข้อ แต่ละครั้งที่บทสนทนาเปลี่ยนเป็นหัวข้อใหม่ ให้จดบันทึกเวลาและเขียนคำอธิบายหนึ่งบรรทัด การประทับเวลามาจากข้อความถอดเสียงโดยตรง ดังนั้นคุณจะไม่ต้องฟังซ้ำเพื่อค้นหาสิ่งเหล่านั้น

[00:02:15] เปิดตัวบริษัทโดยไม่มีงบประมาณทางการตลาด
[00:14:30] รายได้ลดลง 40% และสาเหตุที่ทำให้รายได้ลดลง
[00:28:44] การสร้างใหม่: สิ่งที่เปลี่ยนแปลงไป ภายใน
[00:51:00] คำแนะนำสำหรับผู้ก่อตั้งในตำแหน่งเดียวกัน

คำพูดสำคัญ ดึงสองหรือสามบรรทัดที่รวบรวมคำกล่าวอ้างหลักของตอนหรือช่วงเวลาที่สามารถอ้างอิงได้มากที่สุด อ้างอิงคำต่อคำจากการถอดเสียงและระบุชื่อผู้พูดแต่ละคน ไม่ว่าจะใช้คำพูดตามที่พูดทุกประการ หรือตัดส่วนเติมและการเริ่มต้นที่ผิดพลาดเพื่อให้โน้ตประกอบตอนที่สะอาดตาเป็นสิ่งที่คุ้มค่าที่จะตั้งใจ และ การถอดเสียงแบบเกลาคำและการถอดเสียงคำต่อคำ จะพิจารณาทั้งสองอย่าง เนื่องจากข้อความสามารถค้นหาได้ การค้นหาข้อความที่แน่นอนของบรรทัดที่คุณจำได้ครึ่งหนึ่งจึงใช้เวลาไม่กี่วินาที

ลิงก์และแหล่งข้อมูลของผู้เยี่ยมชม เพิ่มสิ่งที่แขกกล่าวถึง หากต้องการค้นหา URL ที่พูดอย่างรวดเร็ว ให้ค้นหาส่วนถอดเสียงเช่น “dot com” หรือ “slash” ผู้คนพูดออกเสียงที่อยู่เว็บบ่อยกว่าที่คุณคาดหวัง และการถอดเสียงแบบคำต่อคำก็จับได้

การถอดเสียงแบบเต็ม ไม่บังคับแต่มีคุณค่า วางข้อความทั้งหมดไว้ใต้บันทึกย่อหรือลิงก์ไปยังหน้าการถอดเสียงแยกต่างหาก นี่คือจุดที่ค่าการค้นหายังคงอยู่ เนื่องจากเนื้อหาที่พูดสามารถจัดทำดัชนีได้ หากแพลตฟอร์มโฮสต์ของคุณยอมรับการอัปโหลดการถอดเสียง การส่งออก JSON จะมีข้อมูลระดับคำพูด ไม่เช่นนั้นข้อความธรรมดาก็เพียงพอแล้ว

ตัวอย่างข้างต้น

สมมติว่าคุณบันทึกการสัมภาษณ์ผู้ก่อตั้งความยาว 58 นาทีเป็นสองแทร็กและผสมให้เป็น MP3 หนึ่งเพลง คุณวาง MP3 ไว้ที่ /podcast-transcription ดูตัวอย่าง 30 วินาทีแยกโฮสต์และแขกอย่างถูกต้อง ลงทะเบียน และอัปโหลดไฟล์เต็ม สำเนากลับมาพร้อมกับ ผู้พูด A และ ผู้พูด B; คุณเปลี่ยนชื่อเป็น “Alex” และ “Jamie” ได้ในสองครั้ง จากนั้น บทสรุปจะมาจากช่วงเริ่มต้นของสองนาที สี่บทด้านบนมาจากการสแกนหาการเปลี่ยนแปลงหัวข้อ และเครื่องหมายคำพูดสองอันมาจากการค้นหาข้อความในช่วงเวลาที่คุณจำได้ โน้ตประกอบตอนตั้งแต่ต้นจนจบใช้เวลาประมาณ 15 นาที ส่วนใหญ่เป็นการแก้ไขของคุณเอง แทนที่จะรอหรือถอดเสียง

เพิ่มคำบรรยาย

หากคุณเผยแพร่เวอร์ชันวิดีโอของตอนไปยังแพลตฟอร์ม เช่น โฮสต์วิดีโอ วิดีโอ Spotify หรือ LinkedIn การส่งออก SRT จะเป็นไฟล์คำบรรยายตามเวลาที่พร้อมที่จะอัปโหลด ไม่มีขั้นตอนเพิ่มเติม เนื่องจากทรานสคริปต์ที่คุณสร้างไว้แล้วจะมีข้อมูลเวลาอยู่ด้วย สำหรับขั้นตอนการทำงานที่กว้างขึ้นในการใส่คำบรรยายลงในคลิป รวมถึงไฟล์เบิร์นอินเทียบกับไฟล์ไซด์คาร์ โปรดดูวิธีเพิ่มคำบรรยายลงในวิดีโอ

หากจุดเริ่มต้นของคุณคือการบันทึกวิดีโอแทนที่จะเป็นการส่งออกเสียง กระบวนการจะเหมือนกัน เสียงจะถูกแยกออกจากเบราว์เซอร์ของคุณก่อน หน้า วิดีโอเป็นข้อความ ครอบคลุมเส้นทางนั้นทั้งหมด

ตอนยาวและหลายตอน

สำหรับตอนที่มีความยาวฟีเจอร์หรือการบันทึกสด Hushscript ใช้เวลาอัปโหลดสูงสุด 10 ชั่วโมง โดยไม่จำกัดขนาดไฟล์ การเสวนาความยาวสี่ชั่วโมงหรือตอนในรูปแบบสารคดีจะดำเนินไปเป็นไฟล์เดียว แทนที่จะถูกแบ่งออกเป็นส่วนๆ ซึ่งมีความสำคัญด้วยเหตุผลสองประการ ป้ายกำกับผู้พูดจะสม่ำเสมอทั่วทั้งไฟล์ ดังนั้นคุณจึงติดป้ายกำกับใหม่เพียงครั้งเดียว และการประทับเวลาเป็นแบบต่อเนื่อง ดังนั้นบทที่จุดสามชั่วโมงจึงอ่านว่า [03:12:40] แทนที่จะเริ่มต้นใหม่จากศูนย์ในส่วนที่สอง

หากคุณบันทึกซีรีส์ที่มีหลายส่วนในเซสชันเดียว ให้ถอดเสียงเซสชันทั้งหมดเป็นไฟล์เดียวและแบ่งโน้ตประกอบตอนทีละส่วนในภายหลัง การตัดเสียงก่อนจะทำให้งานการติดป้ายกำกับใหม่ทวีคูณเท่านั้น

เหตุใดจึงรวดเร็ว

สำหรับจังหวะการเผยแพร่ปกติ รายสัปดาห์หรือสองครั้งต่อสัปดาห์ กิจวัตรการถอดเสียงเพื่อแสดงโน้ตจะบีบอัดเป็นนาทีต่อตอนเมื่อคุณทำไปสองสามครั้ง: วางไฟล์ ติดป้ายกำกับผู้พูดใหม่ สแกนหาบท ดึงคำพูด ส่งออก ป้ายกำกับผู้พูดที่แสดงที่มาฟรีคือสิ่งที่ช่วยขจัดส่วนที่น่าเบื่อออกไป คุณใช้เวลาไปกับการตัดสินของกองบรรณาธิการที่แสดงหมายเหตุที่จำเป็นจริงๆ ไม่ใช่พิจารณาว่าใครพูดอะไร