Blog
Tải âm thanh lên để chuyển thành văn bản có an toàn không?
Tác giả: Hushscript Ngày đăng: Rà soát lần cuối:
Việc tải âm thanh lên để phiên âm có thể hợp lý khi công cụ, bản ghi và các quy tắc hiện hành phù hợp. Bản thân việc phiên âm chỉ là một phần của rủi ro. Điều quan trọng là điều gì sẽ xảy ra khi tệp rời khỏi thiết bị của bạn: nó được lưu trữ ở đâu, nó tồn tại ở đó bao lâu, ai khác xử lý nó và liệu nó có thể được sử dụng để huấn luyện mô hình hay không. Các chính sách rất khác nhau nên câu hỏi về an toàn thực sự là câu hỏi về dịch vụ cụ thể mà bạn sắp tin tưởng.
Bài viết này trình bày những gì thực sự xảy ra với tệp bạn tải lên, bốn câu hỏi đáng để hỏi bất kỳ công cụ phiên âm nào, cách Hushscript giữ mức độ phơi nhiễm ở mức thấp và các dấu hiệu cảnh báo sẽ khiến bạn đóng tab đó. Đây là một bài giải thích, không phải lời chào hàng. Các câu hỏi này áp dụng cho mọi công cụ, kể cả những công cụ không phải của chúng tôi.
Điều gì thực sự xảy ra với âm thanh của bạn
Khi bạn tải tệp lên, tệp đó sẽ không đi tới một nơi rồi quay trở lại ngay. Nó di chuyển qua một số hệ thống và câu hỏi về quyền riêng tư là mỗi hệ thống sẽ làm gì với nó.
Lưu trữ. Dịch vụ tải lên có thể ghi tệp của bạn vào bộ lưu trữ đối tượng đám mây trước khi công cụ nhận dạng giọng nói xử lý nó. Bộ lưu trữ đó có chính sách lưu giữ, cho dù trang tiếp thị có nêu rõ ràng hay không. Nguyên tắc GDPR của Ủy ban Châu Âu quy định rằng dữ liệu cá nhân phải được lưu trữ trong thời gian ngắn nhất có thể và được xem xét theo giới hạn xóa đã xác định. Yêu cầu khoảng thời gian lưu giữ thực tế thay vì suy ra khoảng thời gian đó từ danh sách tính năng.
Xử lý. Âm thanh có thể đi qua một hoặc nhiều hệ thống chạy tính năng nhận dạng giọng nói, tách người nói và dọn dẹp. Một dịch vụ có thể sử dụng công cụ hoặc bộ xử lý riêng, vì vậy hãy kiểm tra các bộ xử lý phụ được đặt tên và điều khoản lưu giữ của chúng thay vì cho rằng công ty trên trang tải lên là bên duy nhất có liên quan.
Dữ liệu huấn luyện. Các mô hình giọng nói tốt lên nhờ được huấn luyện trên âm thanh thật, và bản ghi âm thật của khách hàng là nguyên liệu huấn luyện rất có giá trị. Một số dịch vụ có quyền sử dụng nội dung tải lên của bạn để “cải thiện sản phẩm” theo điều khoản của họ. Đây hiếm khi là hộp chọn tham gia rõ ràng tại thời điểm tải lên. Nó thường bị ẩn trong các điều khoản dịch vụ hoặc được bật theo mặc định với tùy chọn không tham gia mà bạn phải tìm.
Nhật ký. Ngay cả các công cụ xóa âm thanh cũng thường giữ lại siêu dữ liệu: thời điểm bạn tải lên, thời lượng của tệp, ngôn ngữ được phát hiện, số lượng người nói. Siêu dữ liệu đó có mức độ rủi ro thấp hơn nhiều so với bản thân âm thanh nhưng cần biết rằng siêu dữ liệu này thường tồn tại lâu hơn bản ghi âm.
Điều đáng chú ý không phải là tất cả những điều này đều nguy hiểm. Đó là “tải âm thanh lên, lấy lại văn bản” ẩn giấu bốn hoặc năm quyết định riêng biệt và một công cụ cẩn thận với tất cả các quyết định đó trông rất khác so với một công cụ không thận trọng.
Bốn câu hỏi cần đặt ra cho bất kỳ công cụ chuyển thành văn bản nào
Bạn không cần phải đọc toàn bộ blog kỹ thuật của công ty để đánh giá một công cụ. Bốn câu hỏi bao gồm hầu hết rủi ro và một dịch vụ đã suy nghĩ kỹ về cách xử lý dữ liệu của mình có thể trả lời rõ ràng cả bốn câu.
| Câu hỏi | Cần tìm gì | Câu trả lời của Hushscript |
|---|---|---|
| Khi nào âm thanh bị xóa? | Một quy tắc được nêu rõ, gắn với công việc (“sau khi xử lý”), không phải “trong vòng 30, 60 hoặc 90 ngày” và không phải “khi bạn xóa tài khoản” | Hushscript xóa bản sao âm thanh phiên âm của mình sau khi xử lý |
| Nhà cung cấp nhận dạng giọng nói có giữ một bản sao không? | Một nhà cung cấp được nêu tên và một bước xóa được nêu rõ, không chỉ công ty bạn đăng ký | Hushscript yêu cầu nhà cung cấp nhận dạng giọng nói xóa bản sao bản phiên âm của họ khi công việc được hoàn tất; nếu yêu cầu đó thất bại, việc xóa có thể bị chậm lại |
| Âm thanh có được dùng để huấn luyện mô hình không? | Một tuyên bố rõ ràng trong chính sách quyền riêng tư, không phải ngôn ngữ mơ hồ như “cải thiện và phát triển dịch vụ của chúng tôi” | Hushscript không bao giờ huấn luyện mô hình bằng bản ghi âm của bạn |
| Những gì được lưu trữ, và nó có được mã hóa không? | Bản phiên âm được lưu trữ có được mã hóa khi lưu trữ hay không | Bản phiên âm được mã hóa khi lưu trữ: một vụ rò rỉ lưu trữ chỉ làm lộ văn bản mã hóa, không phải văn bản đọc được |
Đây không phải là những câu hỏi bẫy. Một công cụ trả lời thẳng thắn cả bốn câu hỏi xứng đáng được xem xét kỹ hơn. Một công cụ né tránh chúng cũng đã cho bạn biết điều gì đó.
Cách Hushscript giữ mức độ phơi nhiễm ở mức thấp
Nguyên tắc thiết kế đằng sau Hushscript là tiếp xúc tối thiểu: âm thanh của bạn sẽ dành ít thời gian nhất có thể trên bất kỳ máy chủ nào bên ngoài thiết bị của bạn và những gì được lưu trữ sẽ không thể đọc được nếu nó bị rò rỉ. Đó là điểm khác biệt về quyền riêng tư của chúng tôi, và cần nói cụ thể về cách nó hoạt động.
Video của bạn không bao giờ tải lên. Nếu bạn thả một tệp video vào, Hushscript sẽ chuẩn bị luồng âm thanh của nó trong trình duyệt của bạn trước khi gửi bất kỳ nội dung nào. Một luồng âm thanh tương thích được sao chép ra mà không mã hóa lại; việc chuyển đổi chỉ chạy cục bộ khi luồng đó cần. Thứ đến được dịch vụ phiên âm là một bản tải lên chỉ có âm thanh, còn dữ liệu video ở lại. Bản thân video vẫn ở trên thiết bị của bạn từ đầu đến cuối.
Hushscript xóa bản sao âm thanh phiên âm của mình sau khi xử lý. Việc xóa là tự động. Bạn không phải yêu cầu, và nó không phụ thuộc vào việc bạn có nhớ hay không. Âm thanh ở trạng thái xử lý tạm thời từ lúc tải lên đến khi có bản phiên âm, rồi Hushscript xóa nó.
Bản sao của nhà cung cấp nhận dạng giọng nói cũng được yêu cầu xóa. Hushscript yêu cầu nhà cung cấp nhận dạng giọng nói xóa bản sao bản phiên âm của họ khi công việc được hoàn tất. Nếu yêu cầu đó thất bại, việc xóa có thể bị chậm lại, nên đây là một yêu cầu chứ không phải lời hứa xóa tức thì. Hushscript không bao giờ huấn luyện mô hình bằng bản ghi âm của bạn. Cách đó trả lời câu hỏi về bên xử lý phụ một cách công khai thay vì để nó ngầm nằm trong một tuyên bố xóa ở cấp ứng dụng.
Bản phiên âm của bạn được mã hóa khi lưu trữ. Bản phiên âm nằm trong trang tổng quan của bạn được mã hóa ở nơi nó được lưu trữ. Nếu kho lưu trữ của chúng tôi bị rò rỉ, thứ mà kẻ tấn công sẽ nhận được là văn bản mật mã không thể đọc được, không phải là kho lưu trữ các từ của bạn có thể đọc được. Nói chính xác về giới hạn của tuyên bố đó: đây là biện pháp bảo vệ rò rỉ, không phải mã hóa kiểu zero-knowledge. Khóa được giữ trên máy chủ của chúng tôi để ứng dụng có thể giải mã và hiển thị cho bạn bản ghi của riêng bạn, vì vậy chúng tôi không khẳng định rằng chúng tôi không thể đọc được. Chúng tôi khẳng định rằng cơ sở dữ liệu bị đánh cắp sẽ trở nên vô dụng nếu không có khóa, đó chính là mối đe dọa mà mã hóa khi lưu trữ thực sự nhằm giải quyết.
Về các chứng nhận. Hushscript không có SOC 2 hoặc chứng nhận tuân thủ chính thức khác. Cách tiếp cận này là giữ bề mặt phơi nhiễm nhỏ ngay từ đầu (trích xuất âm thanh trong trình duyệt, xóa bản sao âm thanh sau khi xử lý, mã hóa những gì được lưu trữ) thay vì xây dựng một kho lưu trữ lớn các bản ghi và sau đó chứng nhận các biện pháp kiểm soát xung quanh nó. Nếu chứng nhận tuân thủ là yêu cầu bắt buộc đối với công việc của bạn thì đó là lý do hợp lý để chọn nhà cung cấp được chứng nhận thay thế; thà biết trước điều đó còn hơn là giả định.
Kết quả cuối cùng là một dấu vết dữ liệu ngắn. Bản sao âm thanh của Hushscript chỉ tồn tại cho công việc phiên âm. Trước đó, âm thanh nằm trên thiết bị của bạn. Sau khi xử lý, thứ còn lại là bản phiên âm, ở dạng văn bản mã hóa khi lưu trữ. Bạn có thể xem toàn bộ quy trình trên trang cách hoạt động, còn trang phiên âm riêng tư đi sâu vào chi tiết xử lý dữ liệu.
Một ví dụ thực tế: một cuộc phỏng vấn bí mật
Giả sử bạn là một nhà báo với một cuộc phỏng vấn được ghi âm dài 50 phút ở định dạng MP4 vì bạn đã quay nó trên điện thoại. Nguồn tin yêu cầu giấu tên. Đây là những gì sẽ xảy ra, từng bước một và nơi mà sự đảm bảo quyền riêng tư thực sự có tác dụng.
- Bạn thả MP4 vào bản xem trước. Chưa có tài khoản. Trang này đọc tệp trong trình duyệt của bạn và chuẩn bị âm thanh cục bộ. Video 1,8 GB không bao giờ rời khỏi máy tính xách tay của bạn; chỉ một bản tải lên chỉ có âm thanh được chuẩn bị cho bước tiếp theo.
- Bản xem trước dài 5 phút có gắn nhãn người nói xuất hiện. Bạn thấy phần trao đổi mở đầu đã được chia thành “Người nói 1” và “Người nói 2”, vì vậy bạn có thể xác nhận việc phân tách người nói là hợp lý trước khi thực hiện. Bản xem trước này là bước thực sự duy nhất không có tài khoản.
- Bạn đăng ký để phiên âm phần còn lại. Phiên âm có cổng đăng nhập nên cần có tài khoản. Tài khoản cá nhân đủ điều kiện có thể nhận 30 phút miễn phí một lần, sau khi xác minh thẻ hoặc cùng lần mua đầu tiên. Hãy dùng phương thức thanh toán hiển thị ở bước thanh toán. Một cuộc phỏng vấn 50 phút vượt quá 30 phút miễn phí, nên bạn sẽ cần nạp thêm; trang bảng giá có chi phí mỗi phút và điều khoản của số phút miễn phí.
- Toàn bộ âm thanh được phiên âm, rồi bị xóa. Tệp âm thanh được xử lý, sau đó Hushscript xóa bản sao của mình. Bản phiên âm là thứ ở lại trên máy chủ, được mã hóa khi lưu trữ.
- Bạn dán nhãn lại và xuất. Bạn đổi tên “Người nói 1” thành người phỏng vấn và “Người nói 2” thành bút danh của nguồn, sau đó xuất sang DOCX cho người biên tập và giữ lại TXT để ghi chú. Bản phiên âm nằm trong trang tổng quan của bạn, được mã hóa ở trạng thái lưu trữ cho đến khi bạn xóa nó.
Ý nghĩa của ví dụ: video gốc không bao giờ đến máy chủ, Hushscript xóa bản sao âm thanh của mình sau khi xử lý, và bất kỳ ai xâm phạm kho lưu trữ mà không có khóa đều không đọc được bản phiên âm đã lưu. Đó là sự khác biệt giữa “chúng tôi đã phiên âm tệp của bạn” và “chúng tôi giữ giọng nói được ghi âm của nguồn tin của bạn vô thời hạn”.
Những băn khoăn thường gặp
Có vài tình huống xuất hiện đủ thường xuyên để nên trả lời thẳng.
“Tệp của tôi rất lớn: điều đó có nghĩa là tải lên dài và đầy rủi ro phải không?” Một video lớn được chuẩn bị cục bộ trước, vì video vẫn ở trên thiết bị của bạn và chỉ phần âm thanh của nó được gửi đi. Các luồng âm thanh tương thích được sao chép mà không mã hóa lại, còn việc chuyển đổi chỉ dành cho các tệp cần đến nó. Không có giới hạn kích thước tệp, và ngay cả một video rất lớn cũng được chuẩn bị ngay trong trình duyệt của bạn, miễn là bản ghi dài trong vòng 10 giờ.
“Điều gì sẽ xảy ra nếu bản ghi có những nội dung mà tôi không muốn lưu trữ?” Hãy dùng chế độ riêng tư: chế độ này chỉ nhận dạng giọng nói và trả về kết quả là một kho lưu trữ được bảo vệ bằng mật khẩu, không lưu bản phiên âm vào tài khoản của bạn. Với bản phiên âm thông thường, hãy xuất những gì bạn cần và xóa bản phiên âm khi bạn không cần nữa.
“Tôi chỉ có tệp âm thanh, không có video, việc trích xuất trong trình duyệt còn quan trọng không?” Với một tệp âm thanh thuần túy thì không có video nào để giữ lại, nên biện pháp bảo vệ cụ thể đó không áp dụng. Những biện pháp vẫn áp dụng lại là những biện pháp quan trọng nhất cho công việc nhạy cảm: Hushscript xóa bản sao âm thanh của mình sau khi xử lý, không bao giờ huấn luyện mô hình bằng bản ghi âm của bạn, và mã hóa bản phiên âm khi lưu trữ.
“Công cụ miễn phí có tự động kém an toàn hơn không?” Không tự động. Nhưng nếu một công cụ hoàn toàn miễn phí và không có cách nào rõ ràng để kiếm tiền thì nên hỏi xem thứ gì đang được đem ra kiếm tiền. Đôi khi câu trả lời chính là dữ liệu bạn đang đóng góp. Công cụ trả phí hoặc trả theo mức dùng ít nhất có mô hình tài chính không phụ thuộc vào việc khai thác các tệp bạn tải lên.
Kho lưu trữ so với chuyển thành văn bản rồi xóa
Một công cụ phiên âm có hai mô hình trung thực, và mô hình nào phù hợp tùy vào thứ bạn đang phiên âm.
Công cụ kho lưu trữ giữ âm thanh và bản phiên âm của bạn trong thư viện có thể tìm kiếm mà bạn có thể quay lại nhiều tháng sau. Điều đó thực sự hữu ích nếu bạn đang xây dựng cơ sở kiến thức cá nhân về các bản ghi âm của riêng mình và nội dung không nhạy cảm, chẳng hạn như một podcaster lưu trữ các tập của riêng họ. Cái giá phải trả là một đống bản ghi âm ngày càng lớn của bạn nằm trên máy chủ của người khác.
Một công cụ phiên âm rồi xóa, như Hushscript, coi bản phiên âm là sản phẩm bàn giao và âm thanh là phương tiện để có được nó. Hushscript xóa bản sao âm thanh của mình sau khi xử lý, còn bản phiên âm là của bạn để xuất và xóa. Đó là mô hình phù hợp khi bản ghi âm là thông tin mật và bạn đã có bản sao tệp nguồn của riêng mình, vì công cụ không có lý do gì để giữ thêm một bản.
Cả hai đều không sai. Nhưng đối với các bản ghi pháp lý, cuộc phỏng vấn, ghi chú trị liệu hoặc bất kỳ nội dung nào có nguồn ẩn danh, mô hình thứ hai sẽ loại bỏ một gánh nặng mà mô hình thứ nhất tích lũy theo thời gian.
Những dấu hiệu cảnh báo cần chú ý
Khi bạn đánh giá bất kỳ công cụ nào, có vài tín hiệu nên coi là lời cảnh báo.
Ngôn ngữ lưu giữ mơ hồ. “Chúng tôi lưu trữ tệp của bạn trong một khoảng thời gian hợp lý” hoặc “tệp có thể được giữ lại để cải thiện dịch vụ của chúng tôi” không phải là cam kết. “Hợp lý” có thể có bất kỳ ý nghĩa nào và “cải thiện dịch vụ của chúng tôi” thường bao gồm việc huấn luyện mô hình.
Điều khoản huấn luyện ẩn trong điều khoản dịch vụ. Kiểm tra phần “Sử dụng được chấp nhận”, “Nội dung” hoặc “Giấy phép” trong điều khoản dịch vụ, không chỉ chính sách bảo mật. Một số công cụ tự cấp cho mình giấy phép rộng rãi để sử dụng nội dung đã gửi theo cách họ muốn, có thể lặng lẽ bao gồm cả việc huấn luyện mô hình bằng nội dung đó.
Không có câu trả lời rõ ràng cho câu hỏi trực tiếp. Nếu bộ phận hỗ trợ không thể nói rõ ràng khi nào âm thanh bị xóa hoặc liệu bản ghi có được sử dụng để huấn luyện mô hình hay không thì sự im lặng đó chính là câu trả lời.
Miễn phí mà không có mô hình tài trợ rõ ràng. Nếu một công cụ hoàn toàn miễn phí và bài toán kinh tế không rõ ràng, hãy cân nhắc xem sản phẩm đang được bán có phải là dữ liệu bạn đang chuyển giao hay không.
Lưu trữ vô thời hạn đi kèm tính phí khi xuất. Một công cụ lưu âm thanh của bạn mãi mãi nhưng tính phí để xuất bản phiên âm được thiết kế để giúp bạn phụ thuộc vào bộ lưu trữ đó chứ không trao cho bạn quyền kiểm soát nội dung của chính mình.
Với các cuộc phỏng vấn, bản ghi âm pháp lý hoặc bất kỳ âm thanh nào có nội dung nhạy cảm, câu hỏi quan trọng không phải là bản phiên âm có chính xác hay không mà là âm thanh tạo ra nó có còn thuộc về bạn hay không. Trang phiên âm riêng tư trình bày cách tiếp cận của Hushscript so với mặc định.
Và nếu bạn muốn có cơ chế xóa cụ thể (khi điều đó xảy ra, điều gì được coi là “đã xóa” và lý do chúng tôi đặt điều đó làm mặc định), tại sao chúng tôi xóa âm thanh của bạn sau khi phiên âm sẽ trình bày chi tiết về điều đó.
Nguồn và tiêu chuẩn độc lập
Hushscript đã tham khảo các nguồn độc lập, không cạnh tranh này. Chúng giải thích nghiên cứu, tiêu chuẩn hoặc cách nền tảng hoạt động và không đồng nghĩa với việc ủng hộ Hushscript.
Ngày rà soát nguồn: