部落格
Podcast 轉成逐字稿的方法(免費預覽)
作者: Hushscript 發布: 最後審閱:
要把 Podcast 轉成逐字稿,請上傳該集的音檔,先看免費的 5 分鐘預覽,再登入並執行完整轉錄。Hushscript 會標記每位主持人與來賓,您只需重新命名標籤一次,再把文字匯出成 TXT、DOCX 或 SRT。完整的一集需要帳戶和足夠的可用分鐘數;建立帳戶不需要信用卡。
Podcast 逐字稿一份兩用。它讓喜歡閱讀而不是聆聽的聽眾能搜尋並讀到這一集,也讓您不必重聽錄音,就有引述、章節和字幕的原始素材。各平台的支援是實實在在的:Apple Podcasts 為創作者說明了逐字稿與章節導覽。本指南涵蓋如何轉錄 Podcast、標記各個聲音、處理常見問題,以及運用成果。產品頁面請見 Podcast 逐字稿。
最節省時間的步驟是區分說話者。一整塊沒有分段的逐字稿,用起來幾乎和聽音訊一樣費工。Hushscript 會自動標記每個聲音,而且每份逐字稿都免費,所以對話回來時仍然是對話的樣子。
開始之前需要什麼
該集的錄音,任何常見的音訊或影片格式皆可,也可以是音檔的直接連結。如果您已從編輯軟體匯出純音訊檔案(MP3、WAV、M4A),可以直接使用。如果您手上只有 Zoom、Riverside 或 Ecamm 的影片錄製檔,同樣可行,音訊會在瀏覽器中提取,影片永遠不會上傳。
乾淨的來源音訊比什麼都有幫助。當每個人的聲音各有特色、也沒有一直互相搶話時,說話者標籤的效果最好。如果您把每位參與者錄在獨立的音軌上,就已經擁有最乾淨的輸入。單一混音軌同樣可用,只是更依賴說話者辨識來分辨聲音。可以的話,先錄乾淨的人聲,之後再於編輯軟體中加入背景音樂,因為在連續說話底下播放的片頭曲,是唯一會穩定拉低準確度的因素。
轉錄完整的一集需要帳戶。5 分鐘預覽是不需要帳戶的步驟,因此您在註冊之前,就能先用自己的檔案檢查說話者標籤和文字品質。
將 Podcast 轉成逐字稿,逐步說明
流程是先預覽,再註冊,然後轉錄其餘部分。這就是把 Podcast 音訊轉成文字的做法。
- 把檔案拖到 Podcast 逐字稿頁面。 Hushscript 會在瀏覽器中截取前 5 分鐘,並回傳附說話者標籤的預覽。這個步驟不需要帳戶。您能直接看到主持人和來賓如何被分開,以及自己的音訊轉出來的文字有多乾淨。
- 註冊以轉錄其餘部分。 輸入電子郵件並登入後,即可上傳完整的一集。符合資格的個人帳戶可在信用卡驗證後,或首次購買時,一次性獲得 30 分鐘免費額度供您試用;條款請見定價。完整轉錄需要帳戶及足夠的可用分鐘數。
- 等轉錄完成,然後匯出。 逐字稿回來時,每一句都帶有標籤和時間戳記。要編輯成節目筆記,就匯出 DOCX;要貼到 CMS,就匯出乾淨的 TXT;影片版本要加字幕,就匯出 SRT;如果您的 Podcast 託管平台接受逐句層級的逐字稿上傳,就匯出 JSON。
30 分鐘免費額度可以涵蓋一集短節目,或較長一集中具代表性的一段。60 分鐘的一集會從您的餘額扣除 60 分鐘,因此試用額度用完後需要儲值。
試用額度用完後,隨用隨付逐字稿是指預付分鐘套餐、無需訂閱,所以兩集之間的空檔月份不會產生任何費用。
標記每位主持人與來賓
說話者辨識會自動執行,您不需要開啟任何設定。兩人的一集(一位主持人、一位來賓),逐字稿會乾淨地分開,每一句都歸屬於兩個標籤之一。若是多人座談,Hushscript 會分出它聽到的所有不同聲音,沒有說話者人數上限。
要把通用標籤換成真實姓名:
- 在編輯器中點擊任一個
說話者 A。 - 輸入姓名,例如「Alex」或「主持人」。
- 該標籤在整份逐字稿中的每個位置會立即一併更新。
每個聲音只需重新標記一次,不必逐行處理。兩人的一集大約一分鐘,四人座談需要幾分鐘。重新標記之後,逐字稿中的一段看起來像這樣:
Alex [00:03:12]:所以當時你正在經營公司。最初有哪些徵兆?
Jamie [00:03:19]:老實說,就是數字。我們一個季度就掉了 40%。
Alex [00:03:27]:當時你無法解釋原因嗎?
Jamie [00:03:35]:好幾週都找不出來。那是最讓我睡不著的部分。
這就是擷取引述和撰寫附時間軸章節所需的結構。標籤會貫穿整個檔案,所以一集再長也只需標記一次。想了解區分聲音背後的原理,請見說話者辨識的運作方式。
標籤需要修正時
說話者辨識在乾淨的錄音上很準,但並非萬無一失,了解幾種常見情況,就能快速修正。
如果兩位來賓的聲音非常相似,偶爾會有幾句被歸到錯的說話者。請一邊開著音訊一邊瀏覽逐字稿,手動重新指定那幾句歸屬錯誤的內容。這比從頭輸入說話者姓名快得多,因為您只需要處理例外。
如果一位很少開口的安靜共同主持人被合併到另一個標籤,請先替主要說話者填上真實姓名,再找出應該屬於那個安靜聲音的少數幾句。在聲音分得清楚的錄音上,這兩種情況都很少遇到,這也是為什麼每人一軌值得在錄音時多花一點設定功夫。
常見問題,以及真正的成因
大多數轉錄問題都能追溯到錄音,而不是工具。有幾個問題值得在節目上線前先規劃。
互相插話與搶話。 這對任何說話者區分系統都是最難的情況,因為同一瞬間的兩個聲音無法被乾淨地分開。文字通常仍可閱讀,但嚴重重疊的片刻可能會被歸給其中一位說話者,或在交界處變得模糊。良好的 Podcast 錄製習慣在這裡本來就有幫助:主持人讓來賓把話說完,逐字稿自然更乾淨。真的發生時,對照音訊手動修正那幾行即可。
遠端來賓錄在同一軌上。 通話若錄成單一混音檔,比每位參與者各自一軌的同一場通話更難區分。如果您的工具支援在本機錄下每位參與者,請使用;如果您只有混音檔,逐字稿仍然能產出,只是更依賴說話者辨識。無論哪種方式,上傳的都是同樣的音訊,所以轉錄時沒有什麼不同的操作。如果您確實為每位來賓各錄了一軌,需要在上傳前合併成單一檔案,免費的音訊合併工具可以在瀏覽器中完成,不會上傳任何內容。透過 Chrome 分頁加入的來賓,可以用免費的 Hushscript Chrome 擴充功能錄製,它會將分頁與您的麥克風混成一份錄音。開始前,請先告知來賓。
濃重口音與語碼轉換。 Hushscript 會自動偵測語言,可轉錄約 99 種語言,其中十八種語言有頂尖的準確度,因此使用支援語言但口音明顯的來賓也能處理得很好。真正困難的是來賓在一句話中途切換兩種語言;請預期要手動整理切換的片語。完整的支援語言清單請見語言頁面。
片頭音樂與過場音效。 段落之間的音樂通常會被略過,而不會被轉成亂碼。只有在長時間於連續說話底下播放音樂時才會出問題。乾淨的解法在編輯端:先錄乾淨的人聲,之後再加入音樂,轉錄時就只會聽到說話聲。
人名、行話與品牌拼寫。 專業領域的來賓會使用模型可能以音譯方式呈現的術語和產品名稱。這些問題很快就能修好,因為它們會重複出現,在匯出的文件上搜尋並取代,一次就能處理重複出現的錯誤拼寫。
幾個提高準確度的訣竅
最大的槓桿是錄音品質,所以花在麥克風和安靜房間上的功夫,會在轉錄時回報。除此之外,每位說話者各一軌,既能得到最乾淨的文字,也能得到最乾淨的說話者標籤,因為系統不必從同一道波形中拆解兩個聲音。讓來賓的麥克風保持貼近且位置穩定,不要忽遠忽近,您就能把編輯時間花在內容上,而不是補救上。
校對時,請一邊開著音訊一邊閱讀,並分輪修正:先是說話者標籤,再是聽錯的人名和行話,最後才是偶爾的重疊。依類別處理比由上到下逐行閱讀更快,也能讓您得到一份乾淨到足以發布的文件。
運用逐字稿
文字整理乾淨後,就能作為引述、章節和字幕的基礎。每一句都附有時間戳記,所以不必重聽整集,就能找到話題轉換的位置。要在文字中搜尋口述的網址,可以找「dot com」或「slash」之類的片段。至於摘錄引述,請有意識地決定要不要保留贅詞;清稿逐字稿與完整逐字稿兩種做法都有說明。
節目筆記、章節和其餘發布流程,請見 Podcast 轉錄流程。
Spotify Podcast 逐字稿
Spotify 可以在單集旁顯示逐字稿。依其創作者說明,部分節目會有自動產生的逐字稿,聽眾在 Spotify 手機 App 的「正在播放」畫面和單集頁面中能看到。若要改為發布您自己審核過的文字,需上傳不超過 5 MB 的 VTT 或 SRT 檔。請附上時間戳記,否則文字無法在播放時同步。
要製作這個檔案,請轉錄您的原始節目音檔,而不是從 Spotify 取得的副本。Hushscript 不會從 Spotify 頁面匯入單集,而且編輯軟體匯出的檔案本來就是最乾淨的來源。在編輯器中修正人名與說話者標籤,再匯出 SRT 或 VTT。兩種格式都帶有 Spotify 要求的時間戳記。
先確認兩件事。Spotify 表示,若啟用自動產生的逐字稿,上傳的逐字稿會被取代,所以請先決定要用哪一種。另外,您無法在 Spotify for Creators 內編輯逐字稿:要在本機修改檔案後重新上傳。請把修正後的 SRT 當作主檔,每次修改後重新匯出。Spotify 也表示,視您的 Podcast 代管服務而定,可能無法同步您的逐字稿,而且並非所有創作者都能使用逐字稿,Spotify for Creators 手機 App 中也沒有。其說明把相關控制項放在網頁版 Spotify for Creators:整個節目到「設定」再到「逐字稿」,單集則到該集的「詳細資料」。
加上字幕
如果您把該集的影片版本發布到影片託管平台、Spotify 影片或 LinkedIn 等平台,SRT 匯出就是一份附時間軸、可直接上傳的字幕檔。不需要額外步驟,因為您已產生的逐字稿本來就帶有時間資料。如果您只有音檔,而平台要的是影片檔,免費的 MP3 轉 MP4 工具能在瀏覽器中把該集轉成搭配靜態圖片或純色畫面的 MP4,不會上傳任何內容。它支援最大 200 MB、約 3 小時的檔案。想了解把字幕加到影片上的完整流程,包括內嵌字幕與外掛字幕檔的差別,請見如何為影片加入字幕。
如果您的起點是影片錄製檔而不是匯出的音訊,流程完全相同,只是先在瀏覽器中提取音訊。影片轉文字頁面完整說明了這條路徑。
長篇與多段節目
對於長篇節目或現場錄音,Hushscript 接受最長 10 小時的上傳,沒有檔案大小限制。四小時的座談或紀錄片形式的一集,會以單一檔案處理,而不是被切成許多段,這有兩個重要原因。說話者標籤在整個檔案中保持一致,所以您只需重新標記一次。而且時間戳記是連續的,因此第三小時的章節會顯示為 [03:12:40],而不是在第二段從零重新開始。
如果您在同一場錄音中錄了多段系列,請將整場錄音當成單一檔案轉錄,之後再依段落拆分節目筆記。先切割音訊只會讓重新標記的工作倍增。
獨立來源與標準
Hushscript 參考了這些獨立且非競爭性的資料來源。它們用於說明研究、標準或平台運作方式,並不代表其為 Hushscript 背書。
來源審閱日期: