12
在很多重要的場(chǎng)所或者對(duì)話(huà)過(guò)程中，需要用到速記，它的特點(diǎn)就是記錄速度快、效率高，可以用比漢字快三倍以上的書(shū)寫(xiě)速度來(lái)記錄別人的對(duì)話(huà)。但速記畢竟是個(gè)技術(shù)活，不是人人都可以輕松掌握的一項(xiàng)技能，另外專(zhuān)業(yè)速記人員不好請(qǐng)（現(xiàn)場(chǎng)速記略貴）也是一個(gè)不爭(zhēng)的事實(shí)，所以在很多場(chǎng)景下，將現(xiàn)場(chǎng)錄音轉(zhuǎn)交速記人員轉(zhuǎn)錄成文字成了不二之選。
那么將錄音轉(zhuǎn)錄為文字，能不需要人工嗎？將語(yǔ)音轉(zhuǎn)化為文字，對(duì)目前的技術(shù)而言并非難事，很多語(yǔ)音助手都有較高的語(yǔ)音識(shí)別度，就連微信也能直接將語(yǔ)音翻譯為文字，就更別說(shuō)那些能支持語(yǔ)音輸入的輸入法們，所以要將將錄音轉(zhuǎn)為文字，是可以讓機(jī)器完成的。
90后創(chuàng)業(yè)團(tuán)隊(duì)聽(tīng)道在做就是這個(gè)，用創(chuàng)始人董建成自己的話(huà)說(shuō)就是“我們自己的‘初心’就是讓更多需要技術(shù)來(lái)解決問(wèn)題的人能用得上高新技術(shù)，而不是讓技術(shù)成為擺設(shè)，有困難的人還是得不到解決，所以我們定位是在技術(shù)層到應(yīng)用層的企業(yè)“。
董建成（公眾號(hào)：ting dao）：目前采用的語(yǔ)音識(shí)別技術(shù)雖然不是自己做得，但也不是哪一家的，而是同時(shí)選用了多家語(yǔ)音識(shí)別的技術(shù)。之所以不自己做，是這塊如果沒(méi)有個(gè)一二十年的積累，肯定是做不出來(lái)的，尤其是對(duì)于小團(tuán)隊(duì)來(lái)說(shuō)，第一沒(méi)這個(gè)能力做，第二即便現(xiàn)在去做，也做不過(guò)別人。
選擇多家技術(shù)的糅合也不是沒(méi)有章法的，經(jīng)過(guò)研究對(duì)比，我們發(fā)現(xiàn)每個(gè)引擎（語(yǔ)音識(shí)別技術(shù)）都有自己擅長(zhǎng)處理的一個(gè)領(lǐng)域，有的善于處理KTV環(huán)境下的錄音，有的對(duì)大馬路上的錄音處理效果好，不同環(huán)境下，不同領(lǐng)域內(nèi)的詞匯偏重，都會(huì)影響最終的轉(zhuǎn)錄效果。
降噪部分我們自己做，有單獨(dú)的算法，不但降噪還能自動(dòng)把每句話(huà)是時(shí)間點(diǎn)精確地自動(dòng)地切分好，提高識(shí)別效率，不過(guò)音源肯定是清晰度越高越好，因?yàn)榧词褂薪翟?，也?huì)降低識(shí)別準(zhǔn)確度，音源清晰發(fā)音清晰最好
我們還能通過(guò)對(duì)錄音環(huán)境的甄別，領(lǐng)域的劃分，對(duì)比結(jié)果后選擇最好的文字呈現(xiàn)給用戶(hù)，但是對(duì)于口音暫時(shí)沒(méi)有自動(dòng)區(qū)分。引擎與最終結(jié)果的選擇，是系統(tǒng)自動(dòng)完成的。
董建成：首先在噪音處理這塊，是我們自己做的，所以通過(guò)噪音的頻譜以及響度可以大概區(qū)分出來(lái)是處于哪個(gè)環(huán)境，然后再去初選引擎。
每個(gè)引擎會(huì)對(duì)自動(dòng)的對(duì)自己識(shí)別的結(jié)果給出一個(gè)評(píng)分，也就是置信度，分?jǐn)?shù)越高表示結(jié)果越準(zhǔn)確，所以置信度的高低決定了最終會(huì)選用哪個(gè)結(jié)果。
最終的結(jié)果還會(huì)跟用戶(hù)修改后的文字進(jìn)行對(duì)比，一并收納進(jìn)大數(shù)據(jù)庫(kù)。若下次再在遇到同樣的結(jié)果時(shí)，就能直接在我們這邊直接給出更符合用戶(hù)需求的文字。
董建成：引擎方提供SDK，其中包含了使用協(xié)議，而我們則是直接使用他們的API做了一個(gè)應(yīng)用，即便是用于商業(yè)化也沒(méi)有問(wèn)題，微信就是這樣做的。
董建成：主要是出于兩點(diǎn)考慮，第一個(gè)就是之前所說(shuō)的通過(guò)不斷地收集修改前后的文字對(duì)比，來(lái)完善最終文字。另一點(diǎn)的話(huà)，就還是通過(guò)選擇多種引擎來(lái)提供最為合適的結(jié)果。
錄音轉(zhuǎn)文字，之所以轉(zhuǎn)化率低，不是因?yàn)橐娌恍?，而是錄音這一塊出的問(wèn)題會(huì)比較多。很多引擎說(shuō)自己的轉(zhuǎn)化率能達(dá)到95%或者99%，其實(shí)也沒(méi)錯(cuò)，不過(guò)前提是錄音清晰的情況下。
用微信說(shuō)話(huà)的時(shí)候，一般都是拿著手機(jī)講，距離比較近，所以轉(zhuǎn)錄效果非常好。而正常錄音的話(huà)，一般距離較遠(yuǎn)，環(huán)境也會(huì)更加復(fù)雜，這樣一來(lái)就容易造成錄音不清晰，噪音比較大。
未來(lái)，我們可能推出自動(dòng)定向的錄音麥克風(fēng)，采用四點(diǎn)麥克風(fēng)陣列，誰(shuí)在說(shuō)話(huà)時(shí)就調(diào)整陣列，只收集說(shuō)話(huà)人的聲音，算法我們已經(jīng)驗(yàn)證過(guò)了，可行，效果也可以。
董建成：錄音寶做到比較好的地方是能實(shí)時(shí)錄音，能夠顯示錄音時(shí)的地址，按時(shí)間軸存儲(chǔ)文件，一件轉(zhuǎn)錄文字，也可以一鍵導(dǎo)出音頻與文字。但錄音筆實(shí)際上是偏重于日常生活，對(duì)于處理工作中一小時(shí)，兩小時(shí)的長(zhǎng)時(shí)間錄音的話(huà)，它就不是那么方便。比如說(shuō)，在一段很長(zhǎng)的錄音文件中，中間可能有一段錄音是不需要的，但是卻沒(méi)辦法刪掉，只能導(dǎo)出來(lái)之后，手動(dòng)修改。
而在我們的網(wǎng)頁(yè)版上，就能在導(dǎo)出之前勾選你說(shuō)需要的或者不需要的內(nèi)容。而且能夠就這每一句話(huà)聽(tīng)錄音編輯修改轉(zhuǎn)錄出來(lái)的文字。另外一個(gè)就是，我們轉(zhuǎn)錄出來(lái)的文字是帶有時(shí)間節(jié)點(diǎn)的，可以直接生成字幕格式。比如說(shuō)，你要發(fā)布一個(gè)視頻，那么你就不要再去配字幕了，直接就能用。
我們的定位主要是專(zhuān)業(yè)軟件，能夠多平臺(tái)同步處理，只要錄音文件上傳到了云端，那么用戶(hù)無(wú)論是在家還是辦公室，只要打開(kāi)這個(gè)軟件，就能繼續(xù)編輯，這樣的話(huà)，就能不受限于工作地點(diǎn)與電腦。我們不是純做技術(shù)，我們是底層技術(shù)研發(fā)和解決用戶(hù)實(shí)際問(wèn)題之間的橋梁，是為了將現(xiàn)有的技術(shù)真實(shí)用來(lái)解決用戶(hù)實(shí)際需求的。
對(duì)于文字的編輯這塊，我們也有獨(dú)特的地方，比如說(shuō)對(duì)每一句話(huà)的起點(diǎn)與終點(diǎn)劃分，十分準(zhǔn)確，而且是修改哪一行，就能播放哪一句聲音。如果在文字內(nèi)容修改時(shí)按回車(chē)，不僅文字內(nèi)容會(huì)拆分，音頻內(nèi)容也會(huì)自動(dòng)分段，依據(jù)是語(yǔ)音與文字對(duì)應(yīng)的頻率，還有時(shí)間點(diǎn)。其他基本的文字編輯功能與技巧與常有的WORD差不多。
董建成：將來(lái)發(fā)展是有可能替代速記的，但會(huì)很久，目前是幫助速記。
就目前的平臺(tái)處理速度而言，一小時(shí)的文件，需要10分鐘才能出稿。以后，會(huì)采用分段處理的方式，將一段錄音分解成無(wú)數(shù)小段，同時(shí)轉(zhuǎn)錄，雖然會(huì)消耗服務(wù)器大量的計(jì)算能力，但能保證一小時(shí)文件一分鐘左右完成轉(zhuǎn)錄。
從成本身而言，現(xiàn)在人力成本太高，請(qǐng)一個(gè)速記人員到現(xiàn)場(chǎng)除了要按字付錢(qián)之外，還得額外給出勤費(fèi)，按日計(jì)算的。時(shí)間成本也高，現(xiàn)場(chǎng)速記可不是當(dāng)場(chǎng)結(jié)束就能當(dāng)場(chǎng)給出的，速記人員還得回過(guò)去校隊(duì)一次，要不然很多東西是看不懂的，而錄音給速記人員去轉(zhuǎn)錄文章的話(huà)，1小時(shí)的錄音最快也得花一小時(shí)轉(zhuǎn)錄出來(lái)。
機(jī)器轉(zhuǎn)錄的話(huà)，目前基本上都是免費(fèi)的，以后收費(fèi)也可能是在精度，處理速度與存儲(chǔ)空間上做文章，所以不用太擔(dān)心。時(shí)間現(xiàn)在差一點(diǎn)的一小時(shí)文件可能上傳，轉(zhuǎn)錄，導(dǎo)出算一起不到20分鐘的樣子，未來(lái)會(huì)更快。至于，轉(zhuǎn)化率的問(wèn)題，人工速記的精度并高，還是需要用戶(hù)再次校對(duì)，那么隨著機(jī)器轉(zhuǎn)錄的置信度的提高，需要用戶(hù)校對(duì)的地方也只會(huì)越來(lái)越少。
人工速記定會(huì)被機(jī)器取代，這一點(diǎn)是可以確定的，但這個(gè)速記終結(jié)者是不是聽(tīng)道，就不要一定了，或許是引擎?zhèn)兊目赡苄愿蟆?/p>
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
