Deepgram أم AssemblyAI: لتفريغ مقابلات يمكن التحقق منها بالاستماع، ابدأ بالقنوات واللغات
ينبغي لفرق البحث عند اختيار واجهة برمجة لتفريغ الصوت أن تتحقق أولاً من قنوات التسجيل، والنموذج اللغوي المستخدم فعلياً، والتوقيت على مستوى الكلمات. يناسب Deepgram التحكم الصريح في إصدار فصل المتحدثين والتفريغ متعدد اللغات؛ وتستحق مخرجات AssemblyAI المرتبة حسب أدوار الحديث وملخصاتها ذات الفصول المؤقتة التقييم، لكن الانتقال إلى نموذج بديل بحسب اللغة والتصحيح البشري يظلان ضروريين.
تحويل المقابلة إلى نص سلس ينجز الخطوة الأولى فقط من العمل البحثي. يحتاج الفريق أيضاً إلى معرفة من قال كل جملة، وإمكانية النقر للاستماع إليها مجدداً، والقدرة على العودة إلى التسجيل الأصلي بعد تصحيح النص. يوفر كل من Deepgram وAssemblyAI بيانات التفريغ اللازمة لهذه التطبيقات. ينبغي أن تقارن عند اختيار الواجهة كيفية إدماجهما في المراجعة، لا أن تعتبر ترتيب الدقة الذي يعلنه المورد عن نفسه حكماً نهائياً.
إذا أراد الفريق التحكم الصريح في إصدار فصل المتحدثين ومعالجة تبديل اللغات ضمن نموذج تفريغ واحد متعدد اللغات، فإن Deepgram يستحق تجربة مبكرة. وإذا كان ينظم المراجعة حسب أدوار الحديث ويريد لاحقاً ملخصات مقسمة إلى فصول ذات طوابع زمنية، فإن AssemblyAI يستحق التقييم إلى جانبه. لا ينشئ أي منهما سجل التصحيحات وسلسلة أدلة الاقتباسات بمجرد إرجاع النص. تستند هذه المقارنة إلى الوثائق الرسمية المتحقق منها وليست ترتيباً مبنياً على اختبار التسجيلات نفسها.
احتفظ بالقنوات أولاً، ثم حدد من يتحدث
لنفترض أن مقابلة تسجل الباحث والمشارك في قناتين منفصلتين. احتفظ بهذا الفصل بدلاً من دمجهما في قناة واحدة ثم مطالبة النموذج بتخمين المتحدثين. تفرّغ ميزة Multichannel في Deepgram كل قناة بصورة مستقلة؛ وتعيد ميزة تفريغ القنوات المتعددة في AssemblyAI معلومات القناة لكل دور حديث ولكل كلمة أيضاً.
لكن القناة لا تعني بالضرورة شخصاً واحداً. إذا ضمت قناة ميكروفون غرفة الاجتماعات مشاركين اثنين، فلا يزال فصل المتحدثين داخلها ضرورياً. يسمح AssemblyAI بتفعيل multichannel وspeaker_labels معاً، وتُطبق الحدود الدنيا والعليا لعدد المتحدثين المتوقع على كل قناة. لا تستخدم نطاق عدد الأشخاص في المقابلة كلها كما هو لكل قناة. وبالمقابل، لا يضمن ملف ستيريو وجود شخص واحد في كل جانب؛ افحص ما يصدره برنامج التسجيل فعلياً قبل الشراء.
بالنسبة إلى تسجيلات تضم عدة أشخاص في قناة واحدة، تتيح ميزة فصل المتحدثين في Deepgram تثبيت إصدار الفاصل للمعالجة الدفعية باستخدام diarize_model=v2؛ أما latest فيتغير مع أحدث إصدار متاح للإنتاج العام. لا يزال الخيار القديم diarize=true يشير إلى v1، ولا يمكن ضبطه مع diarize_model في الطلب نفسه. ينبغي للفرق التي تحتاج إلى تفسير اختلاف المخرجات بين دفعات البحث أن تسجل هذه الإعدادات بدلاً من نسخ أمثلة قديمة.
يفعّل AssemblyAI فصل المتحدثين عبر speaker_labels، ويعيد utterances مع تسميات المتحدثين. التسميات A وB أو الأرقام ليست أسماء جرى التحقق منها. أبقِ خطوة تأكيد بشري عند ربط التسميات بهويات المشاركين، خصوصاً في المقاطعات والردود القصيرة.
يحتاج النص القابل للتحرير إلى نوعين من معلومات الثقة
توفر ميزة Utterances في Deepgram وقت بداية المقاطع والكلمات ونهايتها بالثواني؛ ويعيد فصل المتحدثين للتسجيلات المسبقة أيضاً speaker_confidence. توفر استجابة فصل المتحدثين في AssemblyAI أوقات بداية أدوار الحديث والكلمات ونهايتها بالمللي ثانية، ويمكن طلب الثقة في إسناد المتحدث باستخدام speaker_options.include_speaker_confidence. تجيب الثقة في النص والثقة في إسناد المتحدث عن سؤالين مختلفين: قد تُتعرف الكلمة بصورة صحيحة لكنها تُنسب إلى الشخص الخطأ.
لذلك يُنصح عند ربط محرر النص بتوحيد وحدات الوقت مع الاحتفاظ بالاستجابة الأصلية. يمكن تصحيح الكلمات ودمج الجمل المقطعة واستبدال تسميات الأشخاص في النسخة المعروضة؛ لكن لا تستبدل معها ترتيب الكلمات الأصلي، أو الفترات الزمنية، أو القنوات، أو إعدادات النموذج. مثلاً، قد تظهر عبارة نفي حاسمة قالها المشارك عند 12.5 ثانية في الاستجابة الأخرى عند 12500 مللي ثانية. يؤدي خطأ التحويل إلى الانتقال إلى موضع استماع خاطئ، حتى إن كانت الجملة المعروضة صحيحة تماماً.
وهذه تكلفة تنفيذ مشتركة بين الواجهتين: ما زال الفريق بحاجة إلى حفظ التسجيلات والإصدارات، وتسجيل من عدّل ماذا، وربط اقتباسات التقرير بمقاطع جرى التحقق منها. عند الاختيار، اطلب من المراجعين إتمام مهمة «تصحيح النص، والاستماع مجدداً، وتأكيد المتحدث، وتصدير اقتباس» فعلياً، ثم قِس مقدار العمل اليدوي الذي جرى توفيره.
دعم اللغة وحده لا يكفي: تحقق من النموذج الذي يعالجها فعلياً
يدعم Nova-3 multilingual الحالي من Deepgram، باستخدام model=nova-3 وlanguage=multi، عدد 55 لغة والتبديل بينها أثناء الحوار. يرفع language_hint أولوية اكتشاف اللغات المتوقعة فقط، ولا يمنع اللغات الأخرى المدعومة. في المقابلات التي تتخللها مصطلحات أجنبية، يكون هذا أنفع من افتراض أن التسجيل كله بلغة واحدة.
توصي وثائق النماذج الحالية لدى AssemblyAI باستخدام Universal-3.5 Pro للصوت المسجل مسبقاً، وهو يدعم 18 لغة. وخارج تلك المجموعة يمكن الانتقال إلى Universal-2، لتصل التغطية الإجمالية إلى 99 لغة. لذلك لا تعني عبارة «المنصة تدعم 99 لغة» أن «اللغات الـ99 كلها تستخدم Universal-3.5 Pro». ينبغي أن تسجل مواد التقييم إعدادات الطلب والنموذج الذي عالج التسجيل فعلياً، وألا تجمع نصوص نماذج مختلفة في متوسط واحد.
إذا شمل المشروع لغات أقل انتشاراً أو تبديلاً متكرراً بين اللغات، فتحقق أولاً من قوائم اللغات ثم قارن المقاطع التمثيلية نفسها المصرح باستخدامها. إن مراجعة مقدار التصحيح المطلوب للأسماء والمصطلحات المتخصصة وعبارات النفي ومواضع تبديل المتحدث أقرب إلى تكلفة فريق البحث من مقارنة ادعاء كل مورد أنه يحتل المرتبة الأولى.
اجعل الملخص بعد التحقق، فهرساً لا اقتباساً
تشير وثائق التلخيص المدمج في Deepgram إلى دعم الإنجليزية، وإنتاج ملخص واحد يشمل جميع القنوات. يوفر تلخيص Speech Understanding في AssemblyAI فصولاً ذات طوابع زمنية، وهو موسوم حالياً بأنه نسخة تجريبية مفتوحة. يناسب الأول تقديم نظرة عامة على مقابلة إنجليزية جرى التحقق منها؛ ويستحق الثاني النظر فيه للتنقل بين مقاطع المقابلات الطويلة، لكن الميزة التجريبية ما زالت تحتاج إلى التحقق من أدائها في المشروع المحدد.
مهما كان اختيارك، لا تعتبر ملخصاً مولداً مثل «ذكر المشارك عدم كفاية الميزانية» كلاماً حرفياً. يشير الملخص إلى المقطع، ويعود المراجع للاستماع والتأكد، ثم يُستخدم النص المتحقق منه للاقتباس. إذا أُنتج الملخص من تفريغ لم يُصحح بعد، فينبغي مراجعة الملخصات ذات الصلة مجدداً بعد تصحيح كلمات أساسية أو إسناد الحديث.
يمكن أن يستند قرار الشراء في النهاية إلى مجموعة قبول صغيرة: مقابلات بقنوات منفصلة، ومقابلات متعددة المتحدثين في قناة واحدة، واللغات المستخدمة فعلياً في المشروع. يمثل اختيار الإصدار والإعداد متعدد اللغات في Deepgram، وبيانات أدوار الحديث وملخصات الفصول في AssemblyAI، طريقتين للربط تستحقان المقارنة. أما ما ينبغي أن يحسم الاختيار، فهو أيهما يترك أخطاء إسناد أقل وحاجة أقل إلى الإصلاح اليدوي بعد إتمام مهمة المراجعة نفسها.
ملاحظة حول المحتوى:يستند هذا المقال إلى معلومات متاحة للعموم ويُعد مرجعًا للمساعدة في اختيار الأدوات. قد تتغير الميزات والأسعار والسياسات ذات الصلة في أي وقت، لذا يُرجى الرجوع إلى أحدث المعلومات الرسمية.
المصدر الأصلي:developers.deepgram.com