Plik audio można dziś zamienić w tekst bez instalowania specjalnego programu i płacenia za dostęp do transkrypcji. Wystarczy Gemini. Darmowe narzędzie nie tylko rozpoznaje wypowiadane słowa, ale też porządkuje tekst, przygotowuje podsumowanie i pozwala przeszukiwać nagranie.
Jak zrobić transkrypcję nagrania w Gemini?
Obsługa narzędzia jest banalnie prosta i nie wymaga instalowania dodatkowego oprogramowania. Wystarczy otworzyć Gemini, rozpocząć nową rozmowę i dodać plik audio jako załącznik. Następnie należy poprosić asystenta o przepisanie nagrania na tekst. Możecie użyć na przykład polecenia: „Przepisz dokładnie całe nagranie, zachowując podział na wypowiedzi rozmówców i interpunkcję”.

Po przesłaniu pliku model analizuje jego zawartość i zwraca gotowy tekst. Na tym jednak możliwości się nie kończą. Można poprosić również o krótkie podsumowanie rozmowy, wypunktowanie najważniejszych informacji czy wyszukanie konkretnego fragmentu wypowiedzi. Przykładowo: „Znajdź moment, w którym rozmówca mówi o kosztach projektu” albo „Podsumuj najważniejsze ustalenia z nagrania”.
To przydatne szczególnie przy dłuższych rozmowach, wywiadach czy spotkaniach, kiedy nie chcemy ponownie odsłuchiwać całego materiału, żeby znaleźć jedną informację.
Trzy testy transkrypcji. Jak poradziło sobie Gemini?
Przeprowadziłem trzy testy, sprawdzając zarówno nagrania dobrej jakości, jak i materiał, w którym rozmówcy znajdowali się dalej od mikrofonu. W każdym przypadku Gemini wykonało zadanie poprawnie, choć dokładność nie była identyczna. W pierwszym teście wykorzystałem wyraźną wypowiedź nagraną bezpośrednio do mikrofonu. Gemini bez problemu rozpoznało słowa i przygotowało transkrypcję. Podobnie było w drugim podejściu, w którym sprawdziłem działanie narzędzia w dwóch wariantach: Flash-Lite oraz z włączonym rozszerzonym myśleniem w modelu Hydrogen. W obu przypadkach tekst został rozpoznany prawidłowo.

Trzeci test obejmował nagranie, w którym rozmówcy znajdowali się w pewnej odległości od mikrofonu. Tutaj również wynik był dobry, ale pojawiły się drobne błędy, które można było wychwycić podczas porównywania transkrypcji z oryginalnym nagraniem. To ważna uwaga. Nawet jeśli tekst wygląda poprawnie, przy materiałach przeznaczonych do publikacji lepiej wcześniej go zweryfikujcie.
Na plus zasługuje sposób formatowania tekstu. Gemini nie ogranicza się do mechanicznego rozpoznawania kolejnych słów. Automatycznie dodaje interpunkcję, a gdy rozmówca przytacza czyjąś wypowiedź, potrafi odpowiednio zastosować cudzysłów. Dzięki temu otrzymujemy tekst, który jest znacznie łatwiejszy do czytania i nie wymaga tak wielu poprawek redakcyjnych.
Czy Gemini przepisze każde nagranie za darmo?
Nie należy zakładać, że każdą ścieżkę dźwiękową uda się w ten sposób zamienić na tekst. Podczas prób trzeba uwzględnić również ograniczenia związane z rozpoznawaniem praw autorskich, chociażby w przypadku znanych utworów muzycznych. AI nie jest sposobem na automatyczne pozyskiwanie tekstów piosenek objętych takimi prawami. Jeśli zależy wam na słowach popularnego utworu, możemy przecież poszukać ich w internecie.

Warto też pamiętać, że jakość transkrypcji zależy od samego materiału. Wyraźna mowa, niewielki poziom szumów i dobry mikrofon zdecydowanie ułatwiają zadanie. Przy nagraniach z większej odległości, nakładających się wypowiedziach czy hałasie w tle należy liczyć się z koniecznością ręcznej korekty.
Mimo tych zastrzeżeń transkrypcja w narzędziach AI jest przydatną funkcją, którą warto przetestować.
Źródło zdjęcia otwierającego: screen Gemini, Google