Acum cinci ani, orice jurnalist sau student care avea de transcris un interviu de o oră știa că îl așteaptă trei-patru ore de muncă mecanică: ascultă zece secunde, oprește, scrie, dă înapoi. Astăzi, aceeași oră de audio se transformă în text în câteva minute, iar pentru română calitatea a devenit, în sfârșit, utilizabilă.
„Utilizabilă” nu înseamnă însă „perfectă”, iar diferența dintre cele două cuvinte e exact locul unde oamenii se ard.
De unde vine saltul de calitate
Româna a fost mult timp o limbă neglijată de sistemele de recunoaștere vocală. Nu din rea-voință, ci pentru că astfel de sisteme aveau nevoie de mii de ore de audio transcris manual, iar pentru limbile cu zeci de milioane de vorbitori nimeni nu investea în așa ceva.
Schimbarea a venit din arhitectura modelelor moderne, antrenate simultan pe zeci de limbi. Un model care a învățat structura sunetului uman din engleză, spaniolă și germană transferă o parte din această înțelegere către română, chiar dacă a văzut proporțional mult mai puțin material românesc. Rezultatul: sisteme care acum câțiva ani greșeau un cuvânt din cinci ajung la unul din douăzeci.
Ce înseamnă cifrele, în practică
Precizia se măsoară cu o metrică numită rata de eroare pe cuvânt. Pentru română, în condiții bune — un singur vorbitor, microfon decent, fără zgomot de fond — sistemele bune ajung la 5-8% eroare. Sună excelent, dar tradus în text înseamnă că într-o pagină de 500 de cuvinte ai între 25 și 40 de cuvinte greșite.
Iar condițiile bune sunt rare. Realitatea arată așa:
- Ședință cu cinci persoane, înregistrată de pe masă: eroarea urcă spre 15-25%, mai ales când oamenii vorbesc unul peste altul.
- Interviu telefonic: banda îngustă a telefoniei taie frecvențe utile, iar precizia scade sensibil.
- Accent regional pronunțat sau vorbire foarte rapidă: degradare notabilă, în special pentru graiurile din zonele rurale.
- Termeni tehnici, nume proprii, denumiri de firme: zona cea mai slabă, indiferent de calitatea audio.
Greșelile tipice pe care le veți vedea
Ce e important de înțeles e că erorile nu sunt aleatorii. Ele urmează tipare, iar dacă le cunoști, corectura devine mult mai rapidă.
Diacriticele sunt prima problemă. Multe sisteme le pun inconsecvent, iar confuzia dintre „fata” și „fața” sau „tara” și „țara” schimbă complet sensul unei propoziții.
A doua categorie sunt numele proprii. Un nume românesc mai puțin frecvent va fi transformat în cel mai apropiat cuvânt comun. Denumirile de instituții și acronimele suferă la fel.
A treia, cea mai insidioasă, e că sistemul nu lasă niciodată goluri. Când nu înțelege, inventează un cuvânt plauzibil fonetic. Textul rezultat curge fără să pară deteriorat, ceea ce înseamnă că erorile nu sar în ochi la citire — trebuie căutate. Este exact același tip de problemă pe care o ridică și restul instrumentelor generative, motiv pentru care merită aplicată aceeași disciplină ca atunci când verifici o informație primită de la un chatbot AI.
Se adaugă punctuația, plasată adesea după pauze de respirație și nu după logica frazei, și identificarea vorbitorilor, care în conversații animate atribuie replici greșit.
Cum obții un rezultat cu adevărat bun
Cea mai mare parte a calității se decide înainte de a apăsa butonul de transcriere.
Microfonul contează mai mult decât software-ul. Un lavalier de cincizeci de lei prins de reverul vorbitorului bate orice algoritm aplicat unei înregistrări făcute cu telefonul de la doi metri. Pentru ședințe, un microfon de conferință așezat central schimbă radical rezultatul.
Camera în care înregistrezi contează la fel de mult. Suprafețele dure produc ecou, iar ecoul e mai dăunător decât zgomotul constant. O încăpere cu draperii și mochetă dă o transcriere vizibil mai curată decât o sală de ședințe cu pereți de sticlă.
Iar dacă înregistrezi online, folosește funcția de înregistrare a platformei, nu un microfon îndreptat spre boxe. Platformele salvează pistele separat, ceea ce rezolvă din start problema identificării vorbitorilor.
Un ultim aspect, adesea uitat: consimțământul. Înregistrarea unei conversații fără știrea participanților ridică probleme legale, iar dacă transcrierea se face într-un serviciu online, conținutul pleacă spre servere externe. Pentru discuții cu informații sensibile, variantele care rulează local sunt singura alegere corectă.
În ansamblu, transcrierea automată a devenit un instrument pe care merită să te bazezi — cu condiția să o tratezi drept ce este: o primă versiune foarte bună, care scurtează munca de la patru ore la patruzeci de minute, nu un text final. Cine o publică fără să o recitească va descoperi, mai devreme sau mai târziu, un citat pe care nu l-a spus nimeni.
