Come l’AI migliora sottotitolazione e trascrizione
Nella sottotitolazione, il riconoscimento vocale utilizza l’intelligenza artificiale per gestire il processo su larga scala. I sistemi AI vengono addestrati a produrre trascrizioni di qualità. L’articolo spiega come l’AI supporta la sottotitolazione e quando l’intervento umano resta utile.
Durante la pandemia di Covid, la tecnologia contribuì a rendere disponibili su larga scala le informazioni di sanità pubblica. Leader mondiali e organizzazioni sanitarie dovettero comunicare le misure per limitare la diffusione del virus. Accessibilità delle informazioni divenne essenziale. Con il crescente ricorso agli spazi virtuali per restare in contatto, la sottotitolazione dei video assunse un ruolo sempre più importante.
Nel campo della sottotitolazione, la tecnologia di riconoscimento vocale utilizza l’intelligenza artificiale per gestire il processo su larga scala, riducendo tempi e costi. I sistemi AI vengono addestrati a produrre trascrizioni dal parlato. A differenza della stenotipia e del respeaking, che dipendono dalla disponibilità dei singoli professionisti, l’elaborazione automatica può essere scalata. La trascrizione e la sottotitolazione umane possono offrire risultati migliori in determinati contesti, mentre il riconoscimento automatico del parlato (ASR) consente di automatizzare grandi volumi.
La conversione del parlato in testo è resa possibile dall’intelligenza artificiale. L’ASR ha inciso sulle tecniche di produzione riducendo i costi e accelerando il processo. Un obiettivo che pochi decenni fa sembrava difficile da raggiungere è oggi ampiamente adottato nel settore dei media e dell’intrattenimento.
Che cos’è l’ASR?
Per progettare un sistema, gli ingegneri analizzano il processo nei suoi componenti. La tecnologia ASR tradizionale comprende tre elementi. Il modello acustico prevede i fonemi, le unità minime del parlato, e viene addestrato con campioni audio brevi. Un lessico o vocabolario viene poi elaborato insieme alla componente acustica. Infine, il modello linguistico combina questi elementi per organizzare le parole in sequenze riconoscibili dalla macchina.
In sintesi, le macchine vengono addestrate a riconoscere schemi nel parlato e nella lingua e a elaborarli per produrre un testo il più possibile vicino a quello umano.
Limiti dell’ASR
L’ASR non è una tecnologia infallibile. I risultati dipendono da fattori come qualità dell’audio, accenti e sovrapposizione delle voci. Anche ripetizioni, ridondanze ed esitazioni tipiche del parlato possono generare errori, perché i sistemi non sempre ne interpretano correttamente il ruolo nel contesto.
Gli errori più comuni dell’ASR riguardano:
- Punteggiatura
- Grammatica
- Riconoscimento dei parlanti, soprattutto quando intervengono più persone
- False partenze e intercalari, come «ehm», «ah» e altri suoni usati nella conversazione
- Omonimi
- Voci sovrapposte e rumore di fondo
- Scarsa qualità audio
L’ASR incontra difficoltà anche quando chi parla si corregge a metà frase. Un sottotitolatore o trascrittore umano può riconoscere questi casi e valutare come rendere il testo in una forma comprensibile che rispecchi l’intenzione del parlante. La tecnologia di riconoscimento vocale continua a evolversi nella comprensione di questi schemi e del contesto.
Vantaggi dell’ASR
L’ASR può semplificare sottotitolazione e trascrizione quando occorre considerare costi e tempi. Una revisione editoriale tra il riconoscimento automatico e il testo finale può correggere gli errori. Inoltre, le nuove versioni della tecnologia continuano a migliorare i risultati in diversi contesti.
Nonostante questi limiti, l’ASR svolge un ruolo nella sottotitolazione, soprattutto per i video live che non dispongono di lunghi tempi di produzione. I fornitori possono lavorare con sottotitolatori umani per gli eventi live e integrare l’ASR nei flussi video in diretta.
Un altro impiego dell’AI nella sottotitolazione e nella trascrizione è la traduzione automatica (MT), oggi centrale nel settore della localizzazione. La localizzazione favorisce la distribuzione internazionale dei contenuti e, a sua volta, la domanda globale ne accelera lo sviluppo. La traduzione dei sottotitoli basata sull’AI aiuta chi non parla la lingua originale a comprendere i contenuti. Durante la pandemia, questa funzione sostenne la partecipazione agli eventi live e online da diverse aree del mondo.
Come SyncWords utilizza l’AI
L’AI consente di produrre sottotitoli su larga scala e con costi contenuti. SyncWords può integrare il contributo umano nelle fasi critiche del progetto per migliorare i risultati in base alle esigenze del cliente. Per i contenuti on demand o preregistrati, la tecnologia SyncWords sincronizza il contenuto multimediale con la trascrizione. Le trascrizioni curate da professionisti possono essere usate per produrre sottotitoli con testo e tempi rivisti; in alternativa, sono disponibili sottotitoli basati su trascrizioni ASR per i clienti che privilegiano rapidità e convenienza.
Per i sottotitoli live, SyncWords offre flussi umani e ASR. Per la traduzione live, i clienti possono usare sottotitoli umani come fonte e generare con l’AI traduzioni in 163 lingue di destinazione.
Come affermò il cofondatore di SyncWords Ashish Shah: “SyncWords’ core technologies are powered using its proprietary Machine Learning technology and infrastructure. Using Artificial Intelligence in combination with automation, tools, and human services has reduced the time to generate captions and subtitles from a few days to just a few minutes. This hybrid approach has helped our customers immensely and increased their output and accuracy of captions.”
In sintesi
L’intelligenza artificiale ha permesso di programmare sistemi basati su numerose regole e di sviluppare algoritmi per tecnologie come ASR e MT. Negli ultimi decenni sono emersi servizi come Siri, Alexa, Cortana, chatbot e la conversione voce-testo di Google, insieme a risultati di ricerca personalizzati e risposte e-mail suggerite. Nella sottotitolazione di eventi live e video on demand, la combinazione di lavoro umano e AI può sfruttare i punti di forza di entrambi per produrre risultati adatti al contesto.
Altri articoli nel blog SyncWords
