תמלול אוטומטי של פודקאסטים: Whisper, הפרדת דוברים ו-SEO

למה תמלול ידני של פודקאסטים לא מתרחב

שעה של אודיו מוגמר היא 4-6 שעות של עבודה ידנית: להאזין, להקליד, לוודא שמות ומונחים, לסדר את המשפטים לפי דוברים, ולעבור הגהה. המחיר ההנדסי של תמלול כזה אינו במורכבות, אלא בלינאריות: הכפלתם את תדירות הפרקים — הכפלתם את שעות האדם. תמלול ידני של פודקאסטים נתקל בתפוקה של אדם אחד או שניים, והוא אינו מתרחב יחד עם גדילת התוכנית.

אחר כך נכנס לתוקף התור של פרקים שלא תומללו. בזמן שהעורך מסיים את הפרק הנוכחי, יוצאים עוד שניים, והפער בין הפרסום לבין הגרסה הטקסטואלית גדל.

עלויות העבודה על תמלול נדחקות לסוף החודש, לוחות הזמנים נדחים, והמוטיבציה לעשות הגהה «אחר כך» מובילה לפרסום טיוטות עם שגיאות בשמות ובעריכת הדוברים.

הארכיון נראה הכי גרוע. תמלול אודיו לטקסט נעשה באופן חד-פעמי ושוקע במסמך זר או בהערות, ולכן חיפוש לפי תוכן של פרקים קודמים לא עובד: את הרגע שבו האורח נקב בנתון או נתן הגדרה אפשר למצוא רק בהאזנה חוזרת.

הארכיון הופך למחסן אודיו — בלי חיפוש, בלי ניווט לפי חותמות זמן, בלי שימוש חוזר בכתבות, בתיאורים ובכתוביות.

זיהוי אוטומטי משנה את החשבון עצמו: Whisper ודיאריזציה מספקים טקסט טיוטה עם סימון דוברים והצמדה לזמן תוך דקות, והאדם מתערב רק בהגהת מונחים ושמות. בהמשך נפרט כיצד זה נסגר — מהקמת קו עיבוד ועד אופטימיזציה למנועי חיפוש של גרסאות טקסטואליות.

מה משתנה לאחר המעבר לתמלול אוטומטי

בעבר עברו ימים בין פרסום הפרק לבין הופעת גרסת הטקסט של הפרק: את התמלול הזמינו בחוץ או עשו ידנית, וחלק מההקלטות נשארו בלי טקסט. לאחר המעבר לתמלול אוטומטי הטקסט הופך לתוצר לוואי של הפרסום — העיבוד מתחיל עם העלאת קובץ המאסטר.

האפקט המדיד הראשון — מהירות הוצאת הפרקים. לפני ואחרי כדאי למדוד שני מדדים: הזמן מהעלאת ההקלטה עד טקסט מוגמר, ושיעור הפרקים עם גרסת טקסט ביום ההשקה. המדד השני נתקל בדרך כלל לא באיכות הזיהוי, אלא בארגון: כל עוד התמלול חי כמשימה נפרדת בלוח זמנים זר, לא תמיד מגיעים אליו.

האפקט השני — חיפוש בארכיון ההקלטות. טקסט מסומן לפי משפטים עם חותמות זמן הופך את הארכיון למאגר: הקטע הרצוי נמצא לפי ביטוי, ולא לפי «בערך הפרק הזה, אי שם במחצית השנייה». זה משנה גם את עבודת המערכת וגם את דרכו של המאזין אל הקטע הרצוי.

השלישי — התנהגות בזמן תקלה בעיבוד. תור עם ניסיונות חוזרים ומשימות אידמפוטנטיות פירושו שתמלול שקרס באמצע מופעל מחדש מנקודת ביקורת, ולא מאפס. נעלם סוג הכשל שבו הפרק מפורסם, אין לו טקסט, ונודע על כך כעבור שבועות: סטטוס העיבוד נראה בניטור מיד.

קריטריון הקבלה — ארבעה מספרים: שיעור הפרקים עם טקסט מוגמר, זמן חציוני עד לפרסום גרסת הטקסט, שיעור המשימות ששוחזרו אוטומטית לאחר תקלה, וכיסוי הארכיון באינדקס החיפוש.

השוואה בין גישות לתמלול פודקאסטים

ההבדל בין האפשרויות אינו באיכות הזיהוי כשלעצמה, אלא במקום שבו מעובד הצליל, כמה זמן ממתינים לתוצאה, ומה עושים עם שגיאות בשמות ובמונחים. לארכיון של מאות פרקים ולפרק «לשידור» מתאימות סכמות שונות, וערבוב שלהן בתהליך אחד יקר בדרך כלל יותר מאשר להפריד ביניהן.

בפועל, לרוב מתכנס ההיברידי: מעבר טיוטה במודל זיהוי Whisper מכסה את רוב הטקסט, והעורך מתקן שמות, מונחים וסימון עבור תוצאות החיפוש. הבחירה בין הסכמות נתקלת בהמשך בהרשאות גישה ובאופן שבו בנוי הארכיון שלכם — בשלב זה כדאי לדון במשימה.

שלבי יישום: מביקורת הארכיון ועד מסירת נהלים

יישום תמלול נתקל לעתים רחוקות במודל הזיהוי עצמו — הקשיים מתחילים בארכיון לא אחיד. חלק מההקלטות עברו מיקס בעוצמות קול שונות, ראיונות הוקלטו בחדרים רועשים, ובמקומות מסוימים המנחה והאורח מדברים בחפיפה.

לכן העבודה נעשית ברצף: קודם מודדים את נתוני הקלט, אחר כך מקבעים את סכמת העיבוד, ורק לאחר מכן מריצים את כל הנפח.

1. ביקורת ארכיון האודיו. מפרקים את כל הרצועות: פורמט וקצב דגימה, מספר ערוצים, נוכחות קטעי מוזיקה ושכבות, ושיעור ההקלטות עם רעש זר. בפלט — מפת ארכיון עם רשימת פרקים שדורשים הכנה מוקדמת.
2. סכמת עיבוד. קובעים את סדר השלבים: הפחתת רעש, איזון עוצמת קול, חיתוך קבצים ארוכים לפי הפסקות, מילון אחיד של שמות, מותגים ומונחים. הסכמה נקבעת בכתב, כדי שפרקים דומים יעובדו באותו אופן.
3. הגדרת הפרדת דיבור לפי קולות. מגדירים את מספר הדוברים הצפוי, מצמידים תפקידים (מנחה, אורח, מדור), ומתארים כללים לקטעים בחפיפה. מקטעים שנויים במחלוקת מסומנים לתיקון ידני, ולא מסומנים באקראי.
4. הרצה על מדגם בקרה. לוקחים מקטעים מתנאי הקלטה שונים — אולפן, שיחה מרחוק, אתר רועש — ומשווים את התוצאה לתמלול ידני. בודקים שיעור שגיאות במילים ושגיאות הצמדת משפטים לקולות, ולפיהם מתקנים פרמטרים.
5. קבלת התמלול. המערכת בודקת פרקים מוגמרים מול מקטעי ייחוס ומאשרת שסימון המשפטים, הפיסוק והמונחים תואמים את הנוהל שנקבע. סף שיעור השגיאות נקבע מראש, כדי שהקבלה תהיה פורמלית ולא טעם אישי.
6. מסירת תיעוד והדרכת המערכת. מוסרים נוהל הפעלה, מילונים, הוראות לתיקונים וניתוח תקלות אופייניות, ומקיימים הדרכה על פרקים אמיתיים. לאחר מכן הזרימה מתנהלת בכוחות המערכת, ואנחנו מתערבים בשינויים בסכמה.

ערכת ארטיפקטים: סכמות, מילונים, נהלים

יחד עם התמלולים מקבלת המערכת ערכה עובדת: סכמות, מילונים, מדיניות גישה ונהלים. היא נמצאת במאגר הקוד ובבסיס הידע שלכם, ולא בהתכתבות עם הספק, — ולכן אפשר לנהל את התהליך בכוחות עצמכם או להעביר אותו לצוות אחר בלי לשחזר את ההקשר.

• סכמת עיבוד — גרף מקבלת ההקלטה ועד הפרסום: נרמול צליל, זיהוי, הפרדה לפי קולות, הרכבת התמלול. בכל צומת מצוינים קלט, פלט והתנהגות בזמן תקלה.
• מילון מונחים ושמות — כתיב קנוני, וריאנטים שהזיהוי מפיק, וכלל החלפה אוטומטית. קובץ אחד, מנוהל בגרסאות, ומתעדכן לאחר כל הגהה.
• סכמת אחסון תמלולים — היכן נמצאים האודיו, תוצאת הביניים והטקסט המוגה, כיצד קשורות גרסאות הפרק, זמני החיים של כל שכבה וכלל הארכוב.
• מדיניות גישה לאודיו — תפקידים: למי זמינות ההקלטות המקוריות, למי רק הטקסט, לכמה זמן ניתנת הגישה וכיצד היא מתועדת.
• נוהל הגהה — מה בודק העורך לאחר המכונה, כיצד התיקונים נכנסים למילון ולפי אילו קריטריונים פרק נחשב מוגמר.
• הוראות למערכת — היכן להניח את הקובץ, כיצד לעקוב אחר העיבוד, מה לעשות בעת קטיעה וכיצד לשלוח פרק להרצה חוזרת.
• יומן איכות — שיעור המילים שהאדם מתקן, ושגיאות אופייניות בשמות. לפיו רואים מתי הגיע הזמן להרחיב את המילון.

מקרה בוחן: ארכיון של מאות פרקים עם סימון לפי קולות

מה היה לפני היישום

אולפן מדיה הגיע עם ארכיון של כמה מאות פרקים: דיאלוגים בשני קולות או בשלושה, חלק מההקלטות — מהאולפן, וחלק — משיחות מרחוק. גרסאות טקסט לא היו קיימות, ולכן חיפוש לפי תוכן לא עבד, והעורכים הקלידו ציטוטים להקדמות ידנית במשך כמה שעות לכל פרק.

מה שינו

את הארכיון הריצו דרך Whisper באצווה, ומעל — הפרדה לפי קולות: המודל מעריך את מספר המשתתפים ומצמיד לכל אחד תווית קבועה במסגרת הפרק. הקלטות משיחות מרחוק הומרו למונו ונוקו מהד — אחרת משפטים קצרים נדבקו לרצועה אחת והתוויות «נדדו» בין הדוברים.

מדדים לפני ואחרי: שיעור המשפטים עם מחבר נכון — 71% → 95%, שיעור השגיאות במילים — כ-6% בצליל אולפני ו-11% בצליל רועש. פרק באורך 45 דקות מעובד בדקות ספורות, והארכיון כולו עבר במשך לילה על צומת אחד.

כיצד בדקו

לפני המסירה לקחו מדגם בקרה של פרקים עם סימון ידני והשוו לתמלול האוטומטי משפט אחר משפט. סף הקבלה — לא יותר מ-8% אי-התאמות: במקום שבו המודל טעה, תיקנו פרמטרים של חלוקה לקטעים ואת סדר ניקוי הצליל, ולא התאימו קבצים בודדים.

מחותמות זמן ותוויות נאספות גרסאות טקסט עם פרקים ותיאורים — הן מאונדקסות בחיפוש ומביאות קוראים לדפי הפרקים בלי עבודה ידנית של העורך.

במה שונה תמלול בזרימה מתמלול באצווה

תמלול בזרימה חותך את האודיו לחלונות קצרים ומחזיר טקסט ככל שהוא מגיע — השהיה עד לקטע מוגמר נמדדת בשניות, ולא באורך הפרק. עיבוד באצווה מקבל תחילה את ההקלטה כולה ורק אחר כך בונה תמלול: לשידור בן שעה אלה דקות של המתנה, אבל המנוע רואה את כל הרצועה בבת אחת.

ההבדל בין הגישות לעיבוד הוא בנפח ההקשר הזמין ברגע הזיהוי. מצב זרימה אינו יכול להסתכל קדימה: שם האורח, מונח מקצועי או החלפת נושא נקבעים לפי קטע קצר ולפעמים «צפים» עד סוף הפרק.

הרצה באצווה מחזיקה את כל השיחה כולה, ולכן שומרת יציב יותר על המינוח ומחלקת ביתר דיוק את המשפטים בין הדוברים בזמן דיאריזציה.

גם המחיר של הרצות חוזרות שונה. זרימה שכבר נמסרה אי אפשר להריץ מחדש — תיקונים נעשים מעל הטקסט המוגמר, ידנית או בבדיקה נפרדת. קובץ באצווה מורץ מחדש עם מילון מעודכן או סף אחר להפרדת דוברים, והתוצאה החדשה מחליפה את הקודמת כולה, בלי הלחמת אי-התאמות.

לארכיון פודקאסטים מציבים בדרך כלל מסלול אצווה על Whisper: הוא מספק תמלול שלם, שממנו נאספים דפים עם טקסט, חותמות זמן לנגן וחיפוש בכל הפרקים. מצב זרימה נלקח במקומות שבהם חשובה השהיה עד לטקסט מוגמר, — כתוביות בשידור חי, חיתוך קליפים, תמלול פגישה בזמן אמת.

בפועל, הבחירה היא לעתים רחוקות «או-או». סכמה עובדת — טיוטת זרימה עולה לשידור, והרצת אצווה של אותה הקלטה מחליפה אותה מאוחר יותר בגרסה סופית, שעליה נבנה דף הפרק הניתן לאינדוקס.

ספקות טכניים נפוצים ותשובות הצוות

דיוק התמלול אינו מספר אחד, אלא מצב המותאם להקלטה מסוימת: אקוסטיקה, מספר הדוברים, צפיפות המונחים, החלפת שפה. להלן ספקות שעולים לרוב בעת הערכת פרויקט תמלול.

בהקלטה יש מוזיקה, ג'ינגלים ורעש רקע — הזיהוי לא יישבר?

מרווחים מוזיקליים ולא-דיבוריים מזוהים לפני הזיהוי — בשקט ובקטעי מעבר המודל נוטה להוסיף משפטים שלא היו. הפחתת רעש נעשית גם היא בהתחלה, ולכן ג'ינגלים לא פוגעים במשפטים הסמוכים. בטקסט נשארת הערה «כאן מוזיקה», וחותמות הזמן לא זזות.

שמות, מותגים ומונחים מקצועיים מזוהים עם שגיאות. אפשר לטפל בזה?

מילים נדירות הן החלק החלש ביותר בכל מודל, ולכן עבור הפרויקט נאסף מילון: שמות חברות, שמות משפחה, סלנג מקצועי. ההחלפות מיושמות בכללים לאחר הזיהוי, והמילון גדל מפרק לפרק. השפה מזוהה לפי מקטעים, ולא לפי הקובץ כולו, כך שהוספה בשפה אחרת אינה הופכת את שארית המשפט לחסרת משמעות.

יש לנו ארכיון פרקים מצטבר — אפשר לתמלל גם אותו?

הארכיון מעובד באצווה, עם מילון אחיד ופורמט זהה בפלט — פרקים ישנים ניתנים להשוואה לחדשים. את הסדר קובעים לפי תעבורה: קודם מה שמחפשים יותר.

נדון במשימה: מה נדרש מכם להערכה

כדי לחשב את היקף העבודה על התמלול, איננו צריכים דרישות סופיות — די בנתוני המקור. ככל שתתארו ביתר דיוק את הארכיון ואת תרחיש הפרסום, כך יהיו פחות הנחות בהערכה ופחות עבודה מחדש לאחר ההתחלה.

• דוגמאות הקלטה — שלושה עד חמישה פרקים באיכות שונה: מיקרופון אולפני, שיחה מרחוק, הקלטה מהרחוב. לפיהם רואים אם נדרש ניקוי רעש וכמה יציב הזיהוי שומר על מבטאים ומונחים.
• נפח הארכיון — מספר הפרקים והאורך הכולל בשעות, כולל טיוטות ורצועות בונוס, אם גם אותן צריך לתמלל.
• פורמטים ואחסון — היכן נמצאים קבצי המקור, ובאיזו צורה: דיסק מקומי, אחסון בענן, ארכיון של פלטפורמת פודקאסטים. זה קובע את אופן איסוף הקבצים ואת סדר העיבוד.
• הרכב הדוברים — כמה קולות בפרק, האם יש מנחים ואורחים קבועים, והאם נדרש סימון משפטים וכתוביות «מי מדבר».
• מילון מונחים — שמות חברות, שמות, לקסיקון מקצועי וראשי תיבות, שאחרת הזיהוי מעוות אותם והופך אותם לאשפה.
• דרישות לתוצאה — האם נדרשות חותמות זמן, קבצי כתוביות לנגן, טקסט מוגמר עם פסקאות וכותרות לדף הפרק.
• לאן לייצא — מערכת פרסום האתר, אחסון, מסירה ידנית. מכך תלוי אם אנחנו עושים את הייצוא אוטומטי או מוסרים קבצים מוגמרים.
• הרשאות גישה — לארכיון ההקלטות, לפאנל הפרסום, לאנליטיקה. בנתונים סגורים די במדגם בדיקה, ואת השאר נחבר תוך כדי.
• קריטריון קבלה — כיצד תבינו שהתמלול מתאים: שיעור השמות והמונחים שזוהו נכון, זמן ההגהה לפרק, מראה אחיד של הטקסט.

תארו את המשימה בהיקף הזה — נחזור עם הערכה לפי שלבים ותוכנית: כמה פרקים ניקח בקבוצה הראשונה, היכן עוברת בדיקת האיכות וכיצד בנויה ההרצה על כל הארכיון.