Co to jest transkrypcja? Definicja, rodzaje i przykłady

Transkrypcja to zapisanie wypowiedzianych lub nagranych słów w formie tekstu, w tym samym języku, w którym padły. Gdy zamieniasz wywiad, nagranie spotkania albo wiadomość głosową na dokument tekstowy, robisz transkrypcję – a dokument, który powstaje, również nazywamy transkrypcją. W dalszej części artykułu omawiamy różne znaczenia tego słowa, główne rodzaje transkrypcji, różnice między transkrypcją a tłumaczeniem i napisami oraz to, jak transkrypcję nagrań robi się dzisiaj.

Co znaczy „transkrypcja" na co dzień

Słowo pochodzi od łacińskiego transcribere, czyli „przepisywać" albo „kopiować". W polszczyźnie ma kilka blisko spokrewnionych znaczeń:

• Zapisywanie mowy. Najczęstsze znaczenie dzisiaj: słuchanie nagrania i tworzenie tekstu. „Zrobisz transkrypcję tej rozmowy do protokołu?"
• Przepisywanie tekstu z jednej postaci na inną. Dawniej skrybowie ręcznie przepisywali rękopisy. Archiwiści nadal przepisują stare listy i odręczne dokumenty na tekst pisany na komputerze.
• Przenoszenie między systemami pisma. Językoznawcy zapisują mowę symbolami fonetycznymi (alfabet IPA), a nazwiska i nazwy przenosi się z jednego alfabetu na inny – stąd na przykład transkrypcja nazw z cyrylicy na alfabet łaciński.
• Opracowanie utworu muzycznego. Muzyk robi transkrypcję, zapisując melodię usłyszaną na nagraniu albo przystosowując utwór do innego instrumentu.

Wszystkie te znaczenia łączy jedna myśl: treść pozostaje ta sama, zmienia się tylko forma.

W codziennej polszczyźnie zamiast „transkrybować" często mówi się po prostu „przepisać nagranie" albo „spisać rozmowę". Chodzi o to samo, choć słowo „transkrypcja" częściej pojawia się w ofertach usług, na uczelniach i w redakcjach. Gdy w sieci szukasz pomocy przy zamianie nagrania na tekst, warto znać oba warianty, bo poradniki i narzędzia używają ich zamiennie.

Transkrypcja nagrań audio i wideo

W biznesie, nauce i mediach transkrypcja niemal zawsze oznacza zamianę nagrania audio lub wideo na tekst. Źródłem może być wszystko, w czym ktoś mówi: podcast, wykład, rozprawa sądowa, dyktowana notatka lekarza, film na YouTube, głosówka z WhatsAppa czy Messengera. Wynikiem jest transkrypcja, często ze znacznikami czasu (kiedy padło dane zdanie) i oznaczeniem mówców (kto je wypowiedział).

Krótka uwaga o biologii: jeśli zetknąłeś się z tym słowem na lekcji biologii, transkrypcja oznacza tam proces, w którym komórka kopiuje fragment DNA na RNA – pierwszy etap wytwarzania białka. To ta sama idea „kopiowania" zastosowana do kodu genetycznego, ale to osobny temat; właściwym miejscem będzie podręcznik biologii albo źródło takie jak słowniczek amerykańskiego National Human Genome Research Institute. Ten artykuł dotyczy mowy.

Rodzaje transkrypcji: dosłowna, oczyszczona i redagowana

Nie każda transkrypcja zapisuje to samo. Zanim zaczniesz transkrybować albo zlecisz to komuś, zdecyduj, jakiego stylu potrzebujesz.

Transkrypcja dosłowna (pełna, ang. verbatim). Każde słowo i dźwięk tak, jak padły: „yyy", „eee", urwane zdania, powtórzenia, zająknięcia, śmiech, pauzy i wtrącenia. Stosowana tam, gdzie liczy się sposób, w jaki coś powiedziano: w postępowaniach sądowych, przesłuchaniach, badaniach językoznawczych i części badań jakościowych.

Transkrypcja oczyszczona (ang. clean verbatim). Słowa mówcy bez wypełniaczy, zająknięć i falstartów, z drobnymi poprawkami gramatycznymi tam, gdzie sens jest oczywisty. To domyślny wybór przy większości wywiadów, spotkań, podcastów i w dziennikarstwie, bo czyta się ją naturalnie, a pozostaje wierna wypowiedzi.

Transkrypcja redagowana. Treść zostaje uporządkowana w czytelną prozę: zdania są przebudowane, powtórzenia usunięte, a całość czasem skrócona. Stosowana w artykułach, wpisach na blogu, raportach i publikowanych wywiadach, gdzie czytelność liczy się bardziej niż dokładne brzmienie.

Szybki sposób na wybór:

• Czy ktoś będzie analizować wahania, ton albo dokładne sformułowania? Wybierz transkrypcję dosłowną.
• Czy ludzie będą ją czytać, żeby zrozumieć, co zostało powiedziane? Wybierz transkrypcję oczyszczoną.
• Czy zostanie opublikowana jako dopracowany tekst? Zacznij od oczyszczonej, a potem ją zredaguj.

Nasz poradnik o transkrypcji wywiadów omawia te wybory w kontekście badań i dziennikarstwa, w tym sposoby oznaczania pauz i niezrozumiałych fragmentów.

Transkrypcja a tłumaczenie, napisy i dyktowanie

Te cztery pojęcia często się mylą. Różnią się tym, co wchodzi, co wychodzi i czy zmienia się język.

W praktyce te pojęcia się przenikają. Napisy to transkrypcja podzielona na fragmenty z kodami czasowymi. Tłumaczone napisy zwykle powstają tak, że najpierw robi się transkrypcję, a potem ją tłumaczy. Dyktowanie to zamiana mowy na tekst na żywo dla jednej osoby, która wie, że jej słowa są zapisywane.

Jak robi się transkrypcję dzisiaj

Przez większość historii transkrypcja była ręczna: ktoś słuchał, zatrzymywał, cofał i pisał. Zawodowi transkrybenci nadal tak pracują przy aktach sądowych, dokumentacji medycznej i trudnych nagraniach, często sterując odtwarzaniem pedałem nożnym. To dokładne, ale powolne – godzina nagrania może oznaczać kilka godzin pracy.

Dziś większość transkrypcji zaczyna się od automatycznego rozpoznawania mowy. Model dzieli dźwięk na krótkie ramki, rozpoznaje głoski i słowa, na podstawie kontekstu językowego wybiera najbardziej prawdopodobne zdanie, a potem dodaje interpunkcję, znaczniki czasu i oznaczenie mówców. Jeśli chcesz poznać ten proces krok po kroku, nasze objaśnienie jak działa zamiana mowy na tekst opisuje go bez matematyki.

Typowy współczesny proces jest hybrydowy: maszyna w kilka minut przygotowuje szkic, a człowiek sprawdza go z nagraniem i poprawia nazwiska, liczby i terminy specjalistyczne. Przy wyraźnym nagraniu szkic wymaga drobnych poprawek, przy zaszumionej rozmowie grupowej – więcej pracy. W języku polskim szczególnej uwagi wymagają odmienione nazwiska i nazwy własne, które model łatwo zapisuje z błędną końcówką.

Kiedy robi się transkrypcję

Transkrypcja przydaje się zawsze, gdy treść mówioną trzeba przeszukać, zacytować, przeczytać albo zarchiwizować:

• Wywiady – w dziennikarstwie, badaniach użytkowników i badaniach naukowych, gdzie trzeba dokładnie cytować i kodować wątki.
• Spotkania – żeby przygotować protokół, listę zadań i zapis dla nieobecnych.
• Wykłady i webinary – jako notatki do nauki i dla dostępności.
• Podcasty i wideo – do opisów odcinków, napisów i lepszej widoczności w wyszukiwarkach.
• Sprawy prawne – zeznania, rozprawy i dowody, zwykle w ściśle dosłownej formie.
• Medycyna – lekarze dyktują notatki, które trafiają do dokumentacji pacjenta, zwykle przy ścisłym przestrzeganiu RODO i tajemnicy lekarskiej.
• Sprawy prywatne – notatki głosowe, wiadomości głosowe i nagrane rozmowy, które wolisz przeczytać niż odsłuchiwać.

Jak przetranskrybować plik w trzech krokach

Jeśli masz nagranie i chcesz uzyskać tekst, najszybszą drogą jest narzędzie automatyczne. W Audiotexta wygląda to tak:

1. Prześlij plik. Otwórz aplikację Audiotexta i upuść plik audio lub wideo (MP3, M4A, WAV, MP4 i inne) z komputera albo telefonu.
2. Wybierz ustawienia. Ustaw język nagrania albo zostaw automatyczne wykrywanie i włącz oznaczenie mówców, jeśli mówi więcej niż jedna osoba.
3. Sprawdź i wyeksportuj. Przeczytaj transkrypcję podczas odtwarzania nagrania, popraw to, co model źle usłyszał, a potem wyeksportuj tekst jako TXT albo napisy SRT lub VTT (w darmowym planie) bądź jako DOCX lub PDF (w planie Pro).

Warto znać też inne możliwości: niektóre wersje Microsoft Word mają funkcję Transkrybuj, a Dokumenty Google – pisanie głosem; Otter i TurboScribe to popularne usługi online, a otwartoźródłowy model Whisper można za darmo uruchomić na własnym komputerze, jeśli nie przeszkadza ci trochę konfiguracji. Pełniejsze porównanie darmowych i płatnych sposobów znajdziesz w poradniku jak zamienić nagranie audio na tekst.

Niezależnie od narzędzia definicja pozostaje ta sama: transkrypcja zachowuje słowa i język, a zmienia tylko formę – z dźwięku w tekst, który można czytać, przeszukiwać i udostępniać.