Transkrypcja dosłowna czy wygładzona: który styl wybrać

Transkrypcja dosłowna (verbatim) zapisuje mowę dokładnie tak, jak padła – z wtrąceniami typu „yyy”, zająknięciami, fałszywymi startami i powtórzeniami – a transkrypcja wygładzona (clean verbatim, nazywana też intelligent verbatim) zachowuje słowa mówiącego, ale usuwa te potknięcia, żeby tekst dobrze się czytało. Trzeci styl, transkrypcja redagowana, idzie dalej i przepisuje wypowiedź dla jasności. Pełną transkrypcję dosłowną wybierz, gdy liczy się to, jak coś powiedziano (sprawy prawne, analiza konwersacji), wygładzoną – do większości wywiadów, badań i napisów, a redagowaną – do publikacji.

Poniżej znajdziesz definicje każdego stylu, ten sam krótki fragment zapisany na trzy sposoby, tabelę porównawczą, sytuacje, w których dany styl jest wymagany, i listę kontrolną ułatwiającą wybór.

Czym jest transkrypcja dosłowna?

„Dosłowna” znaczy słowo w słowo, ale firmy transkrypcyjne i badacze używają tego określenia dla trzech różnych poziomów szczegółowości. Nazwy różnią się w zależności od wytycznych, więc warto je zdefiniować, zanim zamówisz lub przygotujesz transkrypcję.

Pełna transkrypcja dosłowna (true, strict lub full verbatim) rejestruje wszystko, co słychać: każde słowo, każde „yyy” i „eee”, zająknięcia, fałszywe starty, powtórzone słowa, niedokończone zdania, a zwykle także dźwięki niewerbalne i pauzy, np. [śmiech], [kaszel] czy (pauza). Gramatyka zostaje dokładnie taka, jak w mowie.

Transkrypcja wygładzona (clean verbatim, często intelligent verbatim) zachowuje słowa i budowę zdań mówiącego, ale pomija wtrącenia, zająknięcia, fałszywe starty i powtórzenia, które nic nie wnoszą do sensu. Nie powinna parafrazować ani „ulepszać” tego, co ktoś powiedział.

Transkrypcja redagowana (edited transcription, czasem „lekka redakcja”) dodatkowo poprawia gramatykę, skraca rozwlekłe zdania i może zmieniać szyk lub zagęszczać sformułowania, tak by tekst czytał się jak proza pisana. To wierny zapis sensu, a nie słów.

Niektóre tradycje badawcze dodają czwarty poziom: szczegółową transkrypcję z notacją czasu, nakładania się wypowiedzi i intonacji, na przykład system Jeffersona stosowany w analizie konwersacji. Te konwencje omawiamy w poradniku o transkrypcji w badaniach jakościowych.

Transkrypcja dosłowna a wygładzona: ten sam fragment na trzy sposoby

Oto czterowierszowy fragment wywiadu (B – badacz, R – rozmówczyni) zapisany w każdym stylu.

Pełna transkrypcja dosłowna

B: No to, yyy, jak pani— jak pani trafiła do pielęgniarstwa?
R: Eee, no, znaczy, to było— to był taki trochę przypadek, wie pan? [śmiech]
R: Mama była pielęgniarką i, jakby, ja— ja przysięgałam, że nigdy w życiu.
R: Ale potem, yyy, po studiach to ja tak... tak trochę, jakby, dryfowałam. (pauza)

Transkrypcja wygładzona

B: Jak pani trafiła do pielęgniarstwa?
R: To był taki trochę przypadek. [śmiech]
R: Mama była pielęgniarką i przysięgałam, że nigdy w życiu.
R: Ale potem po studiach tak trochę dryfowałam.

Transkrypcja redagowana

B: Jak została pani pielęgniarką?
R: Niemal przypadkiem. Moja mama była pielęgniarką i obiecywałam
   sobie, że nie pójdę w jej ślady, ale po studiach nie miałam planu.

Zwróć uwagę, co się zmienia. Wersja wygładzona usuwa „yyy”, „eee”, „no”, „znaczy”, „wie pan”, „jakby” i powtórzone „jak pani” oraz „ja”, ale zachowuje potoczny styl rozmówczyni („taki trochę przypadek”, „nigdy w życiu”, „dryfowałam”). To, czy zostawić [śmiech], zależy od wytycznych; wiele zasad dla transkrypcji wygładzonej zachowuje dźwięki niewerbalne tylko wtedy, gdy zmieniają sens. Wersja redagowana jest krótsza i płynniejsza, ale to już nie jest głos uczestniczki badania.

Tabela porównawcza

Kiedy który styl jest wymagany

Prawo i zgodność z przepisami

Przesłuchania, rozprawy, nagrania z postępowań, sprawy ubezpieczeniowe i nagrania wykorzystywane jako dowód zwykle wymagają pełnej transkrypcji dosłownej. Pauza przed odpowiedzią, autopoprawka czy „tak... nie, przepraszam” mogą zmienić odczytanie wypowiedzi, więc ich usunięcie to decyzja redakcyjna, której transkrybent nie powinien podejmować sam. Dokładne wymogi zależą od sądu, kraju i zleceniodawcy, więc trzymaj się ich instrukcji lub zasad formatowania.

Badania akademickie i jakościowe

Decyduje metoda. Analiza konwersacji, analiza dyskursu i badania językoznawcze wymagają pełnej transkrypcji dosłownej, często z notacją. Analiza tematyczna, badania stosowane i większość prac eksperckich zwykle korzystają z transkrypcji wygładzonej, bo liczy się to, co uczestnicy mówią, a nie jak. Niezależnie od wyboru spisz zasady przed rozpoczęciem transkrypcji i opisz je w części metodologicznej.

Dziennikarstwo i media

Dziennikarze zwykle pracują na transkrypcji wygładzonej i przed zacytowaniem wracają do nagrania. Cytaty bezpośrednie powinny odpowiadać temu, co padło; usunięcie wtrąceń jest na ogół akceptowane, zmiana słów – nie. Przy dłuższych formach zredagowana transkrypcja może być wygodną wersją do czytania, pod warunkiem że cytaty sprawdza się z nagraniem. Nagrywanie i cytowanie opisujemy w poradniku o transkrypcji wywiadu.

Napisy

Napisy niemal zawsze są wygładzone albo lekko zredagowane. Widz ma kilka sekund na przeczytanie każdego napisu, a wytyczne nadawców określają limity tempa czytania i długości wierszy, więc wtrącenia i fałszywe starty się pomija, chyba że mają znaczenie dla sceny lub postaci. Napisy dla osób niesłyszących i niedosłyszących dodają opisy dźwięków, np. [trzask drzwi] – to inny rodzaj szczegółowości niż wtrącenia w transkrypcji dosłownej. O formatowaniu przeczytasz w poradniku generator napisów SRT i VTT.

Biznes, spotkania i podcasty

Notatki ze spotkań, opisy odcinków podcastów i wywiady z klientami to zwykle transkrypcja wygładzona, często uzupełniona podsumowaniem. Pełna transkrypcja dosłowna wydłuża tu czytanie i nic nie wnosi.

Jak zachowują się transkrypcje AI

Automatyczna transkrypcja nie pasuje idealnie do żadnego z tych stylów, więc warto wiedzieć, czego się spodziewać.

• Wtrącenia zwykle znikają. W praktyce modele klasy Whisper często pomijają „yyy”, „eee” i powtórzone słowa, dając tekst bliższy temu, co mówiący miał na myśli, niż temu, co faktycznie powiedział. Autorzy publikacji o CrisperWhisper (Interspeech 2024) zauważają, że standardowy Whisper usuwa wiele wtrąceń i powtórzeń, i dostroili wariant modelu właśnie po to, by je zachowywał. Przewodnik OpenAI po zamianie mowy na tekst wymienia „zachowanie wtrąceń” jako coś, czym można sterować za pomocą promptu – co pokazuje, że nie jest to zachowanie domyślne.
• Wynik jest zbliżony do transkrypcji wygładzonej, ale nie identyczny. Model może też wygładzić fałszywy start lub urwane słowo, a czasem zostawić wtrącenie, które akurat rozpoznał. Rezultat jest niekonsekwentny i nie trzyma się żadnych wytycznych.
• Dźwięków niewerbalnych i pauz zwykle brakuje. Większość narzędzi nie oznacza [śmiechu] ani pauz z czasem trwania, a żadne znane nam narzędzie nie tworzy niezawodnie notacji Jeffersona.
• Interpunkcja to zgadywanie. Podział na zdania i przecinki są odgadywane, co w długich, ciągłych wypowiedziach może subtelnie zmienić sens.

Wersja robocza z AI jest więc dobrym punktem wyjścia do transkrypcji wygładzonej, a do pełnej transkrypcji dosłownej wymaga ręcznej poprawki. Liczy się też jakość dźwięku: nasze wskazówki dotyczące dokładności transkrypcji wyjaśniają, jak mikrofon, mówienie jednocześnie i akcent wpływają na wynik.

Jak wybrać styl transkrypcji: lista kontrolna

Zanim zaczniesz transkrypcję lub ją zamówisz, odpowiedz na te pytania:

• Czy transkrypcja posłuży jako dowód lub w postępowaniu prawnym? Wybierz pełną transkrypcję dosłowną i stosuj się do instrukcji osoby lub instytucji, która jej wymaga.
• Czy analizujesz sposób mówienia (wahania, autopoprawki, zmiany rozmówców)? Wybierz pełną transkrypcję dosłowną, ewentualnie z notacją.
• Czy potrzebujesz głównie treści – tematów, cytatów, decyzji? Transkrypcja wygładzona zwykle wystarczy.
• Czy tekst zostanie opublikowany lub przeczytany przez osoby nieobecne przy rozmowie? Rozważ wersję redagowaną, a wygładzoną zachowaj jako źródło.
• Czy chodzi o napisy? Transkrypcja wygładzona, a potem skrócenie wierszy do tempa czytania.
• Czy zasady są spisane? Ustal, jak traktować wtrącenia, slang, dźwięki niewerbalne, niezrozumiałe fragmenty i oznaczenia mówców, i stosuj je w każdym pliku.
• Kto porówna transkrypcję z nagraniem? Niezależnie od stylu ktoś powinien przesłuchać nagranie przynajmniej raz.

Jak zamienić wersję roboczą z AI w potrzebny styl

W praktyce najwygodniej zacząć od automatycznej transkrypcji i ją dopasować. W Audiotexta możesz na przykład przesłać plik lub nagrać dźwięk z mikrofonu, otrzymać wersję roboczą z oznaczeniem mówców i znacznikami czasu, a następnie poprawić ją w edytorze, który podświetla każde słowo podczas odtwarzania i pozwala kliknąć dowolne słowo, by przeskoczyć do tego miejsca w nagraniu. Dzięki temu szybciej dopiszesz brakujące wtrącenia i pauzy do pełnej transkrypcji dosłownej albo usuniesz pozostałe potknięcia w transkrypcji wygładzonej. Możesz to wypróbować w aplikacji webowej w darmowym planie – bez konta transkrybujesz pliki do 30 minut.

Gdy transkrypcja odpowiada wybranemu stylowi, wyeksportuj ją w formacie potrzebnym w kolejnym kroku: DOCX lub PDF jako wersję do czytania (plan Pro), TXT do programów analitycznych albo SRT i VTT do napisów – TXT, SRT i VTT pobierzesz za darmo, także bez konta. Do każdego pliku dołącz notatkę o zastosowanym stylu i zasadach, żeby każdy, kto przeczyta go później, wiedział, co w twoim projekcie oznaczało „dosłownie”.