Własny odcinek audio z AI: od nagrania przez redakcję do opisu podcastu

👁 118 przeczytań

Porządkuję cztery osobne zadania produkcyjne: transkrypcję, czyszczenie zapisu, lektora i przygotowanie podcastu. Pokazuję, gdzie potrzebny jest własny scenariusz, kontrola sensu wypowiedzi oraz sprawdzenie materiału przed publikacją.

Powiązany materiał: NotebookLM - jak zamienić dowolne dokumenty w podcast z AI

Cztery zadania, które wrzucamy do jednego worka

Kiedy ktoś mówi „robię audio z AI”, zwykle ma na myśli jedną z czterech zupełnie różnych rzeczy. Różnią się narzędziami, kosztem błędu i tym, ile pracy zostaje po mojej stronie. Rozdzielenie ich było pierwszą rzeczą, która realnie przyspieszyła mi robotę.

Najwięcej wpadek widziałem tam, gdzie ktoś liczył, że narzędzie załatwi też kolumnę trzecią. Nie załatwia. Każde z tych zadań ma inny punkt, w którym trzeba dołożyć człowieka.

Transkrypcja, która nadaje się do dalszej pracy

Surowa transkrypcja to materiał, a nie produkt. Robię ją zawsze w dwóch krokach: najpierw czysty zapis z narzędzia rozpoznającego mowę, potem osobny przebieg redakcyjny w modelu językowym. Mieszanie tego w jednym ruchu kończy się tym, że model „poprawia” słowa, których nie dosłyszał, i nie mam jak tego wyłapać.

Co robię przed nagraniem, żeby transkrypcja miała sens:

• Osobna ścieżka na rozmówcę. Jeśli rozmowa idzie przez komunikator, włączam zapis lokalny po obu stronach. Rozdzielanie głosów z jednej ścieżki zawsze myli się w momentach, w których ludzie wchodzą sobie w słowo, czyli dokładnie tam, gdzie zwykle pada najciekawsza treść.
• Słownik nazw własnych. Przed przetworzeniem wypisuję nazwiska, nazwy firm, produktów i skróty branżowe. Narzędzia do rozpoznawania mowy potykają się na nich przewidywalnie, a poprawianie ich ręcznie po fakcie zajmuje więcej czasu niż spisanie listy.
• Znaczniki czasu. Bez nich nie da się wrócić do oryginału i sprawdzić, czy zdanie naprawdę padło. To jedyny sposób, żeby zweryfikować cytat.
• Trzydzieści sekund ciszy na start. Nagrane tło pomaga przy odszumianiu i od razu mówi mi, czy w pokoju buczy lodówka.

Dopiero mając surowy zapis, puszczam go przez redakcję. Ten prompt trzyma model w ryzach, bo najważniejsze jest w nim to, czego modelowi nie wolno.

Jesteś redaktorem transkrypcji. Dostajesz surowy zapis rozmowy ze znacznikami czasu.

ZASADY BEZWZGLĘDNE:
1. Możesz USUWAĆ i PRZESTAWIAĆ. Nie wolno Ci DODAWAĆ żadnej treści,
   której nie ma w zapisie. Żadnych domyślnych uzupełnień.
2. Nie zmieniasz liczb, nazwisk, nazw firm ani dat. Jeśli fragment jest
   niewyraźny, zostaw go i oznacz jako [niepewne].
3. Zachowujesz znaczniki czasu na początku każdego akapitu.

CO MASZ ZROBIĆ:
- usuń powtórzenia, przejęzyczenia, „yyy”, „no i”, „prawda?”,
- rozbij zapis na akapity po zmianie tematu,
- podpisz wypowiedzi: ROZMÓWCA A, ROZMÓWCA B,
- na końcu wypisz listę fragmentów oznaczonych [niepewne].

SŁOWNIK NAZW WŁASNYCH: [wklej listę]

ZAPIS:
[wklej transkrypcję]

Czyszczenie zapisu rozmowy bez gubienia sensu

Tu jest miejsce, w którym najłatwiej wyrządzić szkodę, bo efekt wygląda dobrze. Gładka, czytelna wersja rozmowy potrafi zawierać zdanie, którego rozmówca nigdy nie powiedział, a ja nie mam jak tego zauważyć, jeśli wyrzuciłem oryginał.

Dlatego trzymam zawsze dwie wersje: wierną i czytelną. Wierna to zapis po usunięciu samych przejęzyczeń, ze znacznikami czasu. Czytelna to ta, którą publikuję albo wysyłam do autoryzacji. Przed wysłaniem robię jeden przebieg kontrolny: wyciągam z wersji czytelnej wszystkie liczby, nazwiska i daty, po czym sprawdzam każdą pozycję w wersji wiernej. To zajmuje kilka minut i wyłapało mi już kilka przekręconych liczb, które model „wygładził” przy porządkowaniu zdania.

Druga zasada: jeśli tekst idzie do publikacji jako wypowiedź konkretnej osoby, wysyłam go tej osobie do akceptacji. Redakcja z pomocą AI nie zmienia niczego w tym, kto odpowiada za treść cytatu.

Lektor do wideo, czyli jak nie brzmieć jak automat

Naturalność syntezy mowy w dziewięćdziesięciu procentach bierze się z tekstu, a nie z wyboru głosu. Ten sam silnik na tekście pisanym do czytania oczami brzmi jak czytnik ekranowy, a na tekście pisanym pod ucho brzmi jak człowiek. Co działa u mnie:

• Zdania krótsze niż w tekście pisanym. Jedna myśl na zdanie. Wtrącenia w nawiasach i wielokrotnie złożone konstrukcje rozbijam na dwa zdania, bo syntezator nie wie, gdzie postawić akcent zdaniowy.
• Liczby i skróty zapisane tak, jak mają być przeczytane. Zamiast „ok. 2 tys. zł” piszę „około dwóch tysięcy złotych”. Zamiast „np.” piszę „na przykład”. To najczęstsze źródło wpadek, które słychać od razu.
• Interpunkcja oddechowa. Przecinek to krótka pauza, kropka dłuższa, a akapit to reset tempa. Jeśli chcę wyraźnego zawieszenia, robię osobny akapit zamiast kombinować ze znakami specjalnymi.
• Jedna emocja na akapit. Prośby o nagłą zmianę nastroju w środku zdania kończą się sztucznym skokiem barwy.
• Pierwsze zdanie nagrywam zawsze osobno. To ono decyduje, czy widz zostanie, i najczęściej wymaga kilku podejść.

Do przepisania gotowego tekstu pod lektora używam tego:

Przepisz poniższy tekst tak, żeby dobrze brzmiał czytany na głos
przez lektora w materiale wideo.

WYTYCZNE:
- jedna myśl na zdanie, średnio 8 do 14 słów,
- rozpisz słownie wszystkie liczby, skróty, jednostki i daty,
- usuń wtrącenia w nawiasach, zamień je na osobne zdania,
- zacznij od zdania, które w 5 sekundach mówi, o czym będzie materiał,
- nie dodawaj nowych faktów, pracujesz tylko na tym, co jest w tekście,
- nie używaj myślników, używaj przecinków i kropek,
- tempo: [spokojne / energiczne], odbiorca: [kto to jest].

Na końcu podaj szacowany czas czytania przy tempie 150 słów na minutę
oraz listę miejsc, w których warto zrobić dłuższą pauzę.

TEKST:
[wklej]

Klonowanie głosu: zgoda przed pierwszą próbką

Klonowanie barwy głosu to jedyny element tej układanki, w którym błąd nie jest wpadką warsztatową, tylko problemem prawnym i ludzkim. Głos jest daną dotyczącą konkretnej osoby i jej dobrem osobistym, więc traktuję go jak podpis, a nie jak plik dźwiękowy.

Moje zasady są proste. Nie klonuję głosu osoby, która nie wie, że to robię. Nie używam jako próbki cudzego podcastu, wywiadu ani nagrania z sieci, nawet jeśli technicznie da się je pobrać. Nie klonuję głosów osób publicznych ani osób zmarłych. A jeśli ktoś zgadza się na użyczenie głosu, zgoda jest na piśmie i obejmuje konkretny zakres.

Osobno pilnuję oznaczania. Materiał, w którym głos jest syntetyczny, oznaczam wprost w opisie. Robię to niezależnie od tego, czy akurat muszę, bo koszt jednego zdania w opisie jest zerowy, a koszt sytuacji, w której ktoś poczuje się wprowadzony w błąd, nie jest.

Podcast: od scenariusza do opisu odcinka

Podcast jest dobrym testem całego warsztatu, bo dotyka wszystkich czterech warstw naraz. Mój porządek pracy wygląda tak: szkielet odcinka, nagranie, transkrypcja, montaż na podstawie transkryptu, dopiero na końcu opis i rozdziały.

Montaż z transkryptu to zmiana, która dała mi najwięcej. Zamiast przeklikiwać falę dźwiękową, czytam tekst, zaznaczam fragmenty do wycięcia i przenoszę znaczniki czasu do programu. Dłużyzny widać w zapisie od razu, a w fali nie widać ich wcale.

Prompt na szkielet odcinka

Jesteś producentem podcastu. Przygotuj szkielet odcinka.

DANE:
- temat: [temat]
- format: [solo / wywiad / rozmowa dwóch osób]
- długość docelowa: [X minut]
- słuchacz: [kto to jest, co już wie, po co słucha]
- czego słuchacz ma się dowiedzieć: [jedna rzecz]

ODDAJ:
1. Trzy propozycje otwarcia, każde do 25 sekund czytania,
   bez powitań typu „witajcie w kolejnym odcinku”.
2. Szkielet w blokach: nazwa bloku, minutaż, cel bloku,
   dwa zdania mówiące, co się w nim dzieje.
3. Dla formatu wywiad: 8 pytań otwartych ułożonych od najłatwiejszego,
   plus 3 pytania pogłębiające do zadania, gdy rozmówca odpowie ogólnikiem.
4. Trzy miejsca, w których warto zrobić konkretny przykład zamiast teorii.
5. Zakończenie: jedno zdanie podsumowania i jedno konkretne zadanie
   dla słuchacza.

Nie pisz pełnych wypowiedzi. To ma być szkielet do mówienia, nie do czytania.

Prompt na opis odcinka i rozdziały

Na podstawie transkryptu odcinka przygotuj materiały publikacyjne.

ZASADA: korzystasz wyłącznie z transkryptu. Nie dodajesz faktów,
liczb ani nazwisk, których w nim nie ma. Jeśli czegoś brakuje,
napisz [brak w nagraniu].

ODDAJ:
1. Pięć propozycji tytułu odcinka, do 60 znaków, bez wykrzykników.
2. Opis krótki: 2 zdania, maksymalnie 200 znaków.
3. Opis pełny: 3 akapity. Pierwszy mówi, o czym jest odcinek,
   drugi wymienia konkrety, które padają, trzeci mówi, dla kogo to jest.
4. Rozdziały: znacznik czasu i nazwa, maksymalnie 8 pozycji,
   nazwy opisowe, nie „wstęp” i „część druga”.
5. Pięć cytatów z odcinka nadających się na fragmenty do social mediów,
   każdy ze znacznikiem czasu, cytowane dosłownie.
6. Lista wszystkiego, co zostało w odcinku obiecane słuchaczowi
   (linki, materiały), żebym sprawdził, czy to dodałem.

TRANSKRYPT:
[wklej]

Checklista przed publikacją

• Odsłuch całości w słuchawkach i na głośniku telefonu. Mowa syntetyczna brzmi różnie na różnym sprzęcie, a większość odbiorców słucha na telefonie.
• Wyrównana głośność między lektorem, muzyką i wstawkami. Skok głośności wyrzuca ludzi szybciej niż słaba treść.
• Sprawdzone liczby, nazwiska i nazwy własne w każdym materiale, który powstał z transkryptu.
• Oznaczenie materiału, jeśli głos jest syntetyczny.
• Zgoda na piśmie w aktach, jeśli w grę wchodzi czyjś głos.
• Wersja wierna transkryptu zarchiwizowana razem z oryginalnym nagraniem.
• Opis odcinka przeczytany na głos. Zdanie, które trudno przeczytać, źle się też czyta oczami.

Pułapki, które kosztowały mnie najwięcej czasu

1. Odszumianie wpuszczone na cały materiał. Agresywne czyszczenie zjada spółgłoski i głos robi się metaliczny. Ustawiam je łagodnie i porównuję fragment po fragmencie z oryginałem, zamiast puszczać jeden przebieg na wszystko.
2. Muzyka pod lektorem ustawiona przy odsłuchu na pełnej głośności. W ciszy podkład wydaje się za cichy, więc podbijam go, a potem w normalnych warunkach zagłusza mowę.
3. Poprawianie tekstu po wygenerowaniu lektora. Zawsze kończy się ponownym generowaniem całości, bo pojedyncze zdanie wklejone w środek ma inną barwę i tempo. Tekst zatwierdzam przed syntezą.
4. Transkrypcja bez znaczników czasu. Wygodna do czytania, bezużyteczna do weryfikacji i do montażu. Bez nich nie mam jak wrócić do źródła.
5. Próbka głosu bez zgody „bo to tylko test”. Testowy plik zostaje na dysku i wraca do gry pół roku później, kiedy nikt już nie pamięta, skąd się wziął. Jeśli nie ma zgody, nie ma próbki.
6. Jeden przebieg modelu na wszystko naraz. Transkrypcja, redakcja, tytuł i opis w jednym prompcie dają wynik, w którym nie da się ustalić, co jest z nagrania, a co model sobie dopowiedział. Rozdzielam kroki i każdy sprawdzam osobno.

Ta procedura wygląda na rozbudowaną, ale w praktyce jej ciężar jest jednorazowy. Słownik nazw własnych, szablony promptów i wzór zgody przygotowuję raz, a potem każdy kolejny materiał to już tylko podmiana wsadu. Cała reszta to odsłuch, którego i tak nikt za mnie nie zrobi.

Tekst powstał z pomocą AI i został zredagowany przez człowieka.

// czytaj dalejAnthropic rozmawia z Samsungiem o własnym chipie do AINewsyBase44 udostępnia własny model Base1, by uniezależnić się od cudzych LLMNewsyDeloitte ostrzega własnych konsultantów: AI zabierze rozliczanie za godzinyNewsy