โดยทีมบรรณาธิการ whispertranscribe.ai · อัปเดตล่าสุด: พฤศจิกายน 2026 · อ่าน 13 นาที
AI ช่วยถอดเสียงงานวิจัยเชิงคุณภาพได้ แต่ควรใช้เป็นร่างแรกเท่านั้น อัปโหลดบทสัมภาษณ์ แยกผู้พูด ส่งออกข้อความ แล้วฟังเสียงทั้งหมดขณะแก้ไข บทถอดจะเป็นข้อมูลวิจัยได้หลังนักวิจัยตรวจเทียบกับเสียง ใช้กฎการถอดของโครงการ และลบรายละเอียดที่ระบุตัวตนแล้วเท่านั้น
บทความนี้อธิบายการเลือกรูปแบบถอดเสียง ขั้นตอนเจ็ดข้อ รายการตรวจที่คัดลอกได้ หลักการลบข้อมูลระบุตัวตนและจริยธรรมพร้อมแหล่งข้อมูลทางการ และคู่มือรูปแบบส่งออก
คำตอบสั้น ๆ: ใช้ AI ถอดเสียงงานวิจัยเชิงคุณภาพได้หรือไม่?
ได้ หากถือว่าผลลัพธ์เป็นวัตถุดิบ ร่าง AI ช่วยลดการพิมพ์ แต่ไม่ทดแทนการฟัง
- กำหนดกฎการถอดก่อน: ถอดคำต่อคำหรือแบบเกลา จะกำกับผู้พูดและระบุช่วงหยุดหรือคำไม่ชัดอย่างไร
- สร้างร่าง: อัปโหลดแต่ละไฟล์โดยเลือกภาษาถูกต้องและเปิดตรวจจับผู้พูด
- ตรวจ ลบข้อมูลระบุตัวตน แล้ววิเคราะห์: แก้ร่างเทียบเสียง แทนชื่อด้วยรหัส และนำไฟล์ที่แก้แล้วเข้าโปรแกรมวิเคราะห์
ตรวจให้แน่ใจว่าการอนุมัติจริยธรรมและแบบยินยอมครอบคลุมเครื่องมือก่อนอัปโหลดข้อมูลที่ระบุตัวตนได้
งานวิจัยของคุณต้องการการถอดแบบใด?
เลือกรูปแบบตามวิธีวิเคราะห์ ไม่ใช่ความรวดเร็ว งานวิเคราะห์ประเด็นเกี่ยวกับความคิดของผู้คนมักใช้ข้อความที่เกลามากขึ้นได้ ส่วนงานศึกษาวิธีพูดต้องเก็บทุกความลังเล
ในบทความที่ได้รับการอ้างอิงอย่างแพร่หลาย Oliver, Serovich และ Mason (2005) อธิบายว่าการถอดเสียงอยู่บนช่วงต่อเนื่องระหว่างสองแนวทาง Naturalism เก็บทุกถ้อยคำอย่างละเอียดที่สุด Denaturalism แก้ไวยากรณ์ ลบสิ่งรบกวนในการสัมภาษณ์ เช่น การพูดติดขัดและหยุด และปรับสำเนียงที่ไม่ใช่สำเนียงส่วนใหญ่ให้เป็นมาตรฐาน ผู้เขียนไม่ได้จัดอันดับว่าแนวใดดีกว่า แต่ชี้ว่าตัวเลือกส่งผลต่อผลวิจัยและภาพแทนผู้เข้าร่วม จึงควรตัดสินใจอย่างรอบคอบก่อนเริ่ม ตัวอย่างหนึ่งคือการพิจารณาว่าจะเก็บภาษาถิ่นของผู้เข้าร่วมหรือไม่ โดยรู้ว่าผู้เข้าร่วมอาจอ่านบทถอดในขั้นตรวจสอบกับผู้ให้ข้อมูล
| รูปแบบ | สิ่งที่เก็บ | สิ่งที่ตัด | สิ่งที่ต้องทำกับร่าง AI |
|---|---|---|---|
| คำต่อคำเต็ม (naturalized) | ทุกคำ คำเติม การเริ่มพูดใหม่ การซ้ำ เสียงหัวเราะ และช่วงหยุดที่ทำเครื่องหมาย | ไม่มีสิ่งที่ได้ยินถูกตัด | เพิ่มคำเติมหรือการเริ่มใหม่ที่ร่างปรับเรียบ และใส่เครื่องหมายหยุดและหัวเราะด้วยมือ |
| คำต่อคำแบบเกลา (denaturalized) | คำที่มีความหมายทั้งหมดตามสำนวนผู้พูด | คำเติม การพูดติดขัด การซ้ำส่วนใหญ่ | ลบคำเติมอย่างสม่ำเสมอ; อย่า “แก้” ไวยากรณ์หรือคำเลือกใช้ของผู้เข้าร่วม |
| สัญกรณ์วิเคราะห์บทสนทนาแบบละเอียด | ระยะหยุด การพูดทับ การเน้น และทำนองเสียง | ไม่มี | ใช้ร่างเป็นเพียงรายการคำ; ต้องใส่สัญกรณ์ด้วยมือ |
| ข้อความเรียบเรียงหรือสรุป | ประเด็นหลัก | สิ่งที่ไม่จำเป็นต่อการอ่าน | ไม่ใช่บทถอด; วิธีวิจัยเชิงคุณภาพส่วนใหญ่ไม่รับเป็นข้อมูล |
ไม่ว่าจะเลือกแบบใด ให้เก็บต้นฉบับคำต่อคำที่ไม่แก้ไขแม้วิเคราะห์สำเนาแบบเกลา และเขียนกฎเป็นแนวปฏิบัติสั้น ๆ ตาม คู่มือห้องสมุดมหาวิทยาลัยอิลลินอยส์ การถอดเสียงเป็นการวิเคราะห์ในตัวเอง: สิ่งที่จดลงไปกำหนดสิ่งที่ค้นพบภายหลังได้
แนวปฏิบัติการถอดเสียงหนึ่งหน้า (คัดลอกและปรับใช้)
แนวปฏิบัติการถอดเสียงโครงการ — ตัวอย่าง ปรับให้เหมาะกับงานวิจัย
รูปแบบ: คำต่อคำเต็ม เก็บคำเติม (เอ่อ อืม) การเริ่มใหม่ และคำซ้ำ
ป้ายผู้พูด: I = ผู้สัมภาษณ์ P01, P02... = ผู้เข้าร่วม ไม่ใช้ชื่อจริง
เวลา: ทุกครั้งที่เปลี่ยนผู้พูด รูปแบบ [hh:mm:ss]
เสียงไม่ชัด: [ไม่ได้ยิน hh:mm:ss] สำหรับคำที่หาย; [ไม่แน่ใจ: คำ] สำหรับคำที่เดา
อวัจนภาษา: [หัวเราะ] [หยุด] [พูดทับ] [โทรศัพท์ดัง] ในวงเล็บเหลี่ยม
การพูดทับ: เริ่มผู้พูดคนที่สองบรรทัดใหม่ ทำเครื่องหมาย [พูดทับ]
คำตอบรับ: ผู้สัมภาษณ์พูด “อืม” ระหว่างผู้เข้าร่วมพูด: ตัด / เก็บ (เลือกหนึ่ง)
ข้อมูลระบุตัวตน: แทนด้วย [คำอธิบาย] ตอนลบข้อมูลระบุตัวตน และบันทึกทุกการเปลี่ยน
ภาษา: ถอดตามภาษาที่พูด แปลหลังตรวจแล้วเท่านั้น
ชื่อไฟล์: StudyCode_P01_v1-draft / v2-checked / v3-anonymised
ขั้นตอนร่าง AI และตรวจโดยนักวิจัย 7 ขั้น
ขั้นที่ 1 ถึง 4 ใช้เวลาของคุณเพียงไม่กี่นาที ขั้นที่ 5 คือขั้นที่ใช้เวลาจริง และควรเป็นเช่นนั้น
ขั้นที่ 1: บันทึกให้เหมาะกับการถอดเสียง
เสียงชัดสำคัญที่สุดต่อคุณภาพร่าง วางเครื่องใกล้ผู้เข้าร่วมมากกว่าตัวเอง เลือกห้องเงียบ และทดสอบสิบวินาที สำหรับสัมภาษณ์ทางไกล ใช้เครื่องบันทึกของแพลตฟอร์มหรือ เครื่องบันทึกหน้าจอและเสียง ในเบราว์เซอร์หลังได้รับความยินยอมที่จำเป็นและอนุญาตจากผู้จัด ห้ามหลีกเลี่ยงข้อห้ามบันทึก หากพบกันต่อหน้าและมีเพียงแล็ปท็อป เครื่องบันทึกเสียงออนไลน์ บันทึกและถอดเสียงได้ในครั้งเดียว
ขั้นที่ 2: อัปโหลดแต่ละบทสัมภาษณ์แยกกัน
เปิด หน้าถอดเสียงสัมภาษณ์ ในเบราว์เซอร์และเลือกภาษาก่อนอัปโหลด หนึ่งไฟล์ต่อสัมภาษณ์ช่วยจัดชุดข้อมูล whispertranscribe.ai เป็นเครื่องมือ AI บนเว็บที่แปลงเสียงและวิดีโอเป็นข้อความใน 130+ ภาษา รองรับสูงสุด 5GB และ 10 ชั่วโมงในรูปแบบทั่วไป เช่น MP3, WAV, M4A และ MP4 หากไฟล์อยู่ใน Google Drive หรือ Dropbox ให้วางลิงก์ผ่าน Transcribe from URL แทนการดาวน์โหลดก่อน
ขั้นที่ 3: เปิดการตรวจจับผู้พูด
เปิด Enable Speaker Detection เพื่อให้ร่างแยกแต่ละช่วงตามผู้พูด เรื่องนี้สำคัญมากในงานเชิงคุณภาพ: คำอ้างอิงที่กำหนดให้ผู้สัมภาษณ์แทนผู้เข้าร่วมเป็นความผิดพลาดของข้อมูล ไม่ใช่เพียงพิมพ์ผิด คาดว่าจะต้องแก้การระบุผู้พูดบางส่วน โดยเฉพาะเมื่อพูดทับกันหรือเสียงคล้ายกัน
ขั้นที่ 4: ส่งออกร่าง
ดาวน์โหลดสำเนาสำหรับทำงานเป็น DOCX หรือ TXT เพื่อแก้ไข ติดป้ายว่าเป็นร่าง (v1) เพื่อไม่ให้ใครนำไปลงรหัสผิดพลาด คู่มือรูปแบบด้านล่างอธิบายว่าแต่ละแบบเหมาะกับงานใด
ขั้นที่ 5: แก้ร่างเทียบกับเสียง
ฟังไฟล์ทั้งหมดพร้อมเปิดบทถอด และหยุดเมื่อข้อความไม่ตรงเสียง แก้ป้ายผู้พูดก่อน แล้วใช้ค้นหาและแทนที่แก้คำที่ฟังผิดซ้ำ ๆ จากนั้นฟังตลอดอีกครั้ง เล่นทุกช่วงที่คิดจะอ้างอิงซ้ำ ระบบอาจตัดหรือปรับคำเติมและการเริ่มใหม่ให้เรียบ ดังนั้นหากแนวปฏิบัติเป็นคำต่อคำเต็ม อย่าคิดว่าร่างทำเช่นนั้นแล้ว
ขั้นที่ 6: ลบข้อมูลระบุตัวตนในสำเนาแยก
บันทึกไฟล์ที่แก้แล้วเป็น v2 จากนั้นสร้าง v3 สำหรับลบข้อมูลระบุตัวตน แทนชื่อและรายละเอียดระบุตัวตนด้วยคำอธิบายที่สม่ำเสมอ และบันทึกทุกการเปลี่ยน (ดูส่วนด้านล่าง) ทำแบบออฟไลน์ในโปรแกรมของคุณหลังส่งออก
ขั้นที่ 7: นำเข้าโปรแกรมวิเคราะห์
นำฉบับที่ลบข้อมูลระบุตัวตนแล้วเข้าโปรแกรมวิเคราะห์ข้อมูลเชิงคุณภาพ หรือเอกสารหรือสเปรดชีตหากลงรหัสด้วยมือ whispertranscribe.ai ไม่เชื่อมต่อโดยตรงกับ NVivo, ATLAS.ti, MAXQDA หรือโปรแกรมวิเคราะห์อื่น คุณต้องส่งออกไฟล์แล้วนำเข้าเอง ตรวจคู่มือการนำเข้าของโปรแกรมสำหรับรูปแบบที่รองรับและวิธีอ่านชื่อผู้พูด
ตัวอย่างบทถอดที่แก้ไขแล้ว
สามฉบับต่อไปนี้เป็นตัวอย่างสมมติ ไม่ใช่ผลจากสัมภาษณ์จริงหรือการทดสอบ แสดงประเภทการเปลี่ยนแปลงในขั้นที่ 5 และ 6
ตัวอย่าง — v1 ร่าง AI (ยังไม่ตรวจ)
ผู้พูด 1: คุณเริ่มทำงานที่คลินิกเมื่อไร?
ผู้พูด 2: ฉันเริ่มที่นั่นในปี 2019 มั้ง Sarah ผู้จัดการช่วยให้ฉันปรับตัว
ตอนแรกยากเพราะ (because) ฉันย้ายมาจาก Leeds
ตัวอย่าง — v2 ตรวจเทียบเสียงแล้ว (คำต่อคำเต็ม)
[00:04:12] I: คุณเริ่มทำงานที่คลินิกเมื่อไร?
[00:04:15] P07: ฉัน เอ่อ ฉันเริ่มที่นั่นใน— ปี 2019 มั้ง [หยุด] ผู้จัดการฉัน
Sarah เธอช่วยให้ฉันปรับตัวได้จริง ๆ ตอนแรกยาก 'cause ฉันย้ายมาจาก Leeds
ตัวอย่าง — v3 ลบข้อมูลระบุตัวตนแล้ว
[00:04:12] I: คุณเริ่มทำงานที่คลินิกเมื่อไร?
[00:04:15] P07: ฉัน เอ่อ ฉันเริ่มที่นั่นใน— ปี [ปี] มั้ง [หยุด] ผู้จัดการฉัน
[ผู้จัดการ 1] เธอช่วยให้ฉันปรับตัวได้จริง ๆ ตอนแรกยาก 'cause ฉันย้ายมา
จาก [เมืองในอังกฤษตอนเหนือ]
ระหว่าง v1 กับ v2 มีการเพิ่มคำเติมและการเริ่มใหม่ ทำเครื่องหมายช่วงหยุด เปลี่ยน “because” เป็นคำที่ผู้เข้าร่วมพูดจริง “'cause” และเปลี่ยนป้ายทั่วไปเป็นรหัสโครงการ ทั้งหมดไม่ได้เปลี่ยนใจความ แต่มีผลต่อการวิเคราะห์ได้
รายการตรวจแก้บทสัมภาษณ์
ใช้รายการนี้กับทุกบทถอดก่อนนำไปวิเคราะห์ สามารถคัดลอกลงสเปรดชีตหรือคู่มือห้องวิจัยได้โดยตรง
| ข้อที่ตรวจ | สิ่งที่มองหา | วิธีแก้ | เสร็จ |
|---|---|---|---|
| ช่วงผู้พูด | บรรทัดเป็นของผิดคน; คนเดียวแยกเป็นสองป้าย | ฟังทุกครั้งที่เปลี่ยนผู้พูด รวมหรือเปลี่ยนป้าย | ☐ |
| รหัสผู้พูด | ป้ายทั่วไปหรือชื่อจริงในป้าย | แทนด้วย I, P01, P02 ตามแนวปฏิบัติ | ☐ |
| ความสม่ำเสมอของรูปแบบ | เก็บคำเติมบางจุดแต่ลบอีกจุด | ใช้กฎเดียวกันทั้งไฟล์ | ☐ |
| ถ้อยคำผู้เข้าร่วม | ร่าง “แก้” ไวยากรณ์หรือภาษาถิ่น | คืนคำที่ได้ยินจริงในเสียง | ☐ |
| คำสำคัญ | ฟังศัพท์เฉพาะ ชื่อสถานที่ ผลิตภัณฑ์ หรือองค์กรผิด | เก็บรายการคำ ใช้ค้นหาและแทนที่ แล้วสุ่มตรวจ | ☐ |
| ตัวเลข | อายุ ปี จำนวนเงิน และจำนวน | ตรวจแต่ละตัวเทียบเสียง เพราะฟังผิดง่าย | ☐ |
| คำปฏิเสธ | “ไม่” “ไม่เคย” หรือ “ไม่ได้” หายหรือเพิ่ม | เล่นประโยคที่ความหมายขึ้นกับคำปฏิเสธซ้ำ | ☐ |
| การพูดทับ | เสียงพูดทับถูกรวมในบรรทัดคนเดียว | แยกช่วงและทำเครื่องหมายพูดทับ | ☐ |
| ช่วงไม่ชัด | คำที่เดาถูกแสดงว่าแน่นอน | ทำเครื่องหมายไม่ได้ยินหรือไม่แน่ใจพร้อมเวลา | ☐ |
| สัญญาณอวัจนภาษา | เสียงหัวเราะ ช่วงหยุดยาว อารมณ์ที่เปลี่ยนความหมาย | เพิ่มหมายเหตุในวงเล็บหากแนวปฏิบัติกำหนด | ☐ |
| คำอ้างอิงสำหรับรายงาน | ทุกช่วงที่อาจนำไปอ้าง | เล่นซ้ำสองครั้งและยืนยันทุกคำ | ☐ |
| ข้อมูลระบุตัวตน | ชื่อ ที่ทำงาน เมือง รายละเอียดหายากที่ยังเหลือ | ส่งต่อขั้นลบข้อมูลระบุตัวตนและบันทึกทุกการเปลี่ยน | ☐ |
การถอดเสียงเชิงคุณภาพใช้เวลาและค่าใช้จ่ายเท่าใด?
การถอดด้วยมือใช้เวลาหลายชั่วโมงต่อเสียงหนึ่งชั่วโมง ร่าง AI ย้ายเวลาส่วนใหญ่ไปอยู่ที่การตรวจ ชุดเครื่องมือวิจัย International Rescue Committee ประเมินว่าการถอดเสียงหนึ่งชั่วโมงใช้สามถึง 10 ชั่วโมง ขึ้นอยู่กับรายละเอียด ทักษะ และคุณภาพเสียง
ต่อไปเป็นการคำนวณโครงการตัวอย่าง ตัวเลขตรวจแก้เป็นสมมติฐานเพื่ออธิบาย ไม่ใช่ผลวัด ให้จับเวลาบทสัมภาษณ์แรกของคุณเองแล้วปรับ
| โครงการตัวอย่าง: สัมภาษณ์ 20 ครั้ง × 60 นาที = เสียง 20 ชั่วโมง | พิมพ์เอง | ร่าง AI + ตรวจทั้งหมด |
|---|---|---|
| เวลาต่อเสียงหนึ่งชั่วโมง | 3 ถึง 10 ชั่วโมง (ประมาณการ IRC) | สมมติตรวจ 1.5 ถึง 3 ชั่วโมง |
| เวลานักวิจัยทั้งหมด | 60 ถึง 200 ชั่วโมง | 30 ถึง 60 ชั่วโมง |
หากฟังทั้งหมด การตรวจย่อมไม่เร็วกว่าไฟล์เสียง จึงควรเผื่ออย่างน้อยเท่าความยาวเสียงต่อสัมภาษณ์ เสียงรบกวน การพูดทับมาก และกฎคำต่อคำเต็มทำให้เข้าใกล้ช่วงบน แพ็กเกจ whispertranscribe.ai เริ่ม ที่ $9.99/เดือน เมื่อชำระรายปี; ตรวจนาทีและเงื่อนไขปัจจุบันก่อนจัดงบทุน
ถอดด้วย AI เทียบกับบริการมนุษย์และทำเอง
แต่ละวิธีมีที่ใช้ ตัวเลือกที่เหมาะขึ้นอยู่กับงบ เวลา และระดับการสัมผัสข้อมูลที่คุณต้องการ
| ปัจจัย | ร่าง AI คุณตรวจ | บริการถอดโดยมนุษย์ | คุณถอดตั้งแต่ต้น |
|---|---|---|---|
| เวลาของคุณ | ปานกลาง: ฟังอย่างละเอียดหนึ่งรอบและแก้ | ช่วงแรกน้อย แต่ยังควรสุ่มตรวจ | มากที่สุด |
| ค่าใช้จ่าย | ค่าสมาชิกหรือจ่ายตามใช้ | มักคิดต่อนาทีเสียง; เงินสดสูงที่สุด | ไม่มีค่าใช้จ่ายเงินสด |
| ระยะเวลาดำเนินการ | ได้ร่างในไม่กี่นาที | มักหลายวันตามผู้ให้บริการและคำสั่งงาน | หลายสัปดาห์สำหรับทั้งโครงการ |
| ความใกล้ชิดกับข้อมูล | สูง เพราะฟังทั้งหมด | ต่ำกว่าหากไม่ตรวจ | สูงที่สุด |
| ใครจัดการเสียงอีก | ผู้ให้บริการเครื่องมือและผู้ประมวลผลที่ระบุ | พนักงานผู้ให้บริการ มักอยู่ภายใต้ข้อตกลงรักษาความลับ | ไม่มีใคร |
| เหมาะที่สุด | งานสัมภาษณ์ส่วนใหญ่ที่เสียงชัด | โครงการขนาดใหญ่ที่มีทุน หรือไม่มีเวลานักวิจัย | กลุ่มตัวอย่างเล็ก การวิเคราะห์บทสนทนา ข้อมูลละเอียดอ่อนมาก |
whispertranscribe.ai อยู่ในคอลัมน์แรกเท่านั้น เป็นเครื่องมืออัตโนมัติ ไม่มีบริการถอดหรือตรวจแก้โดยมนุษย์
การลบข้อมูลระบุตัวตน ความยินยอม และการทบทวนจริยธรรม
ส่วนนี้เป็นข้อมูลทั่วไป ไม่ใช่คำแนะนำทางกฎหมาย IRB หรือคณะกรรมการจริยธรรมวิจัยของสถาบันและความยินยอมที่ผู้เข้าร่วมลงนามกำหนดกฎที่ใช้จริง
ขอความยินยอมและการอนุมัติที่ครอบคลุมเครื่องมือ
ก่อนอัปโหลดไฟล์ที่ระบุตัวตนได้ไปยังบริการออนไลน์ ให้ตรวจว่าแนวปฏิบัติที่อนุมัติและแบบยินยอมอนุญาต ในสหรัฐ Common Rule ที่ 45 CFR 46.116 กำหนดให้ข้อมูลความยินยอมระบุขอบเขตการรักษาความลับของบันทึกที่ระบุตัวตนได้ HHS Office for Human Research Protections รวม แนวทางความยินยอมโดยได้รับข้อมูล ไว้ ประเทศและสถาบันอื่นมีกฎของตน จึงควรถามสำนักงานจริยธรรมว่าข้อใดใช้กับคุณ
คำถามที่สำนักงานจริยธรรมอาจถามเกี่ยวกับเครื่องมือถอดเสียง:
- เสียงประมวลผลที่ไหน และบุคคลที่สามใดจัดการ?
- เก็บเสียงและบทถอดนานเท่าใด และใครลบได้?
- ใช้เนื้อหาฝึกโมเดล AI หรือให้มนุษย์ตรวจหรือไม่?
- ปกป้องข้อมูลระหว่างส่งและขณะจัดเก็บอย่างไร?
ลบข้อมูลระบุตัวตนด้วยคำอธิบายแทนการเว้นว่าง
แนวทางลบข้อมูลระบุตัวตนในข้อความ ของ UK Data Service แนะนำให้แทนตัวระบุโดยตรงด้วยนามแฝงหรือป้ายที่มีความหมายอย่างสม่ำเสมอ ทำรายละเอียดที่เฉพาะเกินไปให้กว้างขึ้น และเก็บบันทึกการเปลี่ยน โดยเตือนว่าลบชื่ออย่างเดียวแทบไม่เพียงพอ เพราะอาชีพหายากในชุมชนเล็กหรือเส้นเวลาละเอียดอาจเปิดเผยตัวตนได้ การลบมากเกินไปก็เสี่ยงเช่นกัน: บทถอดที่เต็มไปด้วย “X” สูญเสียบริบทที่การวิเคราะห์ต้องใช้ แนวทางเดียวกันแนะนำให้ใช้เครื่องมือลบข้อมูลบนเครื่องแทนเซิร์ฟเวอร์ภายนอก UK Data Service ยังมี เทมเพลตถอดเสียงและข้อตกลงรักษาความลับของผู้ถอดเสียง ฟรี
ตัวอย่างบันทึกอย่างง่าย เก็บแยกจากไฟล์ที่ลบข้อมูลระบุตัวตนแล้ว:
| บทถอด | ต้นฉบับ (เก็บอย่างปลอดภัย) | คำแทน | เหตุผล |
|---|---|---|---|
| P07 | ชื่อจริงของผู้จัดการผู้เข้าร่วม | [ผู้จัดการ 1] | ตัวระบุโดยตรง |
| P07 | เมืองที่อาศัย | [เมืองในอังกฤษตอนเหนือ] | สถานที่อาจช่วยระบุตัวตน |
| P07 | ปีที่เริ่มงาน | [ปี] | เมื่อรวมกับตำแหน่งอาจระบุตัวตน |
นโยบายความเป็นส่วนตัวของ whispertranscribe.ai ระบุอะไร
ต่อไปนี้คือสิ่งที่ นโยบายความเป็นส่วนตัวของ whispertranscribe.ai ระบุเมื่ออ่านในพฤศจิกายน 2026 ไฟล์เสียงและวิดีโอต้นฉบับที่อัปโหลดถูกลบอัตโนมัติเมื่อประมวลผลเสร็จ MP3 ที่แยกระหว่างประมวลผลเก็บ 30 วันโดยค่าเริ่มต้น เว้นแต่คุณลบก่อน บทถอดอยู่ในบัญชีจนกว่าคุณลบ การลบเป็นการถาวรและไม่มีบริการกู้คืนจากข้อมูลสำรอง ไม่ใช้ไฟล์และบทถอดฝึกโมเดล AI และนโยบายระบุว่าไม่มีการตรวจโดยมนุษย์ ข้อมูลได้รับการปกป้องด้วย TLS 1.3 ระหว่างส่งและ AES-256 ขณะจัดเก็บ นโยบายระบุ OpenAI เป็นผู้ให้บริการ AI ในสหรัฐ ซึ่งสำนักงานจริยธรรมอาจต้องทราบ whispertranscribe.ai ไม่กล่าวอ้างว่าปฏิบัติตาม HIPAA หรือ GDPR หรือมีรายงาน SOC 2; หากโครงการต้องการผู้ให้บริการที่มีหลักฐานหรือประมวลผลภายในประเทศ ให้เลือกผู้ที่ตรงข้อกำหนด
นักวิจัยควรส่งออกรูปแบบใด?
whispertranscribe.ai ส่งออก DOCX, PDF, TXT, CSV, SRT และ VTT เลือกตามการใช้งานต่อ
| รูปแบบ | ใช้ในโครงการวิจัยสำหรับ |
|---|---|
| DOCX | แก้ไขและลบข้อมูลระบุตัวตนในโปรแกรมประมวลผลคำ; ติดตามการเปลี่ยนแปลงสำหรับผู้ตรวจคนที่สอง; นำเข้าเป็นเอกสารในโปรแกรมวิเคราะห์ |
| TXT | สำเนาที่ง่ายและย้ายได้มากที่สุดสำหรับเก็บถาวรหรือเครื่องมือที่ต้องการข้อความล้วน |
| CSV | ตรวจแต่ละช่วงเป็นแถวในสเปรดชีต หรือเรียงตามผู้พูดเพื่อนับช่วงพูดอย่างรวดเร็ว |
| สำเนาคงที่สำหรับผู้เข้าร่วมตรวจสอบหรือส่งอาจารย์ที่ปรึกษาหลังลบข้อมูลระบุตัวตน | |
| SRT หรือ VTT | ข้อความพร้อมเวลาเมื่อวิเคราะห์วิดีโอ หรือต้องการข้ามระหว่างบทถอดกับไฟล์ในโปรแกรมเล่นสื่อ |
ถอดเสียงสัมภาษณ์หลายภาษาและข้ามวัฒนธรรม
ถอดในภาษาที่พูดก่อนแล้วจึงแปล ชุดเครื่องมือ IRC ระบุว่าการถอดภาษาต้นทางก่อนแปลเป็นแนวปฏิบัติที่ดี เพราะตรวจคำแปลเทียบต้นฉบับต่อได้ระหว่างวิเคราะห์
whispertranscribe.ai รองรับ 130+ ภาษา รายการภาษาในหน้าสัมภาษณ์มีรูปแบบภูมิภาค เช่น สเปน (ละตินอเมริกา) และฝรั่งเศส (แคนาดา) รวมถึงโหมด “Noise / Low-Quality Audio/Video” สำหรับหลายภาษา ซึ่งมีประโยชน์กับไฟล์ภาคสนาม สำหรับบทสัมภาษณ์ที่สลับภาษา ตัวเลือก Multilingual Mix รองรับการผสมอังกฤษ สเปน ฝรั่งเศส เยอรมัน ฮินดี รัสเซีย โปรตุเกส ญี่ปุ่น อิตาลี และดัตช์ เมื่อต้องการสำเนาทำงานภาษาอังกฤษ ให้ แปลเสียงเป็นอังกฤษ แยกต่างหากและเก็บบทถอดภาษาต้นทางเป็นข้อมูลหลัก
ความแม่นยำสูงถึง 99% เมื่อเสียงชัด แต่เสียงพื้นหลัง สำเนียงหนัก และการสลับภาษาลดความแม่นยำ เผื่อเวลาตรวจเพิ่มสำหรับบทสัมภาษณ์ที่ไม่ใช่อังกฤษหรือหลายภาษา และให้ผู้พูดคล่องตรวจช่วงที่วางแผนจะอ้างอิง
คำถามที่พบบ่อย
ใช้ AI ถอดเสียงบทสัมภาษณ์งานวิจัยเชิงคุณภาพได้หรือไม่?
ได้ หากนักวิจัยตรวจทุกบทถอดเทียบไฟล์เสียง AI สร้างร่างแรกอย่างรวดเร็วพร้อมช่วงผู้พูดและเวลา จึงลดการพิมพ์ส่วนใหญ่ แต่ยังอาจฟังชื่อ ตัวเลข และศัพท์เฉพาะผิด กำหนดบรรทัดผิดคน และตัดคำเติมที่แนวปฏิบัติต้องการ ใช้เป็นสำเนาทำงาน แก้ขณะฟังเสียงทั้งหมด แล้วลบข้อมูลระบุตัวตนก่อนวิเคราะห์
AI แม่นยำพอสำหรับคำอ้างอิงแบบคำต่อคำหรือไม่?
ไม่เพียงพอหากไม่ตรวจ แม้เสียงชัด คำที่ฟังผิดเพียงคำเดียวอาจเปลี่ยนความหมาย และความแม่นยำลดลงเมื่อมีเสียงพื้นหลัง สำเนียง การพูดทับ และศัพท์เฉพาะ whispertranscribe.ai สูงถึง 99% เมื่อเสียงชัด แต่เป็นกรณีดีที่สุด ไม่ใช่การรับประกันสำหรับไฟล์ของคุณ เล่นทุกช่วงที่จะอ้างอย่างน้อยสองครั้งและยืนยันทุกคำก่อนใส่บทความหรือรายงาน
ควรถอดสัมภาษณ์คำต่อคำเต็มหรือแบบเกลา?
เลือกตามวิธีวิเคราะห์ หากศึกษาวิธีพูด เช่น การวิเคราะห์วาทกรรมหรือบทสนทนา ให้เก็บคำต่อคำเต็มรวมช่วงหยุดและคำเติม หากเน้นสิ่งที่ผู้คนพูด เช่น งานวิเคราะห์ประเด็นหลายประเภท แบบเกลาอาจใช้ได้หากรักษาถ้อยคำของผู้เข้าร่วม Oliver, Serovich และ Mason (2005) แนะนำให้ตัดสินใจอย่างรอบคอบก่อนถอด นักวิจัยหลายคนเก็บต้นฉบับคำต่อคำและวิเคราะห์สำเนาที่เกลา
ต้องขออนุมัติ IRB เพื่อใช้เครื่องมือออนไลน์หรือไม่?
โดยทั่วไปการอนุมัติจริยธรรมและแบบยินยอมต้องครอบคลุมวิธีจัดการไฟล์ รวมถึงบริการบุคคลที่สาม ข้อกำหนดต่างกันตามสถาบันและประเทศ จึงควรถาม IRB หรือคณะกรรมการจริยธรรมก่อนอัปโหลดเสียงที่ระบุตัวตนได้ เตรียมคำตอบว่าประมวลผลที่ไหน เก็บนานเท่าใด ใช้ฝึก AI หรือไม่ และใครเข้าถึงได้ ข้อมูลนี้เป็นข้อมูลทั่วไป ไม่ใช่คำแนะนำทางกฎหมาย กฎสถาบันมีผลเหนือกว่า
ถอดสัมภาษณ์หนึ่งชั่วโมงใช้เวลานานเท่าใด?
การพิมพ์เองใช้ประมาณสามถึง 10 ชั่วโมงตามชุดเครื่องมือวิจัย International Rescue Committee ขึ้นอยู่กับรายละเอียดและคุณภาพเสียง เมื่อใช้ร่าง AI การสร้างร่างรวดเร็ว แต่เวลาของคุณใช้ตรวจ: อย่างน้อยเท่าความยาวเสียงเพราะต้องฟังทั้งหมด บวกเวลาหยุดแก้ จับเวลาสัมภาษณ์แรกแล้วใช้วางแผนส่วนที่เหลือ
ควรส่งออกไฟล์ใดสำหรับโปรแกรมวิเคราะห์เชิงคุณภาพ?
DOCX หรือ TXT เป็นตัวเลือกทั่วไปสำหรับนำเข้าสัมภาษณ์เป็นเอกสาร และ DOCX แก้ไขและลบข้อมูลระบุตัวตนก่อนง่ายที่สุด CSV เหมาะกับการลงรหัสในสเปรดชีต ส่วน SRT หรือ VTT ช่วยเมื่อวิเคราะห์วิดีโอควบคู่ข้อความ whispertranscribe.ai ส่งออกได้ทั้งหมดแต่ไม่เชื่อมโดยตรงกับ NVivo, ATLAS.ti หรือ MAXQDA จึงควรตรวจคู่มือนำเข้าของโปรแกรม
เปลี่ยนบทสัมภาษณ์ครั้งถัดไปเป็นบทถอดที่ตรวจแล้ว
อัปโหลดไฟล์ไปยัง whispertranscribe.ai ผ่าน หน้าถอดเสียงสัมภาษณ์ เปิดการตรวจจับผู้พูด และส่งออกร่าง DOCX เพื่อแก้เทียบเสียง หากต้องการทดสอบคุณภาพร่างกับไฟล์เดียวก่อน ใช้ หน้าฟรีไม่ต้องมีบัญชี; เว็บไซต์แสดงขอบเขตการถอดฟรี บันทึกสัมมนาหรือกิจกรรมกลุ่ม? หน้าถอดเสียงการบรรยายและสัมมนา ใช้ขั้นตอนเดียวกัน และ รายการฟีเจอร์ ครอบคลุมส่วนอื่น
คู่มือที่เกี่ยวข้อง: Whisper แม่นยำเพียงใด, วิธีบันทึกการโทร และ กฎหมายบันทึกการโทรแยกตามรัฐ
เอกสารอ้างอิง
- Oliver, D. G., Serovich, J. M., & Mason, T. L. (2005). Constraints and opportunities with interview transcription: Towards reflection in qualitative research. Social Forces, 84(2), 1273–1289. ต้นฉบับผู้เขียนบน PMC
- University of Illinois Library. การวิเคราะห์ข้อมูลเชิงคุณภาพ: การถอดข้อมูล
- International Rescue Committee. การถอดและแปลข้อมูลเชิงคุณภาพ ชุดเครื่องมือวิจัย IRC (PDF)
- eCFR. 45 CFR 46.116 ข้อกำหนดทั่วไปสำหรับความยินยอมโดยได้รับข้อมูล
- HHS Office for Human Research Protections. แนวทางความยินยอมโดยได้รับข้อมูล
- UK Data Service. การลบข้อมูลระบุตัวตนในข้อความ
- UK Data Service. การจัดการข้อมูล: เครื่องมือและเทมเพลต
