Um acervo com áudio apresenta um problema que o papel não tem: o conteúdo não se pode ler de relance. Uma gravação de uma hora esconde seu tema, seus nomes e suas datas dentro de sessenta minutos de fala que alguém precisa escutar para descrever. Uma coleção de entrevistas, atas orais ou registros sonoros se cataloga devagar por essa razão, e muitas vezes fica sem catalogar porque escutar cada arquivo inteiro não cabe no tempo da equipe.
O Janium Collect trata o áudio com o mesmo destino que um documento: lê-lo e propor um registro de catálogo. A diferença está no primeiro passo. Antes de que um modelo de linguagem possa extrair metadados, a voz tem que se converter em texto. Esse passo é a transcrição automática (ASR), e daí em diante o áudio percorre o mesmo caminho que um PDF.
Da voz ao texto, e do texto ao registro
O Collect transcreve a gravação e usa essa transcrição como o “conteúdo” do arquivo. Sobre esse texto, o modelo extrai os campos do registro: tema, descrição, pessoas mencionadas, cobertura. A saída sai no formato que o acervo usa —Dublin Core para uma descrição simples, MARC21 para um catálogo de biblioteca, ISAD-G para um arquivo onde importa a procedência—. Não há um fluxo à parte para áudio; é o processo de sempre com uma etapa inicial distinta.
Nem todo o registro sai da fala. Alguns dados vêm dos metadados técnicos do arquivo, não do conteúdo: a duração, o códec, a resolução de amostragem. Isso se calcula de forma determinista, sem passar pelo modelo, porque são fatos mensuráveis e não convém pedi-los a um sistema que poderia estimá-los mal. O tipo de recurso —que se trata de um registro sonoro— também se fixa assim, não o decide o modelo.
Transcrever local ou na nuvem
A transcrição pode ser feita de duas maneiras, e a escolha tem consequências de custo e de operação distintas.
- Local. O áudio é transcrito na própria máquina, sem sair da instituição. Processa gravações longas, de horas, mas é lento em CPU: a transcrição demora. É a opção quando o material não deve sair do ambiente ou quando não se quer depender de um serviço externo.
- Na nuvem. A transcrição é delegada a um serviço, mais rápido e sem carga para o hardware local. Aqui aparece uma alavanca de custo útil: a transcrição não precisa do mesmo modelo caro que faz a extração de metadados. Pode-se usar um modelo econômico apenas para transcrever, e reservar o modelo bom para o passo de catalogação. Em testes internos, separar essa alavanca e limitar o raciocínio do modelo reduziu o custo de forma apreciável sem que a qualidade dos registros caísse na amostra.
Nenhuma das duas é “a correta” em abstrato. O local protege o dado e evita dependências externas em troca de tempo; a nuvem dá velocidade e menor custo por registro em troca de que o áudio saia da instituição. A decisão depende do acervo e de suas restrições, não de uma preferência técnica.
Quando a gravação não é uma coisa só
Uma entrevista tem turnos. Uma ata oral tem pontos da ordem do dia. Uma sessão tem intervenções de pessoas distintas. Descrever tudo isso em um único registro perde a estrutura que torna consultável o material.
O Collect pode segmentar a gravação, como opção que se ativa por
instituição. Com a segmentação ligada, além do registro global da
gravação completa, o sistema divide a transcrição em intervenções ou temas e
cataloga cada um como um registro filho vinculado ao pai. Cada filho leva seu
próprio registro e uma referência explícita à gravação da qual faz parte
—dcterms:isPartOf em Dublin Core, o campo 773 em MARC—, de modo que o catálogo
conserva a relação entre o todo e suas partes.
O vínculo funciona nas duas direções. Um fragmento no meio da gravação muitas vezes não anuncia seu próprio tema, então o sistema completa os campos vazios do filho com o que a segmentação já deduziu, e herda do pai a identidade comum —autor, data—. Ao contrário, o registro da gravação completa pode se descrever a partir de seus filhos: seu tema é a união dos temas dos segmentos, sua descrição a soma de seus resumos. É descrição derivada de maneira determinista, não inventada.
Onde estão os limites
A transcrição automática tem erro, e o erro cresce com a qualidade do áudio. Uma gravação limpa se transcreve bem; uma com ruído de fundo, vozes sobrepostas ou microfone distante produz texto com falhas, e essas falhas se arrastam à extração de metadados. Quando o sistema detecta que um arquivo quase não tem fala —música ou ambiente em vez de voz—, não força uma descrição a partir de uma transcrição pobre: prefere apoiar-se nos metadados do arquivo e marcar o caso, para não fabricar conteúdo que não está.
Como no restante do Collect, o que sai são registros propostos que alguém revisa, não um catálogo terminado. A transcrição é um rascunho do conteúdo, não uma ata literal, e certos dados —uma cota, uma data da sessão, o nome exato de uma entidade— vêm dos metadados ou do critério do catalogador, não do áudio. O sistema encurta a escuta e a digitação; não substitui quem conhece o acervo.
Para continuar a conversa
Se sua instituição tem gravações sonoras esperando descrição —entrevistas, atas orais, fundos audiovisuais— e o gargalo é que é preciso escutar cada uma para catalogá-la, isso é o que o Collect tenta aliviar. Escreva para info@janium.com; interessa-nos saber como é seu material sonoro, em que formato você o descreve e quão limpo é o áudio, porque isso muda o que se pode esperar.