Cómo revisar palabras de subtítulos de TikTok antes de investigar

Configuración y control de la transcripción nativa

Un Actor es un programa alojado que recolecta datos de la web, y una Task es una configuración de entrada guardada. La entrada de muestra de la Task actual contiene un arreglo startUrls con una URL de video de Hank Green `https://www.tiktok.com/@hankgreen1/video/7047596209028074758` y una lista preferredLanguages vacía `[]`. Reemplace toda esa lista de muestra por la única dirección pública conocida del video que pretende usar en startUrls. Use preferredLanguages `["en"]` solo si su estudio tiene una regla de idioma inglés declarada. Use una lista vacía `[]` para seleccionar la primera pista pública de subtítulos en cualquier idioma. Ejecute primero esta prueba piloto de un video para verificar que existan subtítulos públicos en su fuente objetivo. Un error semántico es un cambio de significado que afecta la codificación de su estudio.

La build pública actual de TikTok Transcript, 0.1.36, acepta startUrls con 1 a 100 URL de videos públicos conocidos, enlaces cortos o ID numéricos de video. No busca perfiles, palabras clave ni páginas de sonido. El campo preferredLanguages selecciona pistas públicas existentes en orden de preferencia. Una lista vacía usa la primera pista pública. No traduce, no transcribe el audio no capturado, no recolecta comentarios ni infiere códigos de contenido.

Una fila del conjunto de datos representa cada entrada enviada, incluidos los resultados de estado no facturables. Los campos exactos son inputIndex, inputUrl, videoId, videoUrl, authorHandle, durationSeconds, languageCode, text y segments con startSeconds, endSeconds y text, más status, statusReason, isBillable y scrapedAt. Use los startSeconds y endSeconds devueltos de forma directa. Conserve los ID de video como cadenas. El idioma de los subtítulos puede usar un valor regional como eng-US. Una transcripción null o vacía con un estado de falla no muestra que el audio no contenga habla.

Los estados incluyen succeeded, no_public_captions, language_unavailable, duplicate_input, not_tiktok, invalid_input, unsupported_url, video_unavailable, not_public, blocked_or_challenged y fallas de extracción o de subtítulos. El éxito exige un text no vacío. El valor verdadero de isBillable significa un evento de resultado de transcripción nativa exitoso. Las demás filas siguen siendo evidencia. El uso de la plataforma es independiente de un evento de resultado, así que no llame gratuita a toda la ejecución. Los campos de contabilidad de la ejecución incluyen inputsReceived, resultRows, billableTranscriptRows, nonBillableResultRows, duplicateVideosSkipped y statusCounts.

El control en inglés de un video tuvo éxito con el ID de video exacto solicitado, text no vacío y 12 segmentos cuya estructura de tiempos se comprobó. Esto prueba una ruta de subtítulos públicos en esa fuente, no en todos los videos, ni una exactitud perfecta de las palabras habladas, ni la validez de la codificación. Comience su propia prueba piloto de un video con preferredLanguages en en solo si el inglés es el idioma declarado de su estudio.

Método completo de auditoría

1. Indique qué necesita su estudio de las palabras, como una instrucción concreta, una afirmación o una negación. Elija videos conocidos bajo una regla de muestra declarada, un idioma y una ventana de tiempo. Los subtítulos faltantes no pueden recibir una puntuación de cero errores.
2. Conserve sin cambios el texto nativo de los subtítulos, la temporización, la identidad de la fuente y el tiempo. Parta de una pista succeeded no vacía. Registre languageCode y status. Compare solo un intervalo declarado cuyo audio se pueda revisar con claridad. Esta es una auditoría de palabras del habla, no la exactitud del contenido completo del video.
3. Escuche el audio del video en el intervalo seleccionado y escriba una transcripción de referencia humana sin mirar los subtítulos. Vuelva a revisar cualquier palabra incierta o pida a un segundo revisor que también escuche. Si el audio no es claro o es inaudible, marque esas palabras y elimínelas según su regla declarada, en lugar de adivinar. Una transcripción de referencia humana es un registro de comparación revisado, pero los revisores humanos todavía pueden cometer errores.
4. Declare la normalización del texto como cambios explícitos y estandarizados hechos en su texto de trabajo antes de puntuar. Convierta todo el texto a minúsculas, quite la puntuación estándar y separe las palabras por espacios en tokens de palabras simples. Conserve en su texto de trabajo los números, las palabras de negación como not, las formas exactas de las palabras y las muletillas como um o ah. No quite terminaciones de palabras ni convierta las palabras a formas de raíz de diccionario. Mantenga el texto crudo y el texto de trabajo lado a lado para seguir cada cambio.
5. Alinee en orden las palabras de referencia con las palabras de los subtítulos. Una sustitución es una palabra alineada distinta. Una eliminación es una palabra de referencia ausente en los subtítulos. Una inserción es una palabra de los subtítulos ausente en la referencia. Registre las filas alineadas exactas.
6. Defina N como el conteo de palabras de referencia, y S, D e I como los conteos de errores alineados de sustituciones, eliminaciones e inserciones. La razón de error de palabras es igual a paréntesis de apertura S más D más I paréntesis de cierre, dividido por N. Multiplique por 100 para obtener el porcentaje. N debe ser positivo. Las inserciones pueden hacer que la razón supere el 100 por ciento.
7. Para una muestra combinada, use el total de errores dividido por el total de palabras de referencia para la razón de palabras agrupada. Conserve también los resultados por video. Muestre por separado las muestras faltantes o sin puntuar. Una muestra de conveniencia no puede establecer la exactitud para todos los videos.
8. Agregue notas de error semántico para la negación, los números, los nombres, las unidades, la atribución del hablante o las omisiones que afecten el código del estudio. Un error de una palabra puede invertir el significado. Decida si corrige una copia de análisis separada, excluye o revisa un pasaje, o usa codificación manual. Conserve las correcciones, el tiempo, la fuente y la procedencia. No sobrescriba los subtítulos crudos.

Ejemplos resueltos y alineaciones

Todas las puntuaciones corresponden a ejemplos ficticios calculados a mano, no al resultado de una ejecución de una herramienta de NIST.

Para la alineación ficticia A, el texto de referencia de 5 palabras es "i water the red plant" y el texto de los subtítulos es "i water a red plan".

La alineación ficticia A contiene S igual a 2, D igual a 0 e I igual a 0. La razón de error de palabras es 2 dividido por 5, lo que es igual al 40 por ciento.

Para la alineación ficticia B, el texto de referencia de 10 palabras es "we do not add water until the tray is level" y el texto de los subtítulos es "we do add water until the tray is level".

La alineación ficticia B contiene S igual a 0, D igual a 1 e I igual a 0 en la palabra not. Cada palabra de referencia restante se alinea una vez. La razón de error de palabras es 1 dividido por 10, lo que es igual al 10 por ciento.

Pese a una razón de palabras más baja, la eliminación invierte la instrucción. Registre un error crítico de negación y mantenga ese pasaje marcado para revisión.

La media no ponderada de los porcentajes de error de los videos es (40+10)/2=25%. La razón de error de palabras agrupada de ambos videos es (2+1)/(5+10)=3/15=20%. Un promedio no ponderado da 25% porque aplica la misma ponderación a cada video sin importar la duración. El cálculo agrupado da 20% porque pondera cada error por el total de palabras de referencia de toda la muestra.

El ejemplo C tiene la referencia "water" (N es igual a 1) y el subtítulo "please add clean water now", con 0 sustituciones, 0 eliminaciones y 4 inserciones, lo que da 4 dividido por 1, o una razón de error de palabras del 400 por ciento. Una fila de subtítulos fallida tiene conteos de error desconocidos y permanece sin puntuar, lo cual es distinto de un error del 0 por ciento.