صدا و متن: از یک ساعت حرف تا نیم صفحهی مفید

دو مرحله — و اشتباهِ رایج این است که فقط اولی انجام می‌شود

تقریباً همه‌ی کسانی که می‌گویند «پیاده‌سازی صوت به دردم نخورد»، یک کار را انجام داده‌اند و نصفِ دوم را جا انداخته‌اند.

• مرحله‌ی اول — پیاده‌سازی. فایل صوتی را به متن تبدیل می‌کنی. خروجی بلند و خام است: یک ساعت حرف می‌شود چند هزار کلمه‌ی بی‌ساختار، با «اِ» و «یعنی» و حرفِ همزمانِ دو نفر. این متن، به‌تنهایی، تقریباً به همان اندازه‌ی خودِ فایل صوتی بی‌فایده است.
• مرحله‌ی دوم — استخراج. همان متنِ خام را می‌دهی و می‌خواهی چیزِ مشخصی از دلش بیرون بکشد. اینجاست که ارزش ساخته می‌شود — نه در مرحله‌ی اول.

و یک نکته‌ی صرفه‌جویی: لازم نیست همه‌ی فایل را پیاده کنی تا بفهمی به دردت می‌خورد. اول ده دقیقه‌اش را بده، ببین کیفیتِ پیاده‌سازی برای لهجه و کیفیتِ ضبطِ تو قابل قبول هست یا نه، بعد کلش را بده.

سه کارِ واقعی، با پرامپتِ هرکدام

این سه‌تا بیشتر از هر چیز دیگری پرسیده می‌شوند. هر پرامپت را بردار، جای […]ها را پر کن، و بعد از متنِ پیاده‌شده بفرست.

۱. جلسه — تصمیم‌ها، نه بحث‌ها

بزرگ‌ترین اشتباه این است که بخواهی «خلاصه‌ی جلسه». خلاصه، بحث‌ها را هم می‌آورد. چیزی که فردا لازم داری بحث نیست — تصمیم است و کاری که به کسی سپرده شد.

این متنِ پیاده‌شده‌ی یک جلسه است.
سه چیز از آن بیرون بکش:
۱. تصمیم‌هایی که گرفته شد — فقط تصمیم‌ها، نه بحث‌ها.
۲. کارهایی که به کسی سپرده شد، با اسم آن شخص و مهلتش اگر گفته شده.
۳. سوال‌هایی که بی‌جواب ماند.

هر چیزی که در متن نیست را ننویس. اگر جایی نامفهوم بود، بنویس «نامفهوم».

۲. کلاس یا سخنرانی — از شنیدن تا یادگرفتن

برای درس، خلاصه کم‌ارزش‌ترین خروجی است. چیزی که واقعاً کمک می‌کند این است که متن را به سوال تبدیل کنی — چون یادگیری از جواب دادن می‌آید، نه از خواندنِ دوباره.

این متنِ پیاده‌شده‌ی یک [کلاس / سخنرانی] دربارهٔ [موضوع] است.

اول: فهرستِ مفهوم‌هایی که توضیح داده شد، هر کدام در یک جمله.
بعد: ده سوال که اگر جوابشان را بدانم یعنی این جلسه را فهمیده‌ام —
از ساده به سخت، و جوابِ هیچ‌کدام را ننویس.
آخر: هر جایی که مدرس گفت «این مهم است» یا «این در امتحان می‌آید».

فقط از همین متن. چیزی از دانشِ عمومی‌ات اضافه نکن.

۳. مصاحبه — پیدا کردنِ جمله‌ی قابلِ نقل

اگر مصاحبه می‌گیری، آنچه لازم داری چند جمله‌ی دقیق است که بشود عیناً نقلشان کرد — نه خلاصه‌ی حرف‌ها.

این متنِ پیاده‌شده‌ی یک مصاحبه است.

۱. ده جمله‌ی عیناً نقل‌شدنی پیدا کن — دقیقاً همان‌طور که گفته شده،
   بدون بازنویسی. کنار هرکدام بنویس چرا انتخابش کردی.
۲. سه جایی که مصاحبه‌شونده چیزی گفت که با حرفِ قبلی‌اش نمی‌خواند.
۳. سه سوالی که باید می‌پرسیدم و نپرسیدم.

اگر جمله‌ای را دقیق نمی‌توانی نقل کنی، اصلاً نیاورش.

چهار چیزی که کیفیتِ پیاده‌سازی را عوض می‌کنند

اگر خروجی بد بود، معمولاً یکی از این چهارتاست — نه ضعفِ ابزار.

زیرنویس، ترجمه، و ویدیوی دوساعته

سه کارِ دیگر که از همان مهارت درمی‌آیند و کمتر کسی به‌شان فکر می‌کند.

زیرنویس

متنِ پیاده‌شده را بده و بخواه به قطعه‌های کوتاهِ زمان‌دار تقسیمش کند — یک کارِ چند ساعته که به چند دقیقه می‌رسد. قاعده‌اش هم ساده است: هر قطعه باید در یک نفس خوانده شود، و جمله وسطِ یک عبارت نشکند.

ترجمه‌ای که ترجمه‌ی ماشینی نباشد

ترجمه‌ی خط‌به‌خط، جمله‌ی فارسیِ بدریخت می‌دهد. به‌جایش بگو معنی را نگه دار، جمله را از نو بساز — و بگو مخاطبش کیست. تفاوتِ خروجی چشمگیر است.

ویدیوی بلند، بدون تماشا کردنش

برای یک ویدیوی دوساعته، خلاصه خواستن اتلافِ فرصت است. کارِ درست این است که سوالِ خودت را بپرسی — چون تو می‌دانی دنبال چه می‌گردی و ویدیو نمی‌داند.

این متنِ پیاده‌شده‌ی یک ویدیوی بلند است.
خلاصه‌اش نکن. به‌جایش:
۱. جواب این سوالِ من را از داخلش پیدا کن: [سوالت]
۲. بگو جواب در کدام بخش از ویدیو بود (تقریبِ زمان کافی است).
۳. اگر جوابِ سوالم در این ویدیو نیست، همان را بگو و تمام.

صدای مصنوعی، و آن یک مرز

جهتِ برعکس هم هست: از متن، صدا بساز. برای گویندگیِ ویدیو، پادکست، یا خواندنِ یک متنِ بلند وقتی رانندگی می‌کنی، به‌کار می‌آید — و کیفیتِ فارسی‌اش هر چند ماه بهتر می‌شود.

یک نکته‌ی عملی: صدای مصنوعی روی متنی که برای خواندن نوشته شده بد می‌نشیند. اگر می‌خواهی طبیعی دربیاید، متن را طوری بنویس که انگار داری حرف می‌زنی — جمله‌های کوتاه‌تر، و بلند بخوانش تا جاهای گیر را پیدا کنی.

و همان قاعده‌ی ساده‌ی قسمت قبل، این‌بار برای صدا: اگر صاحبِ آن صدا می‌دید چه کرده‌ای و ناراحت می‌شد، نکن.

هفت کار. اولی و دومی را حتماً روی یک فایلِ واقعیِ خودت انجام بده، نه یک نمونه — چون تفاوتِ این درس با خواندنش، همان‌جا معلوم می‌شود. تیک‌ها روی همین مرورگر ذخیره می‌شوند.

• یک فایل صوتی واقعیِ خودم را پیاده کردم — جلسه، کلاس، یا یک ویس تلگرام.
• همان متن را دادم و تصمیم‌ها و کارها را ازش بیرون کشیدم، نه فقط خلاصه.
• دیدم که کدام اسم‌ها را غلط پیاده کرده و یک بار فهرستِ اسم‌ها را از قبل بهش دادم.
• یک ویدیوی بلند را خلاصه کردم و به‌جای خلاصه، سوالِ خودم را ازش پرسیدم.
• یک زیرنویس ساختم یا یک متن را به قطعه‌های زمان‌دار تقسیم کردم.
• جمله‌ی «هر چیزی که در متن نیست را ننویس» را گذاشتم و دیدم چه فرقی می‌کند.
• می‌دانم مرزِ صدای مصنوعی کجاست و چرا این یکی از بقیه سخت‌گیرانه‌تر است.

در قسمت ششم

پنج قسمت اول مهارتِ تک‌کار بود: یک سوال، یک جواب. قسمت ششم دربارهٔ چیزی است که این را به یک سیستم تبدیل می‌کند.

• پیدا کردن کارِ تکراری خودت — آن چیزی که هر هفته انجامش می‌دهی و حوصله‌ات را می‌برد.
• تبدیلش به یک رویه‌ی ثابت — که هر بار همان کیفیت را بدهد، نه گاهی خوب گاهی بد.
• زنجیره‌ی چند مرحله‌ای — خروجی یک مرحله، ورودی مرحله‌ی بعد.
• کجا باید دست نگه داری — نقطه‌ای که آدم باید تصمیم بگیرد، نه ماشین.

و اگر همین حالا نگاه کنی، احتمالاً یکی از سه پرامپتِ بالا را همین هفته دو بار استفاده کرده‌ای. آن، اولین رویه‌ی توست — فقط هنوز اسمش را نگذاشته‌ای.