Lyd til tekst: gratis metoder og tips til nøjagtighed

En transskriptionsmotor hører aldrig ord, som du gør. Den skærer lydbølgen i overlappende billeder på cirka 25 millisekunder og omdanner hvert udsnit til et spektrogram, et kort over, hvilke frekvenser der er kraftige i det øjeblik. Den akustiske model ser på kortet og vurderer, hvilke talelyde der er til stede: hvæsene i et s, smældet i et t, vokalformerne, der adskiller ship fra sheep. Alene giver det en strøm af sandsynlige lyde, ikke læselig tekst.

Sprogmodellen retter meget af det. Den ved, hvilke ordfølger der er sandsynlige i rigtige sætninger, så når lydene kan være recognize speech eller wreck a nice beach, afgør konteksten det. Ældre systemer holdt de to dele adskilt og trænede dem på begrænset, omhyggeligt oplæst materiale, og derfor snublede diktatprogrammer i 2010'erne over accenter og afslappet tale.

I september 2022 udgav OpenAI Whisper, en åben model trænet på cirka 680.000 timers flersproget lyd fra nettet. Den samler den akustiske del og sprogdelen i ét netværk, som læser vinduer på 30 sekunder og skriver tekst med tegnsætning direkte. Modeller af den slags gjorde accentueret tale, blandet ordforråd og rodede optagelser fra virkeligheden langt mere brugbare, og de fleste gratis transskriptionstjenester i dag, også værktøjer i browseren, kører noget lignende. De gætter dog stadig, og når lyden er utydelig, gætter de flydende, hvilket gør fejlene sværere at få øje på.

Nøjagtighed måles som regel som ordfejlrate: andelen af ord, der er byttet, udeladt eller opfundet sammenlignet med en omhyggelig menneskelig udskrift. En fejlrate på 5 % betyder én fejl for hvert tyvende ord, hvilket lyder lidt, indtil man opdager, at fejlene samler sig om de ord, der betyder noget, som et efternavn, en produktkode eller et tal i en budgetdiskussion.

Faktorerne herunder er listet nogenlunde i den rækkefølge, de skader. Bemærk, at næsten alle afgøres, når optagelsen laves, ikke når den transskriberes. At flytte en telefon fra midten af bordet til en armlængde fra den, der taler, gør ofte mere end nogen indstilling, du kan ændre bagefter.

De fleste optagelser kan uploades, som de er. Forberedelse betaler sig i tre situationer: filen er for lang eller for stor, talen er begravet under stilhed eller musik, eller niveauet er så lavt, at du må skrue helt op for at høre det. En lang stille passage i starten er mere end spildt tid, fordi automatisk registrering afgør sproget ud fra de første 30 sekunder og kan gætte ud fra rumstøj eller en jingle. Hvis du klipper optagelsen ned til den del med tale eller bruger Start ved til at springe over, undgår du det.

Formatkonvertering er sjældent nødvendig. Memoer på iPhone er M4A (AAC-lyd), Android-optagere laver M4A, AAC eller 3GP, og opkaldsoptagere laver ofte AMR; alle kan uploades direkte. At konvertere en komprimeret fil til WAV genskaber ikke detaljer, der gik tabt under optagelsen, som sammenligningen i vores guide til MP3, WAV, FLAC og AAC forklarer, så konvertér kun, hvis et værktøj afviser formatet. Er optagelsen flere timer lang, så del den ved naturlige pauser som en kaffepause eller et emneskift, så hver del holder sig under uploadgrænsen og er lettere at korrekturlæse.

Vælg resultat efter, hvad der skal ske bagefter. Skal du læse, citere eller søge i udskriften, er ren tekst eller Word det rigtige; Word bevarer afsnit, tidsstempler og talermærkater opstillet til redigering, og PDF er til at sende en fast kopi, som ingen skal ændre. Skal ordene vises på skærmen over en video, har du brug for en undertekstfil: SRT eller VTT deler talen i korte replikker, hver med start- og sluttid, og linjelængden afgør, hvor meget der er plads til på skærmen. Toogfyrre tegn pr. linje er den gængse standard i tv.

SRT og VTT rummer de samme oplysninger med små forskelle. SRT, fra det gamle program SubRip, nummererer hver replik og skriver tider med komma (00:01:15,000). WebVTT er W3C-formatet til HTML5-video; det starter med en WEBVTT-header, bruger punktum i tiderne og tillader typografi og placering. YouTube, Vimeo, Premiere Pro og DaVinci Resolve accepterer begge. JSON med tider på ordniveau er til udviklere, der bygger søgning, karaoke-lignende fremhævning eller deres eget undertekstlayout.

Før du uploader noget, så tjek, hvad dine egne enheder allerede kan. Apple tilføjede udskrifter til appen Memoer i iOS 18, så en optagelse fra en nyere iPhone kan vise sin tekst direkte i appen. Googles Recorder-app på Pixel-telefoner har siden 2019 transskriberet under optagelsen, helt på enheden, og kan kende forskel på talere. I Microsoft 365 har Word til nettet en kommando Transskribér ved siden af Dikter, som tager imod uploadede MP3-, M4A-, WAV- og MP4-filer med en månedlig kvote af uploadminutter. Google Docs Tale til tekst (under Funktioner, i Chrome) lytter kun til en levende mikrofon; den kan ikke læse en eksisterende fil.

Mødeplatforme er en anden kilde. Zoom, Microsoft Teams og Google Meet kan lave en udskrift af et opkald, når transskription er slået til, og dit abonnement eller din organisation tillader det, og assistenter som Otter.ai deltager i møder for at tage noter. Det er praktisk til opkald, du selv er vært for, men hver løsning virker kun i sin egen app, kræver alles samtykke til optagelse og eksporterer i sine egne formater. Til en fil, du allerede har, som et gammelt interview, en forelæsningsoptagelse eller en talebesked videresendt af en anden, er en filbaseret transskriptionstjeneste som regel den enkleste vej.

Et værktøj i browseren dækker det, de indbyggede muligheder udelader: enhver fil fra enhver enhed, undertekstformater og sprog, din telefon ikke understøtter. På lyd til tekst-konverteren tilføjer du filen, lader Talt sprog stå på automatisk registrering eller vælger sproget selv, vælger et Resultat og slår Tidsstempler eller Talermærkater til, hvis du har brug for dem. Talememoer fra en iPhone har deres egen side, M4A til tekst, og podcast- eller optagerfiler har MP3 til tekst; begge kører den samme motor. Hver fil kan være op til 95 MB, cirka halvanden time MP3 på 128 kbps. Til alt længere kan du bruge Start ved og Slut ved til at transskribere i dele eller klippe optagelsen først.

Hav realistiske forventninger. En enkelt taler på en ordentlig mikrofon i et stille rum bliver som regel 90–95 % korrekt eller bedre, ofte godt nok til at udgive efter en let redigering. En telefon på et bord i en travl restaurant, en telefonkonference med udfald eller en debat, hvor folk afbryder hinanden, kan ende langt lavere, med hele sætninger, der mangler. Talermærkater er pålidelige, når stemmerne adskiller sig tydeligt, og folk taler efter tur, og de forveksler to ensartede stemmer oftere, end man skulle tro.

Korrekturlæs med lyden åben, ikke kun ud fra teksten, for moderne modeller skriver grammatisk korrekte sætninger, selv når de er forkerte. Tjek hvert egennavn, for modellen kan ikke vide, at din kollega staver det Caitlin eller Katelyn. Tjek hvert tal: femten og halvtreds, datoer, priser og procenter er lette at høre forkert. Hold øje med homofoner som their/there, affect/effect og complement/compliment og med selvsikker fyldtekst, hvor lyden var utydelig. Tidsstempler gør det hurtigt, fordi du kan springe til det præcise øjeblik, hvor en tvivlsom linje blev sagt.

En optagelse rummer ofte flere personlige oplysninger end et dokument: stemmer, navne, helbredsoplysninger, lønbeløb. Før du uploader, så vid, hvor filen havner, og hvor længe den bliver. På UltKit behandles uploads på serveren og slettes automatisk 30 minutter efter behandlingen; der er ingen konto, så intet knyttes til dit navn. Pixel Recorder virker offline, så lyden forlader aldrig telefonen. Til alt, der er dækket af en fortrolighedsaftale eller af lægelig eller juridisk tavshedspligt, så tjek først din organisations politik; nogle kræver godkendte tjenester med kontrakt.

Understøttelsen af sprog er bred, men ujævn. Transskriptionen dækker 33 sprog, blandt andet engelsk, spansk, fransk, tysk, portugisisk, arabisk, hindi, japansk, koreansk, kinesisk og ukrainsk, og de bedste resultater kommer på de sprog, der har flest træningsdata. Automatisk registrering vælger ét sprog pr. fil. Skifter et møde mellem to sprog, så transskribér hver strækning for sig med sproget indstillet manuelt. Udskriften skrives altid på det sprog, der blev talt; oversættelse er et separat trin, du udfører bagefter på teksten.

De fleste mislykkede udskrifter skyldes en håndfuld årsager, og løsningen ligger som regel i filen eller i én indstilling frem for i at prøve en anden tjeneste. Hvis selve lyden er for dårlig til, at du kan følge den med, vil maskinen have lige så svært ved den, og en kort manuel udskrift af de vigtigste passager kan gå hurtigere end at rette en lang automatisk.