Audio naar tekst omzetten: gratis methoden en tips | UltKit

Een transcriptie-engine hoort woorden niet zoals u. Het knipt de golfvorm in elkaar overlappende frames van ongeveer 25 milliseconden en maakt van elk stukje een spectrogram: een kaart van welke frequenties op dat moment luid zijn. Het akoestische model bekijkt die kaart en schat in welke spraakklanken aanwezig zijn: het gesis van een s, de plof van een t, de klinkervormen die schip van schep onderscheiden. Op zichzelf levert dat een stroom waarschijnlijke klanken op, geen leesbare tekst.

Het taalmodel lost een groot deel daarvan op. Het weet welke woordreeksen in echte zinnen waarschijnlijk zijn, dus als de klanken spraak herkennen of een mooi strand vernielen kunnen zijn, geeft de context de doorslag. Oudere systemen hielden deze twee onderdelen gescheiden en trainden ze op beperkt, zorgvuldig voorgelezen materiaal. Daarom struikelde dicteersoftware uit de jaren 2010 over accenten en spreektaal.

In september 2022 bracht OpenAI Whisper uit, een open model dat is getraind op ongeveer 680.000 uur meertalige audio van het web. Het voegt het akoestische en het taalgedeelte samen in één netwerk dat vensters van 30 seconden leest en direct tekst met leestekens schrijft. Modellen uit deze familie maakten spraak met accent, gemengde woordenschat en rommelige opnamen uit de praktijk veel beter bruikbaar, en de meeste gratis transcriptiediensten van nu, ook browsertools, draaien iets vergelijkbaars. Ze blijven echter gokken, en bij onduidelijke audio gokken ze vloeiend, waardoor hun fouten lastiger op te merken zijn.

Nauwkeurigheid wordt meestal gemeten als woordfoutpercentage: het aandeel woorden dat is verwisseld, weggelaten of verzonnen ten opzichte van een zorgvuldig menselijk transcript. Een foutpercentage van 5% betekent één fout per twintig woorden. Dat klinkt weinig, tot u merkt dat de fouten zich ophopen bij de woorden die ertoe doen, zoals een achternaam, een productcode of een bedrag in een begrotingsgesprek.

De factoren hieronder staan grofweg op volgorde van schadelijkheid. Bijna alle worden bepaald op het moment van opnemen, niet van transcriberen. Een telefoon van het midden van de tafel naar armlengte van de spreker verplaatsen helpt vaak meer dan welke instelling u achteraf ook kunt wijzigen.

De meeste opnamen kunt u precies zo uploaden. Voorbereiding loont in drie situaties: het bestand is te lang of te groot, de spraak zit onder stilte of muziek, of het niveau is zo laag dat u het volume helemaal open moet zetten om iets te horen. Een lang stil stuk aan het begin is meer dan verloren tijd, want automatische detectie bepaalt de taal aan de hand van de eerste 30 seconden en kan gaan gokken op basis van kamergeluid of een intro-jingle. Dat voorkomt u door de opname in te korten tot het deel met spraak, of door Beginnen bij in te stellen om het over te slaan.

Formaatconversie is zelden nodig. Spraakmemo's van de iPhone zijn M4A (AAC-audio), Android-recorders maken M4A, AAC of 3GP, en gespreksrecorders vaak AMR; al deze bestanden kunt u rechtstreeks uploaden. Een gecomprimeerd bestand omzetten naar WAV brengt geen detail terug dat bij het opnemen verloren is gegaan, zoals de vergelijking in onze gids over MP3, WAV, FLAC en AAC uitlegt. Zet dus alleen om als een tool het formaat weigert. Splits een opname van meerdere uren op natuurlijke momenten, zoals een koffiepauze of een nieuw onderwerp, zodat elk deel onder de uploadlimiet blijft en makkelijker na te lezen is.

Kies de uitvoer op basis van wat er daarna gebeurt. Als u het transcript gaat lezen, citeren of doorzoeken, is platte tekst of Word de juiste keuze; Word houdt alinea's, tijdstempels en sprekerlabels geordend voor bewerking, en PDF is voor het versturen van een vaste kopie die niemand mag wijzigen. Als de woorden op het scherm over een video komen, hebt u een ondertitelbestand nodig: SRT of VTT verdelen de spraak in korte ondertitels met elk een begin- en eindtijd, en de regellengte bepaalt hoeveel er op het scherm past. Tweeënveertig tekens per regel is de gangbare omroepstandaard.

SRT en VTT bevatten dezelfde informatie met kleine verschillen. SRT, uit het oude programma SubRip, nummert elke ondertitel en schrijft tijden met een komma (00:01:15,000). WebVTT is het W3C-formaat voor HTML5-video; het begint met een WEBVTT-kop, gebruikt een punt in de tijden en staat opmaak en positionering toe. YouTube, Vimeo, Premiere Pro en DaVinci Resolve accepteren beide. JSON met tijden per woord is bedoeld voor ontwikkelaars die zoekfuncties, karaokeachtige markering of een eigen ondertitelindeling bouwen.

Controleer voordat u iets uploadt wat uw eigen apparaten al kunnen. Apple voegde transcripties toe aan de app Spraakmemo's in iOS 18, dus een opname op een recente iPhone kan de tekst direct in de app tonen. De Recorder-app van Google op Pixel-telefoons transcribeert sinds 2019 tijdens het opnemen, volledig op het toestel, en kan sprekers onderscheiden. In Microsoft 365 heeft Word voor het web een opdracht Transcriberen naast Dicteren, die geüploade MP3-, M4A-, WAV- en MP4-bestanden accepteert met een maandelijks tegoed aan uploadminuten. Spraakgestuurd typen in Google Documenten (onder Extra, in Chrome) luistert alleen naar een live microfoon; het kan geen bestaand bestand lezen.

Vergaderplatforms zijn een andere bron. Zoom, Microsoft Teams en Google Meet kunnen een transcript van een gesprek maken als transcriptie is ingeschakeld en uw abonnement of organisatie dat toestaat, en assistenten zoals Otter.ai sluiten aan bij vergaderingen om notities te maken. Dat is handig voor gesprekken die u zelf organiseert, maar elk werkt alleen binnen de eigen app, vraagt om toestemming van alle aanwezigen voor het opnemen en exporteert in eigen formaten. Voor een bestand dat u al hebt, zoals een oud interview, een collegeopname of een spraakbericht dat iemand anders doorstuurde, is een bestandsgebaseerde transcriptietool meestal de eenvoudigere route.

Een browsertool dekt wat de ingebouwde opties niet doen: elk bestand van elk apparaat, ondertitelformaten en talen die uw telefoon niet ondersteunt. Voeg op de audio-naar-tekstconverter het bestand toe, laat Gesproken taal op automatisch detecteren staan of kies zelf de taal, kies een Uitvoer en zet Tijdstempels of Sprekerlabels aan als u die nodig hebt. Spraakmemo's van een iPhone hebben een eigen pagina voor M4A naar tekst, en podcast- of recorderbestanden hebben MP3 naar tekst; beide draaien dezelfde engine. Elk bestand mag maximaal 95 MB zijn, ongeveer anderhalf uur MP3 van 128 kbps. Gebruik voor langere opnamen Beginnen bij en Eindigen bij om in delen te transcriberen, of knip de opname eerst in.

Houd realistische verwachtingen. Eén spreker met een redelijke microfoon in een stille ruimte komt meestal op 90–95% correct of beter uit, vaak goed genoeg om na een lichte bewerking te publiceren. Een telefoon op tafel in een druk restaurant, een conferentiegesprek met haperingen of een panel waarin mensen elkaar onderbreken kan veel lager uitkomen, met hele zinnen die ontbreken. Sprekerlabels zijn betrouwbaar als stemmen duidelijk verschillen en mensen om de beurt praten, en ze halen twee op elkaar lijkende stemmen vaker door elkaar dan u zou verwachten.

Lees na met de audio erbij open, niet alleen op basis van de tekst, want moderne modellen schrijven grammaticaal correcte zinnen, ook als ze fout zijn. Controleer elke eigennaam, want een model kan niet weten of uw collega Caitlin of Katelyn schrijft. Controleer elk getal: vijftien en vijftig, data, prijzen en percentages worden makkelijk verkeerd verstaan. Let op woorden die hetzelfde klinken, zoals hun/hen en wordt/word, en op zelfverzekerd opvulsel waar de audio onduidelijk was. Tijdstempels maken dit snel, want u springt direct naar het moment waarop een twijfelachtige regel werd uitgesproken.

Een opname bevat vaak meer persoonlijke informatie dan een document: stemmen, namen, gezondheidsgegevens, salarisbedragen. Weet voordat u uploadt waar het bestand heen gaat en hoe lang het blijft. Bij UltKit worden uploads op de server verwerkt en 30 minuten na verwerking automatisch verwijderd; er is geen account, dus niets is aan uw naam gekoppeld. Pixel Recorder werkt offline, dus de audio verlaat de telefoon nooit. Controleer voor alles wat onder een geheimhoudingsovereenkomst of medisch of juridisch beroepsgeheim valt eerst het beleid van uw organisatie; sommige eisen goedgekeurde diensten met contract.

De taalondersteuning is breed maar ongelijk. De transcriber dekt 33 talen, waaronder Engels, Spaans, Frans, Duits, Portugees, Arabisch, Hindi, Japans, Koreaans, Chinees en Oekraïens, en de beste resultaten komen in de talen met de meeste trainingsdata. Automatische detectie kiest één taal per bestand. Als een vergadering tussen twee talen wisselt, transcribeer dan elk stuk apart met de taal handmatig ingesteld. Het transcript wordt altijd geschreven in de gesproken taal; vertalen is een aparte stap die u achteraf op de tekst uitvoert.

De meeste mislukte transcripties komen door een handvol oorzaken, en de oplossing zit meestal in het bestand of één instelling in plaats van in een andere dienst proberen. Als de audio zelf te slecht is om er comfortabel naar te luisteren, heeft de machine er net zoveel moeite mee, en een kort handmatig transcript van de belangrijkste passages gaat soms sneller dan een lang automatisch transcript corrigeren.