Lyd til tekst: gratis metoder og tips for nøyaktighet

En transkripsjonsmotor hører aldri ord slik du gjør. Den deler lydbølgen i overlappende rammer på omtrent 25 millisekunder og gjør hver bit om til et spektrogram, et kart over hvilke frekvenser som er sterke i det øyeblikket. Akustisk modell ser på kartet og anslår hvilke talelyder som er til stede: susingen i en s, smellet i en t, vokalformene som skiller skip fra skjeppe. Alene gir det en strøm av sannsynlige lyder, ikke lesbar tekst.

Språkmodellen retter opp mye av dette. Den vet hvilke ordfølger som er sannsynlige i ekte setninger, så når lydene kan bety recognize speech eller wreck a nice beach, er det konteksten som avgjør. Eldre systemer holdt de to delene adskilt og trente dem på begrenset, nøye opplest materiale, og derfor snublet diktatprogrammer på 2010-tallet i dialekter og uformelt språk.

I september 2022 ga OpenAI ut Whisper, en åpen modell trent på omtrent 680 000 timer flerspråklig lyd samlet fra nettet. Den slår den akustiske delen og språkdelen sammen til ett nettverk som leser 30-sekunders vinduer og skriver tekst med tegnsetting direkte. Modeller av denne typen gjorde tale med aksent, blandet ordforråd og rotete opptak fra virkeligheten langt mer brukbare, og de fleste gratis transkripsjonstjenester i dag, inkludert nettleserverktøy, kjører noe lignende. De gjetter likevel, og når lyden er uklar, gjetter de flytende, noe som gjør feilene vanskeligere å få øye på.

Nøyaktighet måles vanligvis som ordfeilrate: andelen ord som er byttet ut, utelatt eller funnet på sammenlignet med en nøye menneskelig transkripsjon. En feilrate på 5 % betyr én feil per tjue ord, noe som høres lite ut til du merker at feilene samler seg på de ordene som betyr noe, som et etternavn, en produktkode eller et tall i en budsjettdiskusjon.

Faktorene under er listet omtrent i den rekkefølgen de skader mest. Legg merke til at nesten alle avgjøres når opptaket gjøres, ikke når det transkriberes. Å flytte en telefon fra midten av bordet til en armlengdes avstand fra taleren gjør ofte mer enn noen innstilling du kan endre etterpå.

De fleste opptak kan lastes opp akkurat som de er. Forberedelse lønner seg i tre tilfeller: filen er for lang eller for stor, talen drukner i stillhet eller musikk, eller nivået er så lavt at du må skru volumet helt opp for å høre det. En lang stille strekning i starten er mer enn bortkastet tid, fordi automatisk gjenkjenning avgjør språket ut fra de første 30 sekundene og kan gjette ut fra romstøy eller en intromelodi. Å kutte opptaket ned til delen med tale, eller å bruke Start ved for å hoppe over den, unngår dette.

Formatkonvertering er sjelden nødvendig. Talememoer på iPhone er M4A (AAC-lyd), Android-opptakere lager M4A, AAC eller 3GP, og samtaleopptakere lager ofte AMR; alle disse kan lastes opp direkte. Å konvertere en komprimert fil til WAV gir ikke tilbake detaljer som gikk tapt under opptaket, slik sammenligningen i guiden vår om MP3, WAV, FLAC og AAC forklarer, så konverter bare når et verktøy avviser formatet. Er opptaket flere timer langt, del det opp ved naturlige pauser som en kaffepause eller et temaskifte, slik at hver del holder seg under opplastingsgrensen og er lettere å korrekturlese.

Velg utdata ut fra hva som skjer videre. Skal du lese, sitere eller søke i transkripsjonen, er ren tekst eller Word riktig; Word beholder avsnitt, tidsstempler og talermerking klare for redigering, og PDF er for å sende en fast kopi som ingen skal endre. Skal ordene vises på skjermen over en video, trenger du en undertekstfil: SRT eller VTT deler talen i korte replikker, hver med start- og sluttid, og linjelengden avgjør hvor mye som får plass på skjermen. Førtito tegn per linje er den vanlige standarden i kringkasting.

SRT og VTT inneholder den samme informasjonen med små forskjeller. SRT, fra det gamle programmet SubRip, nummererer hver replikk og skriver tider med komma (00:01:15,000). WebVTT er W3C-formatet for HTML5-video; det starter med en WEBVTT-header, bruker punktum i tidene og tillater stil og plassering. YouTube, Vimeo, Premiere Pro og DaVinci Resolve godtar begge. JSON med tidsangivelser per ord er for utviklere som bygger søk, karaokelignende utheving eller egen undertekstoppsett.

Før du laster opp noe, sjekk hva enhetene dine allerede kan. Apple la til transkripsjoner i Talememoer-appen i iOS 18, så et opptak laget på en nyere iPhone kan vise teksten rett i appen. Googles Recorder-app på Pixel-telefoner har transkribert under opptak siden 2019, helt på enheten, og kan skille talere. I Microsoft 365 har Word på nett en Transkriber-kommando ved siden av Dikter som godtar opplastede MP3-, M4A-, WAV- og MP4-filer med en månedlig kvote opplastingsminutter. Taleskriving i Google Docs (under Verktøy, i Chrome) lytter bare til en levende mikrofon; den kan ikke lese en eksisterende fil.

Møteplattformer er en annen kilde. Zoom, Microsoft Teams og Google Meet kan lage en transkripsjon av en samtale når transkripsjon er slått på og abonnementet eller organisasjonen tillater det, og assistenter som Otter.ai blir med i møter for å ta notater. Dette er praktisk for samtaler du selv er vert for, men hver fungerer bare i sin egen app, krever samtykke fra alle til opptak og eksporterer i egne formater. For en fil du allerede har, som et gammelt intervju, et forelesningsopptak eller en talemelding videresendt av noen andre, er en filbasert transkribering vanligvis den enkleste veien.

Et nettleserverktøy dekker det de innebygde alternativene utelater: alle filer fra alle enheter, undertekstutdata og språk telefonen din ikke støtter. På lyd til tekst-konverteren legger du til filen, lar Talespråk stå på automatisk gjenkjenning eller velger språket selv, velger en Utdata, og slår på Tidsstempler eller Talermerking hvis du trenger dem. Talememoer fra en iPhone har sin egen side, M4A til tekst, og podkast- eller opptakerfiler har MP3 til tekst; begge bruker samme motor. Hver fil kan være opptil 95 MB, omtrent halvannen time med MP3 på 128 kbps. For noe lengre bruker du Start ved og Slutt ved for å transkribere i deler, eller klipp opptaket først.

Ha realistiske forventninger. En enkelt taler med en grei mikrofon i et stille rom blir vanligvis 90–95 % riktig eller bedre, ofte godt nok til å publiseres etter en lett redigering. En telefon på et bord i en travel restaurant, en telefonkonferanse med avbrudd eller et panel der folk avbryter hverandre kan havne mye lavere, med hele setninger som mangler. Talermerking er pålitelig når stemmene er tydelig forskjellige og folk snakker etter tur, og den forveksler to like stemmer oftere enn du kanskje venter.

Korrekturles med lyden åpen, ikke bare fra teksten, fordi moderne modeller skriver grammatisk riktige setninger selv når de er feil. Sjekk hvert egennavn, siden en modell ikke kan vite at kollegaen din skriver det Caitlin eller Katelyn. Sjekk hvert tall: femten og femti, datoer, priser og prosenter er lette å høre feil. Se opp for homofoner som hver/vær og sjel/sel, og for selvsikker utfylling der lyden var uklar. Tidsstempler gjør dette raskt, fordi du kan hoppe til det nøyaktige øyeblikket en tvilsom linje ble sagt.

Et opptak inneholder ofte mer personlig informasjon enn et dokument: stemmer, navn, helseopplysninger, lønnstall. Før du laster opp, bør du vite hvor filen havner og hvor lenge den blir liggende. På UltKit behandles opplastinger på serveren og slettes automatisk 30 minutter etter behandling; det finnes ingen konto, så ingenting knyttes til navnet ditt. Pixel Recorder fungerer uten nett, så lyden forlater aldri telefonen. For alt som dekkes av taushetsplikt eller medisinsk eller juridisk fortrolighet, sjekk organisasjonens retningslinjer først; noen krever godkjente tjenester med avtale.

Språkstøtten er bred, men ujevn. Transkribereren dekker 33 språk, blant dem engelsk, spansk, fransk, tysk, portugisisk, arabisk, hindi, japansk, koreansk, kinesisk og ukrainsk, og de beste resultatene kommer på språkene med mest treningsdata. Automatisk gjenkjenning velger ett språk per fil. Hvis et møte bytter mellom to språk, transkriber hver strekning for seg med språket satt for hånd. Transkripsjonen skrives alltid på språket som ble snakket; oversettelse er et eget steg du gjør etterpå på teksten.

De fleste mislykkede transkripsjoner skyldes en håndfull årsaker, og løsningen ligger vanligvis i filen eller én innstilling, ikke i å prøve en annen tjeneste. Hvis lyden selv er for dårlig til at du kan følge den behagelig, vil maskinen slite like mye, og en kort manuell transkripsjon av nøkkelpassasjene kan gå raskere enn å rette en lang automatisk.