Ljud till text: transkribera gratis och träffsäkert

En transkriberingsmotor hör aldrig ord på samma sätt som du. Den delar upp ljudvågen i överlappande ramar på cirka 25 millisekunder och gör varje bit till ett spektrogram, en karta över vilka frekvenser som är starka just då. Den akustiska modellen tittar på kartan och uppskattar vilka talljud som finns: väsandet i ett s, smällen i ett t, vokalformerna som skiljer ship från sheep. Det ger i sig en ström av sannolika ljud, inte läsbar text.

Språkmodellen rättar till mycket av det. Den vet vilka ordföljder som är sannolika i riktiga meningar, så när ljuden kan vara recognize speech eller wreck a nice beach avgör sammanhanget. Äldre system höll isär de två delarna och tränades på begränsat, noggrant uppläst material, vilket är därför diktamensprogram på 2010-talet haltade på dialekter och vardagligt tal.

I september 2022 släppte OpenAI Whisper, en öppen modell tränad på cirka 680 000 timmar flerspråkigt ljud från webben. Den slår ihop de akustiska och språkliga delarna i ett enda nätverk som läser fönster på 30 sekunder och skriver text med skiljetecken direkt. Modeller av den här typen gjorde brytning, blandat ordförråd och stökiga inspelningar från verkligheten mycket mer användbara, och de flesta gratis transkriberingstjänster i dag, även webbverktyg, kör något liknande. De gissar fortfarande, och när ljudet är otydligt gissar de flytande, vilket gör felen svårare att upptäcka.

Träffsäkerhet mäts oftast som ordfelsfrekvens: andelen ord som bytts ut, tappats eller hittats på jämfört med ett noggrant mänskligt transkript. En felfrekvens på 5 % betyder ett fel var tjugonde ord, vilket låter litet tills du märker att felen samlas på de ord som spelar roll, som ett efternamn, en produktkod eller en siffra i en budgetdiskussion.

Faktorerna nedan är ordnade ungefär efter hur mycket de skadar. Nästan alla avgörs när inspelningen görs, inte när den transkriberas. Att flytta en telefon från mitten av bordet till armlängds avstånd från talaren gör ofta mer än någon inställning du kan ändra efteråt.

De flesta inspelningar kan laddas upp precis som de är. Förberedelser lönar sig i tre fall: filen är för lång eller stor, talet drunknar i tystnad eller musik, eller nivån är så låg att du måste vrida upp volymen till max för att höra. En lång tyst bit i början är mer än bortkastad tid, eftersom automatisk identifiering väljer språk utifrån de första 30 sekunderna och kan gissa utifrån rumsljud eller en signatur. Om du klipper inspelningen till delen med tal, eller ställer in Börja vid för att hoppa över den, undviker du det.

Formatkonvertering behövs sällan. Röstmemon på iPhone är M4A (AAC-ljud), inspelare på Android ger M4A, AAC eller 3GP, och samtalsinspelare ger ofta AMR. Alla dessa kan laddas upp direkt. Att konvertera en komprimerad fil till WAV återställer inte detaljer som försvann vid inspelningen, vilket jämförelsen i vår guide om MP3, WAV, FLAC och AAC förklarar, så konvertera bara när ett verktyg inte accepterar formatet. Dela en inspelning som varar i timmar vid naturliga pauser, som en kaffepaus eller ett ämnesbyte, så att varje del ryms under uppladdningsgränsen och är lättare att korrekturläsa.

Välj utdata efter vad som händer sedan. Ska du läsa, citera eller söka i transkriptet passar vanlig text eller Word. Word behåller stycken, tidsstämplar och talaretiketter för redigering, och PDF är till för att skicka en fast kopia som ingen ska ändra. Ska orden visas på skärmen över en video behöver du en undertextfil: SRT eller VTT delar upp talet i korta repliker med start- och sluttid, och radlängden avgör hur mycket som ryms på skärmen. Fyrtiotvå tecken per rad är den vanliga standarden i tv.

SRT och VTT innehåller samma information med små skillnader. SRT, från det gamla programmet SubRip, numrerar varje replik och skriver tider med komma (00:01:15,000). WebVTT är W3C:s format för HTML5-video. Det börjar med en WEBVTT-rubrik, använder punkt i tiderna och tillåter formatering och positionering. YouTube, Vimeo, Premiere Pro och DaVinci Resolve accepterar båda. JSON med tider per ord är till för utvecklare som bygger sök, karaokeliknande markering eller en egen undertextlayout.

Innan du laddar upp något, kolla vad dina egna enheter redan kan. Apple lade till transkript i appen Röstmemon i iOS 18, så en inspelning på en ny iPhone kan visa sin text direkt i appen. Googles Recorder på Pixel-telefoner har transkriberat under inspelning sedan 2019, helt på enheten, och kan skilja talare åt. I Microsoft 365 har Word för webben ett kommando Transkribera bredvid Diktera som tar emot uppladdade MP3-, M4A-, WAV- och MP4-filer, med en månatlig kvot av uppladdningsminuter. Röstskrivning i Google Dokument (under Verktyg, i Chrome) lyssnar bara på en levande mikrofon och kan inte läsa en befintlig fil.

Mötesplattformar är en annan källa. Zoom, Microsoft Teams och Google Meet kan skapa ett transkript av ett samtal när transkribering är påslagen och din plan eller organisation tillåter det, och assistenter som Otter.ai går med i möten för att föra anteckningar. De är praktiska för samtal du själv håller i, men var och en fungerar bara i sin egen app, kräver allas samtycke till inspelning och exporterar i egna format. För en fil du redan har, som en gammal intervju, en föreläsningsinspelning eller ett röstmeddelande någon vidarebefordrat, är en filbaserad transkriberare oftast enklare.

Ett webbverktyg täcker det som de inbyggda alternativen lämnar utanför: valfri fil från valfri enhet, undertextformat och språk som din telefon inte stöder. På ljud till text-konverteraren lägger du till filen, låter Talat språk stå på Automatisk identifiering eller väljer språket själv, väljer Utdata och slår på Tidsstämplar eller Talaretiketter om du behöver dem. Röstmemon från en iPhone har en egen sida, M4A till text, och pod- eller inspelarfiler har MP3 till text. Båda kör samma motor. Varje fil får vara upp till 95 MB, ungefär en och en halv timme MP3 på 128 kbit/s. För längre inspelningar kan du använda Börja vid och Sluta vid för att transkribera i delar, eller klippa inspelningen först.

Ha realistiska förväntningar. En enda talare med en hyfsad mikrofon i ett tyst rum blir oftast 90–95 % rätt eller bättre, ofta nog bra för att publicera efter en lätt redigering. En telefon på ett bord i en livlig restaurang, ett konferenssamtal med avbrott eller en panel där folk avbryter varandra kan hamna mycket lägre, med hela meningar som saknas. Talaretiketter är pålitliga när rösterna skiljer sig tydligt och folk turas om, och de blandar ihop två lika röster oftare än man kan tro.

Korrekturläs med ljudet öppet, inte bara utifrån texten, eftersom moderna modeller skriver grammatiska meningar även när de har fel. Kontrollera varje egennamn, eftersom en modell inte kan veta att din kollega stavar det Caitlin eller Katelyn. Kontrollera varje siffra: femton och femtio, datum, priser och procenttal är lätta att höra fel. Se upp för homofoner som their/there, affect/effect och complement/compliment, och för självsäker utfyllnad där ljudet var otydligt. Tidsstämplar gör det snabbt, eftersom du kan hoppa till exakt det ögonblick då en tveksam rad sades.

En inspelning innehåller ofta mer personlig information än ett dokument: röster, namn, hälsouppgifter, lönesiffror. Innan du laddar upp bör du veta vart filen går och hur länge den ligger kvar. På UltKit behandlas uppladdningar på servern och raderas automatiskt 30 minuter efter behandlingen. Det finns inget konto, så inget knyts till ditt namn. Pixels Recorder fungerar offline, så ljudet lämnar aldrig telefonen. För allt som omfattas av sekretessavtal eller medicinsk eller juridisk tystnadsplikt bör du först kontrollera organisationens policy. Vissa kräver godkända tjänster med avtal.

Språkstödet är brett men ojämnt. Transkriberaren täcker 33 språk, bland annat engelska, spanska, franska, tyska, portugisiska, arabiska, hindi, japanska, koreanska, kinesiska och ukrainska, och bäst resultat får du på de språk som har mest träningsdata. Automatisk identifiering väljer ett språk per fil. Om ett möte växlar mellan två språk, transkribera varje del för sig med språket inställt manuellt. Transkriptet skrivs alltid på det språk som talades. Översättning är ett separat steg som du gör efteråt på texten.

De flesta misslyckade transkript beror på ett fåtal orsaker, och lösningen finns oftast i filen eller en enda inställning snarare än i att prova en annan tjänst. Om ljudet i sig är för dåligt för att du ska kunna följa det bekvämt kommer maskinen att ha lika svårt, och ett kort manuellt transkript av de viktigaste partierna kan gå snabbare än att rätta ett långt automatiskt.