Fra diktering til AI-agent

I det meste af 2010'erne betød stemmesoftware én ting: diktering. Du talte, computeren skrev. Det var det. Den førende standard var Dragon NaturallySpeaking, et produkt, der dominerede markedet i over to årtier. Læger, advokater og forfattere brugte det for at undgå belastningsskader og for at skrive hurtigere, end deres fingre kunne bevæge sig.

Teknologien var imponerende for sin tid, men dybt begrænset. Nøjagtigheden lå omkring 85–90 % under ideelle forhold og faldt drastisk med baggrundsstøj, dialekter eller fagterminologi. Du skulle “træne” softwaren ved at læse passager højt i 30–60 minutter, før den overhovedet kunne forstå dig.

Softwaren var også dyr. Dragon Professional kostede 300–500 $ pr. licens, og den medicinske udgave lå over 1.000 $. Den virkede kun på Windows, krævede betydelige CPU-ressourcer og havde brug for konstante opdateringer for at bevare nøjagtigheden.

Alt ændrede sig i september 2022, da OpenAI udgav Whisper, en open source-talegenkendelsesmodel trænet på 680.000 timer flersproget lyd. Fra den ene dag til den anden sprang nøjagtigheden fra 85–90 % til 95–98 %. Og den var gratis.

Whisper krævede ingen stemmetræning. Den fungerede på 90+ sprog ud af boksen. Den håndterede dialekter, baggrundsstøj og fagtermer langt bedre end alt tidligere. Modellen kunne køre lokalt på almindelig hardware, hvilket fjernede behovet for dyre cloud-API'er.

Cloud-transskriptionstjenester som Otter.ai, Rev og Descript blev også forbedret markant, drevet af lignende transformer-baserede modeller. Mødetransskription blev mainstream. Prisen på præcis transskription faldt fra hundreder af dollars pr. licens til få øre pr. minut.

Men grundlæggende havde paradigmet ikke ændret sig. Stemmesoftware var stadig en erstatning for tastning. Du talte ord, og computeren skrev dem ned. Det var hurtigere og mere præcist, men det var stadig kun transskription. Computeren forstod ikke, hvad du sagde, eller hvad du forsøgte at opnå.

Den egentlige revolution begyndte, da stemmegrænseflader mødte store sprogmodeller. I stedet for blot at skrive ned, hvad du siger, forstår AI'en nu, hvad du mener, og handler. Det er skiftet fra diktering til AI-agent.

Moderne stemme-AI-agenter som Whisper by Remskill kombinerer talegenkendelse med intelligens på GPT-niveau. Du dikterer ikke bare tekst — du giver kommandoer. “Undersøg de seneste tendenser inden for vedvarende energi, og skriv et resumé.” AI'en søger på nettet, læser kilder og skriver afsnittet for dig. Alt sammen med stemmen, alt sammen uden at forlade din app.

Brugerdefinerede kommandoer tager dette videre. Du kan oprette stemmeudløste arbejdsgange: “Ret grammatikken i denne e-mail”, “Oversæt dette til spansk” eller “Forklar denne kode.” Hver kommando udfører en bestemt AI-operation på den valgte tekst eller kontekst. Det er som at have en personlig assistent, der kan alt, udløst af en enkelt genvejstast.

Det grundlæggende skifte er dette: Stemmesoftware handler ikke længere om at skrive hurtigere. Det handler om at gøre ting, du ikke kunne gøre før.

I dikteringsæraen var værdiforslaget hastighed. At tale er 3–4 gange hurtigere end at skrive. Det var nyttigt, men begrænset. Du skulle stadig selv finde på, hvad du skulle skrive, strukturere det og manuelt søge efter oplysninger, når du havde brug for dem.

I AI-agentæraen er værdiforslaget kapacitet. Du kan undersøge et emne, skrive et første udkast, oversætte det, faktatjekke påstandene og formatere det til udgivelse — alt sammen med stemmen, alt sammen uden at skifte app, alt sammen på en brøkdel af den tid, det ville tage manuelt.

Det er ikke en gradvis forbedring. Det er et kategoriskift. Det gamle spørgsmål var “hvor hurtigt kan jeg skrive med stemmen?” Det nye spørgsmål er “hvad kan jeg opnå med stemmen?” Og svaret er i stigende grad: næsten alt.

AI-agentæraen er først lige begyndt. Her er, hvad der kommer i de næste 1–2 år, baseret på aktuel forskning og produktkøreplaner.