Diktering skriver forkerte ord? 5 løsninger

Din diktering er ikke i stykker. Den gætter.

Tale-til-tekst hører ikke bogstaver. Den hører lyd og satser på de mest sandsynlige ord, som den lyd danner — og justerer derefter sit bud, efterhånden som mere lyd ankommer. Det er grunden til, at diktering nogle gange omskriver tekst, du allerede har sagt. Den mishører et ord sent i sætningen, beslutter at et tidligere ord måtte have været noget andet for at grammatikken kan holde, og ændrer det stille og roligt.

"Mor" og "mord." "Bare" og "bar." "Igen" og "i gen." Det er homofonomer — ord der lyder ens — og ingen mængde tydelig tale fikser dem, for tydelighed var aldrig problemet. Modellen må gætte ud fra konteksten, og nogle gange gætter den forkert.

Så er der ord, som modellen aldrig rigtigt har mødt. Din chefs efternavn. En produktkode. "Remskill." Modellen kan ikke stave det, den ikke kender, så den erstatter med det nærmeste rigtige ord, den gør kender. Det er ikke en fejl. Det er et ordforråds-hul, og det har en specifik løsning, som vi gennemgår nedenfor.

Din mikrofon er den sædvanlige mistænkte

Inden du bebrejder softwaren, så kig på, hvad der fodrer den. En bærbar computers indbyggede mikrofon sidder ved siden af blæseren, peger mod loftet og opfanger rummet mindst ligeså meget som din stemme. Skrald ind, forkerte ord ud.

Dette er den ene mening, jeg vil sætte hele artiklen på spil for: "AI" fikser ikke dårlig lyd. En USB-mikrofon til 150 kr. gør mere for nøjagtighed end enhver modelopgradering du kan foretage. Jeg brugte en uge på at indlæse større, langsommere modeller for at fikse mine egne forkerte ord, inden jeg opdagede, at min bærbare mikrofon var rettet mod blæseren. Mikrofonen var problemet hele tiden. Jeg bygger dette software til mit levebrød. Brug pengene på hardware først. Modellen er den billige del.

Verifikationstesten: diktér de samme tre sætninger med din indbyggede mikrofon, derefter med et headset eller USB-mikrofon. Falder antallet af forkerte ord, var mikrofonen problemet, og du er færdig. De fleste stopper med at læse her, og det er helt fint.

Baggrundsstøj og rumakustik

En opvaskemaskine to rum væk. En kollegas telefonopkald. Den slags åbne kontorlandskaber, hvor du kan høre nogen spise chips i den anden ende af lokalet. Modellen kan ikke skelne din stemme fra støjen — den transskriberer den lyd, der er højest, og nogle gange vinder chipsene.

Googles AI-oversigt for præcis dette problem lister baggrundsstøj som en primær årsag, side om side med accenter og homofonomer. Løsningen er ikke glamourøs: luk døren, sluk blæseren, flyt dig væk fra det åbne vindue. Et stille rum gør mere end en smart algoritme.

Verifikation: prøv den samme diktering et stille sted versus dit sædvanlige. Hvis fejlene aftager i stilheden, var støj synderen. Hvis du ikke kan få et stille rum, er en retningsstyret eller støjreducerende mikrofon, der kun lytter til det direkte foran den, det næstbedste valg — og vi er tilbage til hardware, som er der, pengene alligevel bør gå.

Forkert sprog eller accentmismatch

Hvis din diktering er indstillet til automatisk registrering, og du skifter mellem sprog, bruger modellen krudt på at identificere sproget, inden den identificerer ordene — og et forkert gæt om sproget forgifter alt derefter. Indstil sproget eksplicit, når du kan.

I Whisper finder du det under Indstillinger, Transskription, Sprog. At vælge dit talte sprog direkte springer registreringstrinnet over og hjælper modellen med at opfange dine ord mere præcist. Lad det stå på automatisk registrering kun hvis du rent faktisk skifter sprog midt i sessionen. Whispers flersprogede modeller dækker 99 sprog med automatisk registrering; de engelske versioner låser til engelsk, hvilket er præcis det, du vil have, hvis du kun taler engelsk.

Accentmismatch er søster til dette problem. En US-engelsk model, der primært er trænet på amerikanske talere, snubler over en stærk regional accent. At indstille den nærmeste regionale variant, dit værktøj tilbyder, og fodre den med et rent signal, indsnævrer kløften.

Fix det på Windows, Mac og iPhone

Hver platforms indbyggede diktering har sine egne særheder og sit eget loft. På Windows åbner Stemmeskrivning med Windows-tasten plus H, men din markør skal være i et tekstfelt, og du skal have en internetforbindelse — det indbyggede værktøj sender din lyd til skyen for at transskribere den. Hvis det skriver vrøvl, så tjek forbindelsen først; Apples supportfora for det samme forkerte-ord-problem sætter "kontrollér internetforbindelsen" øverst på listen. (For en grundigere gennemgang, se vores guide om tale til tekst virker ikke på Windows.)

På Mac aktiverer du Diktering med Mikrofontasten i funktionstastsrækken, Dikterings-genvejen eller via Rediger og Begynd diktering. En ting der er værd at afklare: den nuværende macOS Diktering lader dig diktere tekst af enhver længde uden en tidsbegrænsning — den stopper kun efter cirka 30 sekunders stilhed, som folk fejlagtigt tager for en fast grænse. Hvis de forkerte ord fortsætter, gennemgår vores Mac tale-til-tekst fejlfindingsguide det trin for trin. På iPhone peger Apples fora også på at deaktivere forudsigelsestekst, som nogle gange gætter bedre end dikteringen.

Den hårdere begrænsning: Windows Stemmeskrivning (Win+H) giver dig ingen mulighed for at tilføje brugerdefinerede ord eller træne dens ordbog. Words separate dikteringsoverflade lader dig opbygge en lille dikteringsordbog, men det værktøj, de fleste griber efter — Win+H — kan slet ikke lære dit ordforråd. Hvilket fører os til den ene løsning, der rent faktisk rykker nålen på problemet med forkerte navne og fagudtryk.

Lær den dine ord: brugerdefineret ordforråd

Dette er den løsning, de indbyggede værktøjer ikke kan give dig. Når du kører en Whisper-model i Whispers lokale tilstand, får du et Custom words-felt — en kommasepareret liste over navne, produkttermer og fagudtryk, du forventer, at den skal høre. Du skriver "Kubernetes, PostgreSQL, Remskill, John Smith," og transskriptionen favoriserer at stave dem korrekt, når de dukker op i din tale. Det befinder sig under Indstillinger, Transskription, i det gratis lokale niveau — intet kort, ingen sky.

En forbehold, der er værd at kende: Custom words er en Whisper-model-funktion. Parakeet, den hurtigere lokale mulighed, accepterer ikke brugerdefinerede ord eller promptantydninger — dens egen beskrivelse siger det ligeud. Så hvis det at lære værktøjet dit ordforråd er vigtigt for dig, skal du vælge en Whisper-model, ikke Parakeet.

Jeg lærte, hvor meget det betyder, fra min yngste datter. Jeg viste hende diktering én gang — tryk, tal, slip. Hun skrev straks en e-mail på 90 ord til sin bedstemor om en tand, hun havde mistet, og tandfeen vekselkurs, uden at stille spørgsmål. Derefter kom hun tilbage irriteret, fordi den ved at ødelægge hendes bedste vens navn. Hun vidste ikke, hvad et ordforråds-hul var. Hun vidste bare, at det fik navnet forkert. Jeg tilføjede navnet til Custom words, og klagerne stoppede. Den almindelige person vil ikke forstå, hvorfor diktering stavet et navn forkert. De vil have en boks, de kan skrive navnet i. Den boks er hele pointen med dette afsnit.

En anden justeringsskrue, hvis du vil have den: Whisper viser en Profil-indstilling — Hurtig, Afbalanceret eller Præcis — der styrer, hvor omhyggeligt modellen lytter. Præcis er langsommere, men opfanger mere. Og at vælge en større model blandt de otte Whisper leverer, fra Base på cirka 140 MB op til Large v3 på cirka 3 GB, bytter hastighed for nøjagtighed. Ingen af disse er "det rigtige valg" for alle — de er håndtag, og problemet med forkerte ord bestemmer, hvilket du drejer. Hvis du er usikker på, hvilken du skal indlæse, gennemgår vores guide til at vælge en Whisper-model afvejningerne.

En oprydningskørsel, der fikser resten

Selv efter at lyden er ren og ordforrådet er indlæst, slipper et par resterende fejl igennem. Whisper kan køre en valgfri AI-oprydningskørsel på rå transskription, inden den lander ved din markør — den retter grammatik, tegnsætning og store/små bogstaver, og fjerner fyldord som "øh" og "du ved." Den kører på din enhed gratis, eller i Cloud-tilstand med OpenAI, hvis du har leveret din egen nøgle.

Dette er sikkerhedsnettet, ikke det første træk. Fix mikrofonen, dæmp rummet, indstil sproget, lær den dine ord — og lad derefter oprydningskørslen rydde op i det, der er tilbage. At forsøge at få AI-tekstkorrektion til at kompensere for en blæser-bombarderet indbygget mikrofon er at løse det forkerte problem med det dyre værktøj. Jeg ved det, fordi jeg leverede oprydningskørslen først og sprogvælgeren anden, i præcis den forkerte rækkefølge, og derefter brugte min egen app i en måned og spekulerede på, hvorfor. For dem der vil have finkornet kontrol, går vores Whisper-promptguide dybere ned i at forme output.

Genvejstasten til at optage er Ctrl+Space på Windows og Command+Option på Mac — begge kan tilpasses under Indstillinger, hvis de kolliderer med noget, du allerede bruger.

Når det indbyggede værktøj ikke kan fikses

Nogle gange er svaret ikke en løsning — det er et andet værktøj, eller slet intet værktøj. Hvis du kun lejlighedsvis sender en tekst på 30 ord, er Apple Dictation og Windows Stemmeskrivning gratis og bygget ind, og det er overdrevet at jagte perfekt nøjagtighed. Brug det, der allerede er der.

Men der er et reelt loft. Windows Stemmeskrivning kræver internet og kan ikke lære dit ordforråd. Hvis dit forkerte-ord-problem specifikt er, at værktøjet ved at ødelægge navne, produkttermer eller tekniske fagudtryk — og du ikke kan tilføje de ord nogen steder — kan det indbyggede værktøj simpelthen ikke fikses til dit formål. Det er grænsen, hvor et undervisningsvenligt, offline-værktøj tjener sin plads. Og hvis du primært transskriberer møder med flere talere i stedet for at diktere din egen tekst, er det en helt anden kategori af værktøj — møde-transskription, ikke diktering. Bøj ikke en dikterings-app til et job, den ikke er bygget til.

Hvor præcis bør du forvente, at diktering er?

Indstil forventningerne ærligt. Ren lyd, et kendt sprog og et indlæst ordforråd vil bringe dig til det punkt, hvor rettelser er undtagelsen, ikke reglen. Offentlige Whisper-benchmarks lander på cirka 3 % ordfejtrate på ren oplæst tale med den engelske medium-model. Det virkelige liv — din accent, dit rum, dit fagsprog — kører højere. Det er normalt.

Målet er ikke nul fejl. Målet er færre fejl, end tastning ville have produceret på samme tid, og den grænse er lavere, end folk tror. Diktering ved 145 ord i minuttet slår tastning ved 40, selv når du stopper for at rette et ord eller to. Hvis du retter hvert andet ord, er noget på listen ovenfor stadig i stykker. Hvis du retter hvert tiende ord, har du allerede vundet.

Hvis din diktering bliver ved med at skrive forkerte ord, så fix lyden, indstil sproget og lær den dine navne — og lad den derefter skrive, mens du laver noget andet. Min yngste datter kalder det stadig "talecomputeren." Hun har ingen idé om, at der er et ordforråds-felt, en sprogvælger eller otte modeller bag tryk-tal-slip. Det er den version af dette, der rent faktisk virker — når de forkerte ord stopper, og du holder op med at lægge mærke til værktøjet overhovedet.