Sådan transskriberer du lyd hurtigt

Hvor lang tid det tager at transskribere en times lyd, pr. metode

Det første, man skal forstå, er, at hurtigt er et spektrum, og spredningen er enorm. Her er, hvad én times klar lyd koster dig, pr. metode.

Springet fra timer til minutter er det eneste tal, der betyder noget her. To minutter eller seks for AI-gennemløbet — det er støj sammenlignet med de fire timer, du ikke bruger på at skrive. NVIDIA rapporterer, at Parakeet-modellen kører tusindvis af gange hurtigere end realtid på open-ASR-leaderboard-hardwaret, men jeg ville ignorere den overskrift. Din reelle hastighed afhænger af din CPU, ikke af en benchmark-maskine. Det tal, du skal stole på, er det fra appen: Parakeet kører 5–10x hurtigere end Whisper på den samme processor.

Den hurtige vej, trin for trin

Her er den hurtigste vej, der virker, i rækkefølge. Dette forudsætter, at du dikterer live — taler din lyd og får tekst med det samme — hvilket for de fleste anvendelsestilfælde slår optag-og-bearbejd, fordi transskriptionen findes i det øjeblik, du holder op med at tale.

Hvis din kilde er en forudindspillet fil frem for live tale, se FAQ'en nederst, hvor det ærlige svar betyder noget.

Lokal vs. cloud: hvor hastigheden kommer fra

Folk antager, at cloud er hurtigere, fordi serverne er større. For et enkelt afsnit diktering er den antagelse forkert. Cloud-transskription skal pakke din lyd, sende den over din forbindelse, vente på et svar og sende det tilbage. På en anstændig forbindelse er tur-retur-rejsen hurtig, men det er netværkstid, du slet ikke bruger, når modellen kører på din egen CPU.

Lokal tilstand udfører arbejdet in-proces. Al lokal transskription i Whisper kører ren-Rust via transcribe-rs, uden nogen Python-sidecar at starte op. Det betyder ingen server i løkken, ingen per-minut API-regning, og din lyd forlader aldrig maskinen. Cloud-tilstand er nødudgangen: bring-your-own-key OpenAI, der bruger gpt-4o-mini-transcribe som standard, til når du vil have de nyeste modeller eller webadgang. Det er Whisper Pro-overfladen, lagt oven på den gratis lokale pipeline.

Her er min ene stærke mening i denne artikel: prøv lokal tilstand først. Hvis din PC er fra de seneste fire år, eller din Mac er Apple Silicon, behøver du ikke skyen til transskription. Lokal tilstand rammer hastigheder godt under to sekunder fra tasteslip til indsat tekst på en nyere maskine, dine data forbliver hjemme, og du betaler ingenting per minut. Cloud er fallback'en, når du rammer en grænse, ikke startpunktet. Jeg lærte det ved at se et hold, jeg arbejdede med, løbe op i en fem-cifret cloud-regning på et enkelt kvartal — det meste fra et smart genforsøg, der transskriberede de samme standup-optagelser fire gange. CFO'en åbnede dashboardet ved kvartalsoversigten, og rummet blev stille. Lokal-først ville have gjort den regning til nul.

Hvorfor Parakeet er den hurtigste lokale mulighed

Hvis rå hastighed er målet, og du taler engelsk eller et europæisk sprog, er Parakeet valget. NVIDIAs Parakeet-TDT-model er en model med 600 millioner parametre under en CC-BY-4.0-licens, og i Whisper kører den 5–10x hurtigere end Whisper-modellerne på den samme CPU. Det er hastighedsforskellen. På en bærbar uden dedikeret GPU er det gap forskellen mellem at vente og ikke at vente.

Byttehandelen er sprogdækning. Parakeet håndterer 25 sprog (engelsk plus 24 europæiske) og har ingen oversæt-til-engelsk og ingen asiatiske sprog. Så hvis du transskriberer japansk, koreansk eller kinesisk, eller du har brug for tale på ét sprog oversat til engelsk, kan Parakeet ikke hjælpe, og du vil have en Whisper-model, der dækker 99 sprog på sine flersprogede varianter og kan oversætte til engelsk. De .en Whisper-bygninger (Base, Small, Medium, Turbo) er kun engelsk, ét sprog hver.

Den kedelige sandhed er, at for hverdagsdiktering på engelsk er Parakeet hurtig nok til, at modellen ikke længere er flaskehalsen. Det er dit taletempo. Det er det øjeblik, stemmetransskription holder op med at føles som et værktøj og begynder at føles som at skrive uden tastaturet. Jeg er den slags arkitekt, der benchmarker en motor på tre måder, inden jeg stoler på den, og selv jeg stoppede med at tjekke uret et sted i den anden uge. Hvis du primært arbejder offline, går guiden til offline tale-til-tekst dybere ned i at køre alt på enheden.

Hvornår du skal springe AI-transskription over og gøre det i hånden

AI-transskription er hurtig, ikke magisk. Tre situationer, hvor jeg ville springe den over og skrive i hånden. For det første dårligt optaget lyd: overlappende talere, kraftig baggrundsstøj, en telefon på et café-bord. En model vil selvsikkert producere forkerte ord, og det tager længere tid at rette selvsikker nonsens end at skrive det rigtigt fra starten. En USB-mikrofon til 150 kr. gør mere for nøjagtigheden end nogen modelopgradering, så ret kilden først. For det andet juridisk eller medicinsk materiale, hvor ét fejlhørt tal ændrer betydningen, og redigeringsgennemgangen alligevel skal være perfekt ord for ord. For det tredje korte klip: et 30-sekunders stemmememo er ikke værd at åbne noget for, og din telefons indbyggede diktering håndterer det gratis. Den hurtige vej er til det lange stof, hvor de fire timer, du sparer, er reelle.

At arbejde fra en gemt optagelse frem for live lyd er sin egen lille arbejdsproces. Hvis din kilde er en musik- eller podcastfil, dækker vores trin-for-trin guide til, hvordan man konverterer MP3 til tekst fil-drop-ruten fra start til slut.

Gratis for den lokale pipeline

Hele den lokale transskriptionspipeline i Whisper er gratis for enhver logget ind bruger: Parakeet, alle otte Whisper-modeller, AI-tekstrensning via Ollama, historik, forudindstillinger, søgeord, hardwareacceleration. Ingen betalingsmetode ved tilmelding. Whisper Pro tilføjer Cloud-overfladen ovenpå, for folk der vil have bring-your-own-key OpenAI-transskription og websøgning. De præcise tal findes på prissiden, hvor du kan sammenligne månedlig, årlig og livstid uden, at jeg citerer tal til dig midt i en sætning.

Den hurtigste transskription, jeg nogensinde har set, var ikke en benchmark. Det var min yngste datter, der dikterede en e-mail på 90 ord til sin bedstemor (en tabt tand, tandfeen bytteforhold, en dansetime) på under to minutter — ingen redigering, intet tastatur. Hun vidste ikke, at hun havde sprunget den langsomme vej over. Hun troede bare, det var sådan, computere fungerer nu. Efter et år med at læse supportbilletter har jeg besluttet, at hun har ret, og at resten af os bare er ved at indhente det forsømte.