Tale til tekst på Twitch, ærligt sagt

Tale til tekst, ikke tekst til tale — en hurtig afklaring

Hurtig afklaring — STT vs. TTS. Hvis du er kommet hertil for at finde den robotstemme der læser donationsbeskeder højt under din stream, er det tekst til tale — ikke tale til tekst. Det er et andet kaninhul. Prøv SoundAlerts, som håndterer TTS til Bits, Tips, Channel Points, Subs, Raids og Hype Trains med AI-stemmer på Premium. Eller brug StreamElements, som kører AlertBox TTS med 1000+ stemmer fra Polly, Google, Azure og TikTok, plus spammoderation. Resten af denne artikel handler om den anden ting: din stemme omdannet til tekst.

Tale til tekst er din stemme der bliver til bogstaver på en skærm: undertekster, transskripter, dikterede beskeder. Tekst til tale er den modsatte retning: skrevne beskeder læst højt af en syntetisk stemme, typisk en donationsalarm.

Halvdelen af Twitch-brugerne der søger på dette udtryk vil have den anden ting. Google kan ikke se hvilken du mente, og det er grunden til at der ikke er nogen AI Overview for denne søgning — intentionen er for delt. TTS-værktøjerne linket ovenfor håndterer donationsoplæsning. Resten af denne artikel handler om din stemme til tekst.

Hvad streamere faktisk bruger tale til tekst til

Fire brugsscenarier der dukker op igen og igen. De fleste streamere gør én ting. De gode gør alle fire.

Direkte undertekster til tilgængelighed

En tekstlinje i bunden af udsendelsen til seere der er døve, hørehæmmede, ser med lyden slukket på arbejdet, eller ikke-native speakers der læser med. Twitch viser en CC-knap på streams der allerede har undertekster i RTMP-feedet og ingenting på streams uden. Så det er op til dig.

VOD-transskripter til shorts og SEO

Du streamede i tre timer, boss-fighten skete omkring to-timers-mærket, og du vil have en 60-sekunders TikTok af det med tekst på skærmen. Transskriptet betyder at du kan Ctrl+F øjeblikket i stedet for at spole.

Diktering mellem scener

Den del ingen taler om, og den del jeg gerne ville betale for. Midt i streamen, hænderne på tastaturet, pinger din mod dig i Discord og spørger om du vil forlænge sub-only-mode til raidet. Du kan enten fumle med at alt-tabbe mens boss-fighten kører dårligt, eller trykke på en tast, sige sætningen og lade den lande i Discord med 145 ord i minuttet.

Whispers standardgenvejstast er Ctrl+Space på Windows og Linux, og modifier-only push-to-talk-genvejen command+option på macOS. Begge virker overalt hvor tekstinput virker: chat, Discord, OBS-scenenavnefelter, en undskyldnings-DM kl. 1 om natten til den seer hvis navn du udtalte forkert. To streamer-specifikke faldgruber: hvis din scenesskift-genvejstast er Ctrl+Space, stjæler OBS den før Whisper hører den. Omdefinér én af dem. Og visse fuldskærmsspil (alt der kører Unreal Engine i eksklusiv fuldskærm) sluger den globale genvejstast — kør spillet i vinduestilstand med kantløs ramme, så forsvinder problemet.

Post-stream-noter

Et tre-linjers memo til dit fremtidige jeg om hvad der virkede, hvad der flopped, og hvilken klip der er værd at redigere. De fleste streamere springer dette over. De fleste undrer sig også over hvorfor deres kanal ikke vokser.

Det første er OBS. Det andet er et transskriptionsværktøj. Det tredje er en dikteringsapp som vores. Det fjerde er den kombination der får dig i seng før kl. to om natten.

Direkte undertekster i OBS: 10-minutters-opsætningen

Ærlig indrømmelse først. Standardopsætningen til direkte undertekster på Twitch er ikke drevet af Whisper. Det er OBS Closed Captions-pluginet af ratwithacompiler, som som standard bruger Google Speech Recognition som backend. Version 0.33 udgivet 15. oktober 2025 har 1,3k GitHub-stjerner og kører på Windows, macOS og Linux. Det virker ikke med Streamlabs OBS, da SLOBS ikke accepterer tredjepartsplugins.

Her er 10-minutters-opsætningen. Ingen af disse trin kræver kode.

1. Installer OBS Studio hvis du ikke har det. Pluginet virker kun med OBS, ikke SLOBS.
2. Download pluginet fra ratwithacompiler/OBS-captions-plugin GitHub releases-siden. Vælg installationsprogrammet til dit OS, luk OBS først og kør det.
3. Åbn OBS, gå til Funktioner → Closed Captions. Vælg din mikrofonkilde, typisk Mic/Aux eller hvad du nu har omdøbt den til.
4. Indstil kildesproget. Standard er engelsk. Pluginet streamer til Googles gratis endpoint; nøjagtighed er fin for rent mikrofonlyd og bliver hakket med kraftig baggrundsmusik.
5. Aktivér undertekster i dit Twitch-dashboard. Stream Manager → Indstillinger → Stream → Closed Captions-skifte. Twitchs Guide til Closed Captions dækker broadcaster-siden hvis du har brug for det.
6. Test på en privat stream. Indstil udsendelsen til unoteret, tal i 30 sekunder, tjek at CC-knappen vises.

Færdig. Afvejningen: lyden forlader din maskine og sendes til Google. Hvis det bryder din kontrakt med dit publikum, spring frem til cloud versus lokalt. Whisper passer ikke ind her; vi er diktering-og-VOD-laget ved siden af. OBS håndterer undertekster, Whisper håndterer den genvejstastdrevne tekst. To værktøjer, to opgaver.

Transskribering af VOD'er og klip til shorts (den reelle tidsbesparelse)

En tre-timers stream er et tre-timers søgeproblem. Du ved at det sjove øjeblik skete et sted omkring det andet sub-tog — du kan bare ikke finde det uden at spole. Et transskript løser det på ti sekunder.

Anden ærlige indrømmelse. Whisper by Remskill accepterer ikke video- eller lydfilupload i desktop-appen i dag. Transskription er genvejstastdrevet via den aktive mikrofon, uden træk-og-slip og uden en "åbn VOD"-knap. Hvis din arbejdsgang er slip-en-MP4-få-et-transskript, er vi ikke det rigtige værktøj. Endnu. To ærlige muligheder:

Mulighed A — loopback din VOD gennem mikrofonen. Brug VB-CABLE på Windows eller BlackHole på Mac til at sende VOD'ens lyd tilbage til Whisper som om det var en mikrofon, og hold derefter genvejstasten nede mens den afspiller. Hænderne frie, men du sidder igennem afspilningen. Vælg large-v3 til flersprogede streams eller distil-large-v3 (Turbo) til engelsk: 6× hurtigere end large-v3 med 99 % af nøjagtigheden.

Mulighed B — brug open source-whisper.cpp eller faster-whisper. Begge accepterer .mp4- og .wav-filer fra kommandolinjen. Langsommere opsætning, men de batchkører jobs mens du sover. Dette er det legitime "spring Whisper over til dette"-træk: whisper.cpp og openai/whisper er gratis og velholdte.

Den reelle gevinst er downstream. Drop transskriptet i ChatGPT og bed om de tre bedste klip-værdige øjeblikke, indsæt det i din videoredigerer som et undertekstelspor, og brug det som YouTube-beskrivelse med tidsstempler allerede på plads.

Cloud versus lokalt: hvor din streamlyd havner

Streamlyd er følsom. Selv hvis du sender den live til tusindvis af mennesker, er forskellen mellem "vi ved at vi optager" og "et urelateret amerikansk firma har en kopi af min off-stream-samtale med en mod" reel.

Whisper tilbyder tre transskriptionsveje og lader dig vælge. Der er ingen standard.

Cloud (OpenAI, BYOK)

Bedste nøjagtighed, websøgning indbygget, AI-tekstforbedring via GPT-5. Transskription kører gpt-4o-mini-transcribe som standard eller gpt-4o-transcribe for højere nøjagtighed. Du medbringer din egen OpenAI-nøgle og betaler OpenAI pr. minut lyd. Lyden forlader din enhed.

Lokalt — NVIDIA Parakeet

Hurtig lokal mulighed. Ca. 600 MB på disken, 5–10× hurtigere end Whisper på CPU, engelsk plus 24 europæiske sprog uden oversæt-til-engelsk. Ingen asiatiske sprog: japanske, koreanske eller kinesiske streamere kan ikke bruge Parakeet.

Lokalt — Whisper

Langsommere end Parakeet, leveres i otte modelstørrelser fra Base (~140 MB) til Large v3 (~3 GB). Flersprogede varianter dækker 99 sprog og understøtter oversæt-til-engelsk; .en-builds er kun til engelsk med sprogselectoren låst.

Hvis du streamer fra en desktop med en nyere CPU eller en M-serie Mac, prøv lokal tilstand først. Cloud er nødudgangen når du har brug for et sprog Parakeet ikke dækker, eller du vil have OpenAIs websøgning indbygget i samme genvejstast. Din laptop har allerede en mikrofon og en CPU — den har ikke brug for en server i løkken for én sætning i en mod-note.

Jeg prøvede en gang at undertekste min egen kodningstream, og modellen autokorrigerede hvert git commit til den forkerte kategori af haveværktøj. Det var det øjeblik jeg stoppede med at bruge direkte undertekster til klip og begyndte at sende transskripter gennem et manuelt korrekturlæsningspas. Diktering-mellem-scener-flowet har holdt igennem hundredvis af mod-noter uden et nævneværdigt fejlslip. Forskellige opgaver, forskelligt pålideligheds-budget.

Hvornår du skal springe Whisper over

Den ærlige oversigt:

• Du vil kun have direkte tekstede undertekster i udsendelsen. Brug OBS Closed Captions-pluginet og kald det done. Whisper er ikke en direkte undertekst-motor til OBS — vi er dikteringsværktøjet ved siden af.
• Du vil have en robotstemme der læser donationsbeskeder højt. Brug SoundAlerts eller StreamElements; det er TTS — den modsatte retning.
• Du skal batch-transskribere års VOD-filer. Open source-whisper.cpp eller faster-whisper accepterer filer direkte og koster ingenting. Vi har ikke en fil-upload-UI endnu.
• Du streamer fra en Intel Mac. Whisper by Remskill leveres til Windows x86_64 og macOS Apple Silicon — Intel Mac er ikke understøttet. Cloudtjenester fungerer fint i en browser uanset.

Hvis dit brugsscenarie er diktering mellem scener, VOD-transskripter trukket via loopback eller post-stream-noter, er det vores hjemmebane. Alle andre steder på denne liste: brug det der passer.

Det meste af tale-til-tekst-opsætningen til Twitch er bare rørføring: et OBS-plugin du installerer én gang, en loopback-driver du glemmer eksisterer, en genvejstast du binder og aldrig binder om. Arbejdet sker på den anden side. Hvornår er undertekster værd at lade lyden forlade din maskine? Hvilket 60-sekunders klip fra en tre-timers stream er besværet værd at udvinde? Skrive eller tale når modsene pinger? Vælg det værktøj der ikke spænder ben for dig i time tre af en stream — for det er der det tæller.