Transskriptionssoftware, forklaret

Den kedelige sandhed om nøjagtighed (og 95%-fælden)

Alle transskriptionsprodukter på internettet påstår nøjagtighed i intervallet 95–99%. Notta reklamerer med 98,86%. Happy Scribe sælger et tier med menneskelig transskription til 99%. Vores egen hjemmeside-FAQ siger, at nøjagtighed i lokal tilstand "typisk ligger mellem 95% og 99%." Ingen af disse tal er løgne. De er det forkerte tal, præsenteret uden den lyd, de er målt på.

Her er, hvad den underliggende forskning siger. OpenAI's Whisper large-v3 er den model, som næsten alle moderne transskriptionsværktøjer enten bruger, kopierer eller konkurrerer imod. Den rapporterer en gennemsnitlig Word Error Rate på 7,44% på den offentlige Hugging Face ASR-leaderboard. På LibriSpeech-clean (studiooptagelser af lydbøger i høj kvalitet) rammer den samme model 2,01% WER. På AMI, standarden for mødelokaler med overlappende stemmer og dårlig akustik, rammer den samme model 15,95% WER. Samme model. Samme uge. Otte gange flere fejl på den dårlige lyd.

Den kløft er 95%-fælden. "95% nøjagtig" under studiobetingelser kan være 84% nøjagtig i mødet, din chef ringede ind til fra en bil i fart. OpenAI's eget modelkort staver dette ud på klart dansk: ydeevnen er ujævn på tværs af sprog, lavere på ressourcesvage sprog, og varierer efter accent, alder, køn og demografisk gruppe. NVIDIA siger det samme om Parakeet: 1,93% WER på LibriSpeech-clean, 11,31% WER på AMI.

Så når du læser et nøjagtighedstal på en markedsføringsside, så stil det spørgsmål, leverandøren ikke besvarede. På hvilken lyd. Med hvilken mikrofon. På hvilket sprog. Med hvor mange talere, der taler i munden på hinanden. Hvis siden ikke siger det, kan du antage, at det er bedste-tilfælde-tallet. Og antag så, at din rigtige lyd er dårligere.

Den kedelige sandhed er, at den vigtigste opgradering, du kan foretage for din transskriptionsnøjagtighed, er en mikrofon — ikke en model.

AI-transskription vs. menneskelig transskription

Der findes to slags transskriptionssoftware i verden lige nu. De er prissat, som om de er det samme, og det er kilden til omtrent halvdelen af forvirringen.

AI-transskription er den billige og øjeblikkelige slags. Du uploader en fil, eller du dikterer live, og en model returnerer tekst på sekunder. Nøjagtigheden lander et sted mellem 84% (et dårligt møde) og 98% (et rent stemmenotat). Happy Scribe opkræver $0.20 per minut for topups på sine AI-planer. Vores egen Cloud-tilstand fakturerer dig ca. $0.003 per minut direkte via OpenAI. Otter, Notta, Trint, Descript, Jamie: alle kører AI under motorhjelmen, ofte de samme få modeller.

Menneskelig transskription er den dyre og tålmodige slags. En person lytter til din lyd og skriver den ud. Happy Scribes menneskelige tier starter ved $2.00 per minut. De reklamerer med 99% nøjagtighed og mere end fire timers ekspeditionstid. Rev, GoTranscript og en håndfuld andre ligger nogenlunde i samme prisklasse. Brugsscenarierne er reelle, men snævre: retsreferater, lægelige depositioner, alt hvor et AI-output på 92% med det forkerte medikamentnavn kan lande nogen i retten.

De fleste, der læser dette, vil have AI. Brug tabellen til at sikre dig.

Den fejl, jeg ser folk begå, er at betale for menneskelig transskription af frygt. Og derefter aldrig læse resultatet, fordi det dukker op seks timer senere, da de allerede er videre. Hvis svaret alligevel vil blive ignoreret inden tirsdag, er AI fint.

Cloud vs. lokal: hvad sker der med din lyd

Ingen har lyst til at læse denne del, og alle burde. Vælg et transskriptionsværktøj, og din stemme (hvert eneste ord af den) ender et sted. Det sted har betydning.

Cloud-transskription betyder, at din lyd forlader din computer. Den sendes til en leverandørs server, transskriberes af en model på deres hardware, og teksten (og typisk lyden) lagres længe nok til, at du kan hente den. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow: alle cloud. Det samme gælder vores egen Cloud-tilstand — med én vigtig detalje. I Cloud-tilstand sendes lyden fra din maskine direkte til OpenAI via din egen API-nøgle. Whisper by Remskill er aldrig i midten, ser aldrig lyden, ser aldrig transskriptionerne. Leverandøren, der er ansvarlig for dine data, er det firma, hvis model du valgte.

Lokal transskription betyder, at lyden aldrig forlader din bærbare. Modellen kører på din CPU eller GPU. Ingen netværksroundtrip. Ingen leverandørlogfiler. Ingen "vi kan bruge dine data til at forbedre vores service"-klausul. Apple Dictation gør dette for generel tekst på understøttede Macs. Vores egne lokale tilstande (Parakeet og Whisper) gør det på Windows og Apple Silicon Macs. Næsten ingen andre i denne kategori leverer rent lokal kørsel.

Jeg har engang set et internt team i en virksomhed, jeg arbejdede med, løbe op i en fem-cifret cloud-AI-regning på et kvartal ved at diktere standup-optagelser fire gange hver. Prototypens "smarte genforsøg" var for aggressivt. CFO'en åbnede dashboardet under den næste kvartalsvise gennemgang. Lokalet blev meget stille. Pointen er ikke, at cloud er dyrt (det er det som regel ikke, ved én brugers volumen). Pointen er, at du ikke altid bemærker, hvad der forlader din maskine, før nogen beder dig gøre rede for det.

De fleste AI-dikteringsapps, du ser annonceret i dag, er $30-om-måneden-skaller oven på det samme OpenAI Whisper API-kald, du selv kunne foretage. De opkræver cloud-markup for software, der stort set kører modellen på deres server og videresender resultatet til din skærm. Den model har været tilgængelig siden 2022. Det dyre er ikke AI'en. Det dyre er det løbende abonnement. Hvis din lyd er følsom, eller hvis din bærbare er fra de seneste fire år og ikke har meget andet at lave, er lokal det ærlige valg.

That choice deserves its own breakdown, so our local vs cloud transcription guide spells out the accuracy, privacy, and cost trade between keeping audio on your machine and sending it to a server.

If that resonates, it is worth reading how offline speech-to-text desktop apps keep your voice on your own machine.

Hvad Whisper by Remskill gør (og hvad den ikke gør)

Whisper by Remskill er vores app. Det er et desktopværktøj (Windows og Apple Silicon Mac), der sætter tale-til-tekst bag en genvejstast. Du trykker på genvejstasten, taler, slipper, og teksten vises ved din markør. Det virker i enhver app: e-mail, Word, Slack, kodeeditorer, browserens adresselinje. Den lokale pipeline er gratis for enhver autentificeret bruger (Whisper, Parakeet, Ollama AI-forbedring, historik, forudindstillinger, tilpasset genvejstast). Intet betalingskort krævet ved tilmelding. Pro tilføjer cloud-funktioner.

Vi leverer tre transskriptionsveje. Appen vælger ikke selv; du vælger:

Standard genvejstasten er Ctrl+Space på Windows og Command+Option på macOS, begge kan tilpasses i Indstillinger. Standard AI-aktiveringsnøgleordet (når AI-behandling er aktiveret) er "Hey whisper". Lokal AI-forbedring kører via Ollama på localhost:11434. Tre ydeevneforudindstillinger (Hurtig, Afbalanceret og Præcis) skifter strålebredde og stemmeaktivitetstærskler under motorhjelmen.

Hvad Whisper by Remskill ikke gør: mødebots. Vi deltager ikke i dit Zoom, vi opsummerer det ikke bagefter, vi jagter ikke kalenderinvitationer. Ét værktøj på din maskine, én genvejstast, en indsætning ved markøren. Vil du have en mødenotatskriver, leder du efter en anden kategori. Læs videre.

En bemærkning om navne, for det forvirrer næsten alle. Whisper-OpenAI-modellen er en gratis open source-talegenkendelsesmodel, der blev frigivet i 2022. Whisper by Remskill er vores desktopapp, som bruger den model (blandt andre). Når nogen online siger "jeg bruger Whisper", mener de halvdelen af gangene modellen og den anden halvdel et produkt. Det er værd at holde styr på, når du læser anmeldelser.

Optagelsesoverlayet, i tre tilstande

Pillen vises nederst på skærmen, når Whisper er aktiv. Den er diskret og holder sig væk fra dine apps.

Vælg den rigtige Whisper-model til din hardware

De engelske varianter (.en) understøtter kun engelsk — de kører lidt hurtigere og lidt mere præcist på engelsk lyd end deres flersprogede modstykker. Vælg kun den flersprogede, hvis du dikterer på mere end ét sprog eller har brug for oversættelse til engelsk.

De andre værktøjer, der er værd at kende

Du støder på disse navne, hvis du søger på "bedste transskriptionssoftware." Jeg har brugt de fleste af dem, og et par stykker har jeg ved hånden til opgaver, vores app ikke klarer.

Otte værktøjer, gennemgået. Næsten alt andet i denne kategori er én af disse virksomheder rebrandede, eller én af disse modeller i en mindre boks.

If text-to-speech is what you actually need here is the honest free TTS roundup with the H1-vs-FAQ trick every "free" page hides.

Hvornår du skal springe alle disse værktøjer over og bare bruge din telefon

Before you pay anyone anything, check what is already on your phone. iOS ships system-level dictation through Voice Control and the keyboard mic. Android ships Live Transcribe and Gboard voice typing. Both are free, no signup, work in every app, and the quality on modern phones is good enough for short text — we walked through the talk-to-text shortcuts on every device if you want the exact key combos.

Hvis dit job er "svar på en sms under madlavningen" eller "skriv et 60-ords notat, inden dette møde starter", er telefonen det rigtige svar. Hurtigere end at åbne en bærbar, hurtigere end at logge ind på noget, intet månedligt gebyr. Apples Mac Dictation er også værd at kigge på. På understøttede Macs behandler den generel tekst på enheden, dikterer så længe du vil uden en fast grænse for optagelængde, og stopper af sig selv efter 30 sekunders tavshed. Den tavsheds-timeout er kilden til den vedvarende myte om "Apple Dictation har en 30-sekunders grænse": det er ikke optagelsesgrænsen. Apple Dictation dækker 62 sprog og regionale varianter i dag, hvilket er mere end de fleste betalte produkter.

Hvor telefonen kniber er ved vedvarende diktering til desktop-apps. Du kan diktere en e-mail på din telefon. Du kan diktere en batch med 12 varianter af en kold e-mail til dit CRM fra din telefon. Du vil hade det. Et desktopværktøj tjener sin plads der. Indtil da er telefonen gratis.

If most of your desktop dictation is email — specifically dictating Gmail replies on a laptop — there is a separate breakdown of the Chrome-extension path versus the system-app path that goes deeper than this article does.

Priser

De fleste transskriptionsværktøjer vil have $20 til $50 om måneden. Vi tager mindre, og du kan betale én gang.

Prislandskabet i denne kategori falder i fire spande. Kun-AI-abonnementsværktøjer (Otter, Trint, Notta, Descript, Jamie) ligger i $10 til $50 pr. bruger pr. måned-intervallet, nogle gange med et generøst gratis tier begrænset af optageminutter. AI-plus-menneskelige tjenester som Happy Scribe opkræver pr. minut oven i et abonnement; det menneskelige tier alene løber på $1.90 til $2.00 pr. minut. Genvejstast-dikteringsværktøjer (Wispr Flow, os) er prissat som produktivitetssoftware, enkelt-bruger månedligt eller årligt, nogle gange med en livstidsindstilling. Så er der gratis-muligheden: Apple Dictation, Google Voice Typing, din telefons indbyggede tastaturtastatur med mikrofon. Nul om måneden, så længe Apple og Google leverer de operativsystemer.

Den ærlige beslutningsregel er ikke "hvad er billigst." Det er "hvad er den løbende omkostning over de næste tre år for det, jeg faktisk gør?" Et $20-om-måneden-mødeværktøj, du bruger to gange om ugen, er $720 over tre år. Et livstids engangskøb af et dikteringsværktøj, du bruger dagligt, er én regning. Gang din månedlige vane med 36, inden du klikker på abonner. Matematikken er sjældent venlig over for et abonnement, du bruger én gang om ugen.

Vores aktuelle tal (månedligt, årligt, livstid, team) finder du på prissiden. Jeg citerer dem ikke her, fordi de ændrer sig, og siden er kilden til sandheden.

Den kedelige version af denne artikel er, at du allerede ved, hvad du har brug for. Skriver du vedvarende hele dagen? Et genvejstast-dikteringsværktøj, lokal eller cloud. Ét møde om ugen? En mødenotatskriver, månedligt abonnement. Et enkelt 90-minutters interview? Betal $0.20 pr. minut til Happy Scribe og kom videre. En juridisk deposition? Ansæt et menneske. Den ikke-kedelige version er, at de fleste mennesker i denne kategori betaler for det forkerte produkt, fordi markedsføringssiderne alle er skrevet af de samme tre personer. Det ærlige valg er at se på, hvad du faktisk gør denne uge — ikke hvad du håber at gøre næste måned — og vælge det værktøj, hvis hero-tekst beskriver netop dét. Resten er støj.