Hvorfor er min diktering så unøjagtig?

Hvad er realistisk nøjagtighed egentlig

Her er tallet, ingen sætter på deres marketingside. Talegenkendelse måles i word error rate, eller WER — andelen af ord, systemet får forkert, hvor man tæller udskiftninger, sletninger og indsættelser i forhold til, hvad du faktisk sagde. Lavere er bedre. En WER på nul er en perfekt transskription; ordnøjagtighed er bare én minus WER.

På den rene engelske LibriSpeech-benchmark registrerer Whispers medium English-model omkring 3 % WER — cirka 97 % nøjagtighed. Small English-modellen lander omkring 5,1 % WER, cirka 95 %. Det er tal for ren lyd: et stille rum, en god mikrofon, en omhyggelig oplæser. Virkeligheden tilføjer støj, accenter, krydstale og fagjargon, og hver eneste af dem skubber WER legitimt op.

Så hvad er normalt? Omkring 95 % på anstændig engelsk lyd — ét forkert ord ud af tyve. Det er ikke en defekt. Det er værktøjet, der virker, som det er designet til. Hvis du ligger på 85 % i et støjende køkken på en indbygget bærbar-mikrofon, er softwaren ikke i stykker — forholdene er ringere, end modellen har brug for. Løsningen er forholdene, ikke en større model. Sæt barren ved "én lille rettelse pr. afsnit", og det meste af raseriet siver ud af oplevelsen.

De fem mistænkte, ordnet efter sandsynlighed

Når diktering går galt, er årsagen næsten altid en af fem ting. Gennemgå listen i rækkefølge. De to første fanger de fleste tilfælde.

1. Sprogindstillingen. Du taler ét sprog; værktøjet lytter efter et andet, eller det gætter.
2. Mikrofonen. En indbygget bærbar-mikrofon en meter væk hører mere af dit rum end af din mund.
3. Rummet. Baggrundsstøj, et tv, et køkken med ekko — modellen transskriberer det hele.
4. Modellen. Du valgte en, der er for tung til din hardware, så den er langsom eller går i stå.
5. Forventningen. Lyden er fin, og værktøjet er fint; du måler mod 100 %, som intet rammer.

En 60-sekunders selvtest: diktér de samme to sætninger tre gange — én gang i et lydløst rum tæt på mikrofonen, én gang på den anden side af rummet, én gang med musik kørende. Hvis nøjagtigheden svinger kraftigt mellem de takes, er dit problem lyden (mistænkt 2 og 3), og ingen softwareændring slår at flytte mikrofonen tættere på og lukke døren. Hvis det er dårligt, selv på det lydløse nærbillede-take, så kig på sprogindstillingen og modellen. Den ene test sorterer de fleste på et minut.

Årsag 1: den forkerte sprogindstilling

Det her er ti-sekunders-løsningen, ingen tjekker først. Hvis du ved, hvilket sprog du taler, så vælg det udtrykkeligt i indstillingerne i stedet for at lade værktøjet stå på automatisk registrering. Når du sætter et bestemt sprog, holder værktøjet op med at gætte, hvilket sprog det hører, og bruger al sin energi på at få ordene rigtigt — mærkbart hurtigere og mere pålideligt.

Fælderne med uoverensstemmelser er reelle. Whispers flersprogede modeller dækker 99 sprog med automatisk registrering, men de engelsk-kun-modeller er låst til engelsk — fodrer du dem med et andet sprog, får du volapyk. Lokal Parakeet håndterer engelsk plus 24 europæiske sprog og intet uden for det sæt, så at diktere japansk ind i den vil aldrig virke, uanset hvor ren din mikrofon er. Og hvis du virkelig skifter sprog midt i en sætning, vil du have en flersproget Whisper-model med automatisk registrering, ikke en engelsk-kun-model. Match indstillingen til de ord, der kommer ud af din mund, og en stor del af "unøjagtigheden" forsvinder, før du rører ved noget andet.

Årsag 2: din mikrofon gør mere skade end din accent

Folk giver deres accent skylden. Det er næsten altid mikrofonen. I årevis gav jeg min skylden — det viste sig, at min stemme var fin, og min 0-kroners bærbar-mikrofon var problemet. Her er den holdning, jeg vil forsvare: "AI" fikser ikke dårlig lyd. En USB-mikrofon til $20 gør mere for nøjagtigheden end nogen modelopgradering — mikrofonen og et stille rum er de to største nøjagtighedsgreb, foran hvilken model du vælger. Brug pengene på hardware, før du bruger dem på en større download.

Mekanismen er kedelig og fysisk. En indbygget bærbar-mikrofon sidder en halv meter eller mere fra din mund og opfanger bordet, blæseren og rummet. En headset-bom eller en USB-mikrofon femten centimeter væk hører din stemme og ikke meget andet. Værktøjet kan kun transskribere det, der når frem til det, og et udtværet, fjernt, støjende signal giver det mindre at arbejde med — så det gætter, og gæt er sådan, du får de forkerte ord. Jeg genunderviser ikke hele mikrofon-og-ordforråd-håndbogen her; vores dybdegående artikel om diktering, der skriver de forkerte ord dækker mikrofonplacering, indgangsforstærkning og brugerdefineret ordforråd i detaljer. Til denne artikel er pointen snævrere: hvis din tre-takes-test viste, at nøjagtigheden faldt sammen på afstand, er din mikrofon den mistænkte, ikke din stemme.

Årsag 3: rummet, ikke ordene

En mikrofon kan ikke afhøre et rum. Hvis der er et tv tændt, en opvaskemaskine kørende, et åbent kontorlandskab bag dig eller børn, der diskuterer reglerne i et brætspil to meter væk, transskriberer modellen den energi sammen med din stemme. Den ved ikke, hvilken lyd der er den, du mente.

Løsningen er pinligt lavteknologisk: luk døren, sluk for musikken, flyt væk fra blæseren. Bløde overflader hjælper — et rum med et tæppe og gardiner er venligere ved en mikrofon end et flisekøkken med bare vægge, hvor din stemme kastes tilbage og ankommer to gange. Du har ikke brug for akustisk skum. Du har brug for, at opvaskemaskinen gør sin cyklus færdig. Jeg har dikteret skole-e-mails, mens jeg smurte madpakker, og modellen fulgte fint med — men det er, fordi køkkenet var stille, ikke fordi softwaren er magisk. I det øjeblik blenderen starter, falder nøjagtigheden, og det er ikke en fejl, du skal indberette.

Årsag 4: modellen passer ikke til din hardware

Det her er den, konkurrenterne behandler som en sort boks, og den betyder noget. Større er ikke altid bedre. Vælg en model, der er for tung til din maskine, og den kører langsomt, kommer bagud, og oplevelsen føles ødelagt, selv når nøjagtigheden på papiret er fin.

Whisper by Remskill vælger ikke en model for dig. Den præsenterer tre veje og lader dig vælge: Cloud-tilstand med din egen OpenAI-nøgle, lokal Parakeet eller lokal Whisper. Cloud-tilstand kører på hvilken som helst hardware, fordi det bare er et netværkskald. Lokalt handler matematikken om RAM. På en 8 GB-maskine kører Parakeet (~600 MB), Base-modellen eller Small-modellen behageligt, mens Medium-modellen vil kæmpe. De største Whisper-modeller — Large v3 på ~3 GB, eller Turbo — vil have 16 GB eller mere og har størst gavn af et dedikeret GPU. Den flersprogede mulighed med bedst nøjagtighed er Large v3, som understøtter 99 sprog, men har brug for de 16 GB i råderum.

Tryk-og-tal-flowet er det samme, uanset hvilken vej du vælger — hold genvejstasten nede, tal, slip, og teksten indsættes ved din markør. Standardgenvejen er Ctrl+Space på Windows og Command+Option-akkorden på macOS, begge kan ændres i Indstillinger. Usikker på, hvilken model der passer til din bærbare? Vores guide til at vælge den rigtige Whisper-model kobler hver enkelt til den hardware, den har brug for. Tommelfingerreglen: en model, der passer og kører hurtigt, slår en større, der hakker.

Når værktøjet virkelig er problemet, og når det bare er fysik

Nogle gange har du gjort alt rigtigt — tæt mikrofon, stille rum, korrekt sprog, fornuftig model — og den tager stadig fejl af ét ord ud af femten. Det kan være det reelle loft. Tunge accenter, modellen har set lidt af, tæt teknisk jargon, to personer der taler i munden på hinanden, en telefonhøjttaler i den anden ende — de skubber legitimt WER op, og ingen indstilling fikser dem helt. Til navne og fagjargon lader lokal Whisper og Cloud-tilstand dig tilføje en liste med Brugerdefinerede ord, der trækker genkendelsen mod den rigtige stavemåde; Parakeet tager ikke imod de hints. Men "den lærer min stemme, jo mere jeg bruger den" er en myte fra Dragon-æraen — moderne tale-til-tekst tilpasser sig ikke din individuelle stemme over tid, og ingen mængde gentagelse træner den. Grebet er lyden og indstillingerne, ikke tålmodighed.

Hvornår du skal springe Whisper over til det her

Hvis alt, du laver, er at affyre en sms på 20 ord eller en hurtig note, så download ikke noget. Dit styresystem dikterer allerede. På en Mac er Apple Dictation indbygget og gratis — tryk på Mikrofon-tasten eller tastaturgenvejen, og på understøttede opsætninger behandler den det på enheden. Den stopper af sig selv efter 30 sekunders stilhed, så den passer bedre til korte stød end til lange tekster. I Word gør Microsofts Dictate det samme med en mikrofon og en internetforbindelse.

Ræk efter et dedikeret værktøj, så snart du dikterer hele afsnit, vil have det til at virke offline eller har brug for nøjagtighed på navne og jargon, som de indbyggede værktøjer fumler med — vores oversigt over alternativer til Apple Dictation dækker mulighederne. Til et et-linjes svar er det gratis indbyggede værktøj det rigtige valg.

Det meste af tiden er svaret på "hvorfor er min diktering så unøjagtig" ikke en tilståelse om din stemme. Det er en halv meters afstand til mikrofonen og en opvaskemaskine, du glemte var i gang. Fiks lyden, sæt det rigtige sprog, vælg en model, din bærbare kan bære, og bedøm den så mod 95 %, ikke 100 %. Slægtningen med Dragon-headsettet kæmpede mod 1999. Det gør du ikke. Du kæmper mest mod dit køkken.