Tekoälypohjaiset litterointityökalut, selitettynä

Tekoälypohjainen litterointityökalu muuntaa puheen tekstiksi. Siinä koko homma.

Kun riisut pois hallintapaneelit ja "keskustelevan tietokoneen" brändäyksen, jokainen tämän kategorian työkalu tekee yhden asian: ääni sisään, teksti ulos. Erot ovat kaikki sitä, mitä tuon ytimen ympärille on kääritty: missä malli pyörii, mitä se tekee litteroinnilla ja kuinka paljon se veloittaa sen tekemisestä.

Kolme tuotemuotoa hallitsee. Kokousmuistiinpanija liittyy puheluusi, tallentaa kaikki ja sylkee ulos yhteenvedon toimenpide-ehdotuksineen. Otter on tästä tyypillinen esimerkki, 300 ilmaisella litterointiminuutilla kuukaudessa. Tiedostonlatauspalvelun avulla voit pudottaa äänitiedoston ja ladata litteroinnin myöhemmin. Rev ja Sonix kuuluvat tähän, ja Rev myy myös ihmislitteroijia korkean tarkkuuden varavaihtoehtona. Sanelutyökalu istuu taustalla ja liittää tekstin sinne, missä kohdistimesi on, heti kun lopetat puhumisen. Tuo viimeinen on se, mitä Whisper by Remskill tekee: paina yleistä pikanäppäintä, puhu, ja litteroitu teksti ilmestyy mihin tahansa sovellukseen, jota jo käytät.

Sama perustehtävä. Kolme täysin erilaista arkikokemusta. Suurin osa tämän kategorian sekaannuksesta syntyy siitä, että kokousmuistiinpanijaa verrataan sanelutyökaluun ikään kuin ne kilpailisivat. Ne eivät kilpaile, sen enempää kuin bussi kilpailee polkupyörän kanssa.

Miten tekoälylitterointi oikeasti toimii (ja missä se yhä kompastuu)

Mekanismi on yksinkertaisempi kuin brändäys antaa ymmärtää. Mikrofonisi tallentaa äänen ääniaaltona, lukuvirtana, joka kuvaa ilmanpainetta ajan myötä. Malli pilkkoo virran lyhyiksi paloiksi, muuntaa kunkin palan numeeriseksi esitykseksi sen akustisista piirteistä ja ennustaa sitten, sananosa sananosalta, todennäköisimmän tekstijonon, joka nuo äänet tuotti. Se tekee tilastollista laskentaa äänestä, ei ymmärrä merkitystä. Vietin tämän projektin ensimmäisen viikon piirtäen putkea siistinä laatikkokaaviona ennen kuin olin ajanut mallia kertaakaan. Kaavio oli väärin jo toiseen committiin mennessä. Mallia ei kiinnostanut kaavioni.

Tuo yksityiskohta on syy siihen, miksi tekoälylitterointi kompastuu juuri siellä missä se kompastuu. Malli ennustaa todennäköisimmät sanat, ei oikeita sanoja. Syötä sille selkeää puhetta ja selkeää artikulaatiota, niin todennäköinen ja oikea ovat sama asia. Syötä sille päällekkäin puhumista, vahva korostus, jonka se näki harvoin opetusvaiheessa, alan ammattikieltä tai huono mikrofoni, niin nuo kaksi erkanevat. Rehellinen versio, jonka tämän juuri tämän haun tekoälykatsaus sanoo ääneen, on se, että nämä työkalut voivat keksiä sanoja, joita ei koskaan lausuttu, sekoittaa yhden puhujan toiseen ja hiljaa kirjoittaa fraasin väärin joksikin, joka lukeutuu täydellisesti mutta tarkoittaa päinvastaista.

Yksi käännöskikka on tietämisen arvoinen. Monikieliset Whisper-mallit osaavat litteroida 99 kieltä, ja ne osaavat kääntää muunkielisen puheen englanninkieliseksi tekstiksi yhdellä kertaa. Vain englantia osaavat malliversiot, .en-rakennukset, jättävät tuon pois ja tekevät pelkkää englantia, mikä tekee niistä siinä hieman terävämpiä. Mikään tästä ei vaadi sinua "opettamaan" mitään. Jos työkalu yhä pyytää sinua lukemaan kalibrointiskriptin ennen kuin se toimii, se pyörii vuoden 1999 oletuksilla.

Kuinka tarkka se oikeasti on? Rehellinen vastaus.

Rehellinen vastaus on: tarpeeksi tarkka säästääkseen sinulta oikeaa aikaa, ei tarpeeksi tarkka julkaistavaksi lukematta. Oma julkaistu vaihteluvälimme paikalliselle litteroinnille on 95–99 prosenttia, isompien mallien yltäessä korkeammalle. Mutta yksittäinen tarkkuusluku on lähes merkityksetön sellaisenaan, koska se luku, jolla on merkitystä, on sinun äänellesi laskettu: sinun korostuksesi, sinun huoneesi, sinun mikrofonisi, sinun sanastosi.

Suhtaudu epäilevästi pyöreisiin, ehdottomiin väitteisiin. Tuotesivu, joka sanoo "99 % tarkkuus" mainitsematta äänenlaatua, lainaa parasta tapausta, ei lupausta. Kun Rev mainostaa 99 prosenttia, tuo luku liittyy sen ihmislitteroijiin, ei sen tekoälymalliin. Markkinointiversio litistää käyrän yhdeksi imartelevaksi pisteeksi.

Tässä halvin tarkkuuspäivitys, jota kukaan ei myy sinulle: mikrofoni. Siirtyminen kannettavan sisäänrakennetusta mikrofonista perus-USB-mikrofoniin tekee litteroinnillesi enemmän kuin hyppy pienestä mallista suurimpaan. Tekoäly ei korjaa huonoa ääntä. Se vain arvaa itsevarmemmin. Vietin kaksi iltaa testaten suurinta mallia, jonka pystyin lataamaan, ennen kuin huomasin puhuvani kannettavan saranaan metrin etäisyydeltä; kahdentoista dollarin mikrofoni korjasi enemmän kuin ne ylimääräiset kaksi gigatavua. Käytä se kaksikymppinen laitteistoon ennen kuin käytät illan kolmen gigatavun mallin lataamiseen. Tärkeissä töissä lue litterointi läpi. Slack-viestissä lähetä se vaan.

Paikallinen vai pilvi: sillä minne äänesi menee on väliä

Se minne äänesi menee on tärkein päätös, eikä sillä ole mitään tekemistä tarkkuuden kanssa.

Pilvipohjainen litterointityökalu lähettää äänesi yrityksen palvelimille, pyörittää mallin siellä ja lähettää tekstin takaisin. Paikallinen työkalu lataa mallin kerran ja pyörittää sitä omalla koneellasi. Sen jälkeen se toimii offline-tilassa, eikä mikään lähde tietokoneeltasi. Whisper by Remskill tekee molemmat, ja vaihto on yhden kytkimen takana. Paikallisessa tilassa ääni käsitellään kokonaan koneellasi eikä mitään lähetetä millekään palvelimelle. Pilvitilassa ääni menee suoraan tietokoneeltasi OpenAI:lle sinun oman API-avaimesi kautta, emmekä me ole koskaan välissä.

Lyön tähän tolpan maahan, koska markkinointisivut eivät lyö: pelkkä pilvisanelu on tietosuojakatastrofi, joka odottaa litterointiaan. Eräs tiimi, jonka kanssa työskentelin, teetti kerran alihankkijalla sisäisen pilvi-tekoälysanelun prototyypin. Se kutsui API:a jokaisesta lausahduksesta, mukaan lukien stand-up-nauhoituksista, jotka se litteroi neljä kertaa uudelleen, koska "älykäs uudelleenyritys" -logiikka oli liian aggressiivinen. Esimies avasi kustannusnäkymän vuosineljänneksen lopussa ja löysi viisinumeroisen laskun. Alihankkijan korjaus oli "optimoi kehotetta". Talousjohtajan korjaus oli "lopeta sellaisten kokousten lähettäminen palvelimelle, joista meillä on jo muistiinpanot". Pomosi palkkataulukko, sähköposti lapsesi koululle, oikeudellinen muistio, jota luonnostelet — mikään niistä ei kuulu jonkin toimittajan lokeihin vain siksi, että halusit kirjoittaa äänelläsi. Kannettavassasi on jo mikrofoni ja prosessori. Useimpiin kappaleisiin se ei tarvitse palvelinta silmukkaan. Jos haluat täydet perustelut, kirjoitimme niistä oppaassamme offline-puheentekstiksi-muunnoksesta.

Tästä huolimatta pilvi ei ole pahis. Se on kompromissi. Pilvitila antaa sinulle uusimmat OpenAI-mallit, verkkoyhteyden ja nollalaitteistokuorman. Paikallinen antaa sinulle tietosuojan ja offline-luotettavuuden. Pointti ei ole se, että toinen olisi oikea. Pointti on se, että sinun pitäisi valita tarkoituksella, ei huomata jälkikäteen, että nauhoituksesi asuvat jonkun muun levyllä.

Muut tuntemisen arvoiset työkalut

Näet samat nimet jokaisessa katsauksessa, ja ne jakautuvat selkeisiin kaistoihin.

Huomautus tuosta viimeisestä rivistä: noilla viidellä on kullakin omat hinnoittelu- ja kielitietonsa, jotka muuttuvat usein, joten en lainaa lukuja, joita en ole tänään tarkistanut niiden omilta sivuilta. Kaava kuitenkin pitää: useimmat näistä ovat kokous- tai editointityökaluja, ja useimmat pyörittävät Whisper-perheen mallia brändäyksen alla.

Whisper by Remskill istuu eri kaistalla kuin ne kaikki. Se on sanelutyökalu, ei kokousmuistiinpanija. Nimesimme itsemme avoimen lähdekoodin mallin mukaan, jota pyöritämme; jos olet vertaillut pelkkiä pilvisanelusovelluksia, meidän Otter.ai-vaihtoehtoerittelymme ja laajempi litterointiohjelmisto-oppaamme käsittelevät kaistat tarkemmin.

Milloin ohittaa tekoälylitterointityökalu kokonaan

Joskus oikea työkalu ei ole mikään työkalu. Jos ääni on tärkeää ja oikeudellisesti sitovaa (oikeuden valaehtoinen kuulustelu, potilaskertomus, säännelty hakemus), maksa ihmiselle. Revin ihmispalvelu on olemassa juuri siksi, että viiden prosentin virheaste sopimuksessa on oikeusjuttu, ei kirjoitusvirhe. Ja jos tarvitset vain 30 sanan tekstivastauksen, puhelimeesi tai Maciisi jo sisäänrakennettu sanelu on ilmainen ja ihan riittävä; älä lataa mitään. Tekoälylitterointi ansaitsee paikkansa keskellä: pidempi kuin tekstiviesti, vähemmän tärkeä kuin valaehtoinen kuulustelu, tarpeeksi usein ollakseen pikanäppäimen arvoinen. Tuon kaistan ulkopuolella turvaudu ihmiseen tai laitteessasi jo olevaan ilmaiseen vaihtoehtoon.

Mitä se maksaa

Tämän kategorian hinnoittelu kulkee ilmaisesta aidosti kalliiseen, ja hajonta kertoo, mitä kukin työkalu myy. Ilmaiset tasot ovat aitoja mutta mittaroituja — Otter rajaa ilmaisen suunnitelmansa 300 minuuttiin kuukaudessa, Revin ilmaisen tekoälytason 45 minuuttiin, ja avoimen lähdekoodin Whisper-malli on ilmainen ikuisesti, jos olet valmis pyörittämään sitä itse. Pilvi-API:t veloittavat per minuutti, mikä on ihan ok, kunnes karkuun lähtenyt uudelleenyrityssilmukka muuttaa vuosineljänneksen viisinumeroiseksi laskuksi. Whisper by Remskill on ilmainen koko paikalliselle putkelle, kunhan sinulla on tili, ilman maksutapaa aloittamiseen; pilviominaisuudet ovat Whisper Pron takana. Tarkat luvut, suunnitelmat ja se, mitä Pro sisältää, löytyvät hinnoittelusivulta — tarkistan mieluummin elävän luvun kanssasi kuin luotan numeroon, jonka kirjoitin blogikirjoitukseen.

Siihen mennessä kun olet lukenut tämän loppuun, tyttäreni olisi voinut sanella kolme sähköpostia ja kysyä minulta kahdesti, miksi kuu joskus ei ole paikallaan. Teknologia ei ole enää se vaikea osa. Ainoa jäljellä oleva oikea valinta on, pysyvätkö sanasi koneellasi vai lähtevätkö ne reissulle jonkun muun koneelle — ja se on valinnan arvoinen ennen kuin painat nauhoita, ei sen jälkeen.