Puheentunnistussovellukset: minkä valita

Puheentunnistussovellus yhdellä lauseella: sinä puhut, se kirjoittaa

Tässä on koko mekaniikka ilman markkinointia. Painat näppäintä. Puhut. Sovellus tallentaa äänesi, ajaa sen tunnistusmallin läpi, ja sanat ilmestyvät tekstinä. Meidän sovelluksessamme, Whisper by Remskill, oletuksena on Ctrl+Space Windowsissa ja command+option-pohjassapito macOS:ssä: paina, puhu, vapauta, ja litterointi liimautuu kohdistimeen mihin tahansa sovellukseen, jossa jo olit.

Tuo viimeinen osa on se, jonka useimmat ohittavat sovelluksia vertaillessaan. Puheentunnistussovellus on vain niin hyödyllinen kuin paikka, johon se voi tekstin laittaa. Apple Dictation kirjoittaa Mac- ja iOS-sovelluksiin. Windowsin Voice typing avautuu näppäimillä Windows-logonäppäin + H ja toimii missä tahansa tekstikentässä PC:llä. Google Docsin Voice typing toimii vain Google Docsin sisällä, Chromessa. Ne kaikki litteroivat; ne eivät kaikki mene kaikkialle. Joten ennen kuin vertailet tarkkuuslukuja, kysy, missä tarvitset tekstin näkyviin.

Miten puheentunnistussovellus toimii (ASR sekä siistimisvaihe)

Pinnan alla jokainen puheentunnistussovellus tekee kaksi erillistä asiaa, ja niiden sekoittaminen on kohta, jossa arviot menevät pieleen.

Ensimmäinen on litterointi: automaattinen puheentunnistus muuttaa ääniaaltomuodon sanajonoksi. Tämä on se vaikea osa, ja siinä mallin laatu näkyy. NVIDIAn Parakeet-malli, jonka tarjoamme yhtenä moottorivaihtoehtona, saa 6,34 %:n keskimääräisen sanavirheasteen Hugging Face Open ASR -tulostaulukolla. Dragon Professional mainostaa "jopa 99 %:n tunnistustarkkuutta heti ensimmäisestä käytöstä lähtien". Tuollaiset luvut ovat aitoja, mutta ne kuvaavat puhdasta ääntä hiljaisessa huoneessa. Taustamelu ja halpa kannettavan mikrofoni vaikuttavat niihin enemmän kuin mikään mallin vaihto.

Toinen on siistimisvaihe: muutetaan "lähetä hänelle se tiedosto öö se toinen versio ei se ensimmäinen" lauseeksi, jossa on iso alkukirjain ja piste. Paremmat sovellukset ajavat tässä ylimääräisen tekoälyvaiheen korjatakseen välimerkit, kirjainkoon ja satunnaiset "öö":t. Tuossa siistimisessä myös tulkitaan saneltuja komentoja, leikataan täytesanat ja muutetaan loputtomien sanojen muuri joksikin, minkä voisit lähettää. Litterointi antaa sinulle sanat. Siistimisvaihe antaa sinulle tekstin, jota sinun ei tarvitse kirjoittaa uudelleen.

Mikä erottaa hyvän sovelluksen kirjoitussimulaattorista

Useimmat puheentunnistussovellukset ylittävät peruskynnyksen: ne saavat sanat enimmäkseen oikein. Se, mikä erottaa työkalun, jonka pidät, sellaisesta, jonka poistat viikossa, tiivistyy muutamaan asiaan, jotka harvoin pääsevät ominaisuustaulukkoon.

Ensinnäkin viive. Jos lauseen lopettamisen ja tekstin ilmestymisen välillä on pitkä tauko, menetät ajatuksesi langan ja alat lukea uudelleen sen sijaan, että puhuisit. Toiseksi tarkkuus juuri sinun äänelläsi — ei demoäänellä, vaan sinun, sinun korostuksellasi, sinun huoneessasi. Kolmanneksi kielten kattavuus, jos et työskentele englanniksi. Ja ulottuvuus: pystyykö se kirjoittamaan siihen yhteen sovellukseen, jossa elät, vai vain selaimen välilehteen.

Sitten on se tylsä asia, jota kukaan ei markkinoi: minne äänesi päätyy. Sisäänrakennettu käyttöjärjestelmätyökalu ja paikallinen sovellus pitävät tallenteen koneellasi. Pilvisovellus lataa sen palvelimelle. Ostoslistan kohdalla kenelläkään ei ole väliä. Oikeudellisen luonnoksen tai potilastiedon kohdalla se on koko päätös. Palaamme tähän.

Miltä Whisper by Remskill näyttää

Koska mainitsen sovellustamme jatkuvasti, tässä on mitä se on, jotta vertailu olisi reilu. Whisper by Remskill on järjestelmänlaajuinen työpöytäsovellus — ei selainlaajennus, ei Word-lisäosa, ei kokousbotti. Pidät pikanäppäintä pohjassa, puhut, vapautat, ja litterointi laskeutuu kohdistimeesi mihin tahansa sovellukseen tai tekstikenttään.

Litterointiin valitset yhden kolmesta polusta. Paikallinen Whisper ajaa kahdeksaa mallikokoa Base-mallista (~140 Mt) aina monikieliseen Large v3 -malliin (~3 Gt), tukee 99 kieltä monikielisissä versioissa ja osaa kääntää englanniksi. Paikallinen Parakeet (~600 Mt) on 5–10 kertaa nopeampi kuin Whisper prosessorilla ja kattaa englannin sekä 24 eurooppalaista kieltä. Cloud-tila on tuo-oma-avaimesi OpenAI niille, jotka haluavat uusimmat mallit ja reaaliaikaiset verkkovastaukset. Kaikki paikallinen litterointi pyörii puhtaalla Rustilla, täysin laitteella, ja toimii ilman verkkoa. Sovellus ei valitse puolestasi. Se näyttää kolme polkua, ja sinä valitset nopeuden, kielten tai tarkkuuden perusteella. Täydellisen listan saneluohjelmien vertailusta löydät litterointiohjelmisto-oppaastamme, joka käy läpi samat kompromissit useammilla työkaluilla.

Deciding between the two local engines is the most common question we get, and our Whisper vs Parakeet explainer breaks down speed, language coverage, and accuracy side by side.

Cloud vai paikallinen: minne äänesi menee

Tässä on se, josta minulla on vahva mielipide. Pelkästään pilveen perustuva puheentunnistus on yksityisyysongelma, jota useimmat eivät tule ajatelleeksi ennen kuin on liian myöhäistä. Pomosi palkkataulukko, sähköposti lapsesi koululle, sopimuksen luonnos — mikään niistä ei pitäisi olla toimittajan lokeissa siksi, että halusit kirjoittaa äänelläsi.

Seurasin kerran erästä tiimiä eräässä yrityksessä, jossa työskentelin, kerryttämässä viisinumeroisen pilvitekoälylaskun yhdessä vuosineljänneksessä, koska "älykäs uudelleenyrityssilmukka" litteroi samat standup-tallenteet neljä kertaa uudelleen. Talousjohtaja avasi kojelaudan vuosineljänneskatsauksessa ja huone hiljeni. Kustannus oli otsikko. Hiljaisempi ongelma oli, että jokainen tallennettu kokous oli lähetetty kolmannen osapuolen rajapintaan, jotta se saatiin selville.

Paikallisuus ensin ratkaisee molemmat. Paikallinen putkemme ei koskaan lähetä äänitäsi minnekään; Cloud-tila on opt-in-poikkeus, ja se on sinun oma OpenAI-avaimesi, ei meidän. Wispr Flow, lähin suora kilpailija, on pelkästään pilvipohjainen. Ääni poistuu laitteelta suunnitelman mukaan. Kumpikaan lähestymistapa ei ole väärä. Mutta jos työsi koskettaa mitä tahansa, mitä epäröisit lähettää sähköpostilla, aja se omalla koneellasi.

Raakasanat sisään, siisti teksti ulos: tekoälyn siistimisvaihe

Siistimisvaihe ansaitsee oman mainintansa, koska se on ero litteroinnin ja käyttökelpoisen tekstin välillä. Tunnistus antaa sinulle sanat järjestyksessä. Se ei aina anna sinulle lausetta.

Paikallisessa tilassa sovelluksemme ajaa valinnaisen siistimisen Ollaman kautta koneellasi — välimerkit, kirjainkoko ja sanallisen täytteen karsiminen, kaikki ilman edestakaista verkkokäyntiä. Cloud-tilassa sama työ menee OpenAI:n malleille avaimellasi. Pointti ei ole se, mikä malli sen tekee. Pointti on, että puheentunnistussovellus, joka jättää tämän vaiheen väliin, antaa sinulle kappaleen ilman pilkkuja ja satunnaisen "tuota noin":n joka kolmannella rivillä, ja käytät säästämäsi ajan siistimiseen. Hyvät tekevät tuon työn ennen kuin teksti saavuttaa kohdistimesi. Yksinkertaiset sisäänrakennetut työkalut eivät enimmäkseen tee, mikä on hyvä pikaiseen muistiinpanoon ja turhauttavaa mihin tahansa pidempään.

Muut tuntemisen arvoiset puheentunnistussovellukset

Mikään yksittäinen sovellus ei voita joka käyttötarkoituksessa. Tässä on rehellinen kenttä, ja kenelle kukin on tarkoitettu.

1990-luvun lopulla eräs sukulaiseni ajoi Dragon NaturallySpeakingia Windows 98 -pöytäkoneella, jossa oli 64 Mt RAM-muistia. Asennus pakotti sinut lukemaan sanalistaa 45 minuuttia "opettaaksesi" sen, minkä jälkeen sanelu toimi ehkä 70 %:n tarkkuudella ja neljän sekunnin viiveellä lausetta kohden. Yhden kappaleen sanelu juhlakirjeestä kesti viisitoista minuuttia. Kuulokemikrofoni lensi huoneen toiselle puolelle; se selvisi, koe ei. Kaksikymmentäviisi vuotta myöhemmin seitsemänvuotias voi sanella kokonaisen sähköpostin yhdeksässäkymmenessä sekunnissa opettamatta mitään. Jos puheentunnistussovellus yhä pyytää sinua "opettamaan" sen ennen kuin se toimii, se elää vuodessa 1999.

Milloin oma erillinen sovellus kannattaa jättää kokonaan väliin

Tässä on kohta, jossa lähetän sinut muualle (kyllä, minä se sovellusta myyvä kaveri). Jos sanelet vain lyhyitä muistiinpanoja — tekstiviestin, kalenterimerkinnän, nopean vastauksen — ja olet Macilla tai iPhonella, käytä vain Apple Dictationia. Se on ilmainen, se on sisäänrakennettu, ja alle sadan sanan kohdalla se hoitaa homman; modernissa macOS:ssä ei ole tiukkaa aikakatkaisua. PC:llä Windows-logonäppäin + H tekee saman työn ilmaiseksi.

And if you land on the install-something side, picking a voice typing app for each device is its own short guide.

Ja jos kaikki mitä koskaan teet on kokousten tallentaminen ja haluat jälkikäteen haettavan litteroinnin, oma erillinen kokoustallennin kuten Otter on oikea kategoria. Se yhdistyy Zoomiin ja Teamsiin ja on rakennettu juuri siihen työhön. Järjestelmänlaajuinen saneluohjelma alkaa ansaita paikkansa siinä vaiheessa, kun kirjoitat pidempää tekstiä useiden sovellusten halki ja sinulla on väliä sillä, minne äänesi päätyy.

Ilmainen vai maksullinen: mitä 0 dollaria sinulle tarjoaa

Ilmaiset vaihtoehdot ovat aitoja, eivät typistettyjä kokeiluja. Apple Dictation, Windowsin Voice typing ja Google Docsin Voice typing eivät maksa mitään ja hoitavat arkisanelun. Sovelluksessamme koko paikallinen putki — Whisper, Parakeet, laitteella tapahtuva tekoälysiistiminen, historia, esiasetukset — on ilmainen kaikille kirjautuneille käyttäjille, eikä korttia tarvita aloittamiseen.

Maksulliset työkalut ansaitsevat rahaa sen päälle: pilviominaisuudet, lisää kieliä, tiiminhallinta. Joten oikea kysymys ei ole ilmainen vastaan maksullinen. Se on, ulottuuko sinulle tarjottu ilmaistaso jokaiseen sovellukseen, jossa työskentelet, ja pitääkö se äänesi koneellasi. Jos pitää, pysähdy siihen. Kun vaimoni kysyi, miksi antaisin koko paikallisen putken ilmaiseksi, annoin hänelle viiden minuutin vastauksen; lyhyt versio on, että haluan mieluummin sinun aloittavan ilmaiseksi ja maksavan vain, jos törmäät seinään. Pilvitason hinnoittelu löytyy hinnoittelusivultamme.

Nuoremman tyttäreni tuomio kaikesta tästä oli yksinkertaisempi kuin mikään arvio. Hän painoi näppäintä kerran, sanoi lauseen irronneesta hampaastaan, katsoi sen ilmestyvän ja palasi piirtämään sanaakaan sanomatta. Ei tarkkuuskaaviota, ei ominaisuustaulukkoa, vain tekstiä siellä missä hän halusi sen. Se on ainoa testi, jolla koskaan oli väliä: ilmestyivätkö sanat sinne minne tarvitsit, ja jouduitko miettimään sitä. Jos vastaus on kyllä ja ei, valitsit oikean sovelluksen.