Puhe tekstiksi Twitchissä, suoraan sanottuna

Puhe tekstiksi, ei teksti puheeksi — nopea selvennys

Nopea selvennys — STT vai TTS. Jos tulit tänne etsimään robottimääistä ääntä, joka lukee lahjoitusviestit ääneen streamissäsi, se on teksti puheeksi, ei puhe tekstiksi. Eri asia kokonaan. Katso SoundAlerts, joka hoitaa TTS:n Biteille, Tipeille, Channel Pointseille, Subeille, Raideille ja Hype Traineille, ja Premium-tasolla myös tekoälyäänillä. Tai käytä StreamElements-palvelua, joka pyörittää AlertBox TTS:ää yli 1000 äänellä Pollysta, Googlesta, Azuresta ja TikTokista, sekä roskapostisuodatuksella varustettuna. Tämän artikkelin loppuosa käsittelee toista: oman puheesi muuttamista tekstiksi.

Puhe tekstiksi tarkoittaa, että äänesi muuttuu kirjaimiksi näytölle: tekstityksiä, transkriptioita, saneltuja viestejä. Teksti puheeksi on päinvastainen: kirjoitetut viestit luetaan ääneen synteettisellä äänellä, yleensä lahjoitusilmoituksena.

Noin puolet tätä hakusanaa etsivistä Twitch-käyttäjistä haluaa jälkimmäisen. Google ei osaa päätellä kumpaa tarkoitit, minkä takia tälle haulle ei ole AI Overviewa — hakuaikomus on liian jakautunut. Edellä mainitut TTS-työkalut hoitavat lahjoitusten luvun. Tämä artikkeli käsittelee puheesi muuttamista tekstiksi.

Mihin streemarit oikeasti käyttävät puhe tekstiksi -toimintoa

Neljä käyttötapausta, jotka toistuvat jatkuvasti. Useimmat streemarit tekevät yhtä. Parhaat tekevät kaikkia neljää.

Reaaliaikaiset tekstitykset saavutettavuuden vuoksi

Tekstirivi lähetyksen alareunassa kuuroja, huonokuuloisia, työssä ääni poissa päältä katsovia tai tekstistä seuraavia vieraskielisiä katsojia varten. Twitch näyttää CC-painikkeen striimeissä, joissa on jo tekstitykset RTMP-virrassa, muissa ei mitään. Se on siis sinun hommasi.

VOD-transkriptiot shortseille ja SEO:lle

Streimasit kolme tuntia, pomotaistelu tapahtui kahden tunnin kohdalla, ja haluat siitä 60 sekunnin TikTokin teksteineen. Transkription avulla ctrl-F:ät hetken sen sijaan, että kelaisit.

Diktaatio kohtausten välillä

Se osa, josta kukaan ei puhu mutta josta maksaisin. Kesken striimin, kädet näppäimistöllä, modisi pingaa Discordissa ja kysyy haluatko jatkaa sub-only-tilaa raidille. Voit joko kömpelösti alt-tabata samalla kun pomotaistelu menee pieleen, tai painaa näppäintä, sanoa lauseen ja katsoa sen ilmestyvän Discordiin 145 sanan minuutinopeudella.

Whisperin oletuspikanäppäin on Ctrl+Space Windowsilla ja Linuxilla, ja vain muokkausnappi push-to-talk-pikakomennolle command+option macOS:llä. Molemmat toimivat kaikkialla, missä tekstinsyöttö toimii: chatissa, Discordissa, OBS:n kohtausnimikentissä, anteeksipyyntö-DM:ssä kello yhden aikaan katsojalle, jonka nimen lausuit väärin. Kaksi streemarille ominaista sudenkuoppaa: jos kohtauksenvaihdon pikavalinta on Ctrl+Space, OBS kaappaa sen ennen kuin Whisper ehtii kuulla. Tee remapataus. Ja jotkin täysruututilassa olevat pelit (kaikki Unreal Engine -pelit eksklusiivisessa täysruututilassa) nielevät globaalin pikavalintanäppäimen; aja peli reunattomassa ikkunatilassa ja ongelma häviää.

Striimin jälkeiset muistiinpanot

Kolmen rivin muistio tulevalle itsellesi siitä, mikä toimi, mikä ei, ja mikä klippi kannattaa editoida. Useimmat streemarit ohittavat tämän. Useimmat myös ihmettelevät, miksi kanava ei kasva.

Ensimmäinen on OBS. Toinen on transkriptiotyökalu. Kolmas on diktaatiosovellus kuten meidän. Neljäs on se yhdistelmä, joka saa sinut nukkumaan ennen kahta yöllä.

Reaaliaikaiset tekstitykset OBS:ssä: 10 minuutin asennus

Rehellinen tunnustus ensin. Twitchin tavallinen reaaliaikainen tekstitysjärjestelmä ei toimi Whisperin kautta. Se on ratwithacompilerin OBS Closed Captions -plugin, joka käyttää oletuksena Google Speech Recognitionia taustajärjestelmänä. Versio 0.33 julkaistiin 15. lokakuuta 2025, sillä on 1,3k GitHub-tähteä, ja se toimii Windowsilla, macOS:llä ja Linuxilla. Se ei toimi Streamlabs OBS:n kanssa, koska SLOBS ei hyväksy kolmannen osapuolen plugineja.

Tässä on 10 minuutin asennus. Yksikään näistä vaiheista ei vaadi koodaamista.

1. Asenna OBS Studio, jos sinulla ei ole sitä. Plugin toimii vain OBS:ssä, ei SLOBS:ssa.
2. Lataa plugin ratwithacompiler/OBS-captions-plugin GitHub releases -sivulta. Valitse käyttöjärjestelmällesi sopiva asennusohjelma, sulje OBS ensin ja aja asennus.
3. Avaa OBS, mene kohtaan Tools → Closed Captions. Valitse mikrofonilähdesi, yleensä Mic/Aux tai miten olet sen nimennyt.
4. Aseta lähteen kieli. Oletuksena on englanti. Plugin lähettää äänen Googlen ilmaiseen päätepisteeseeen; tarkkuus on hyvä puhtaalla mikrofonijäljellä, mutta takkuaa voimakkaalla taustamusiikilla.
5. Ota tekstitykset käyttöön Twitch-hallintapaneelissasi. Stream Manager → Settings → Stream → Closed Captions -valinta. Twitchin Closed Captions -opas kattaa lähettäjäpuolen, jos tarvitset sitä.
6. Testaa yksityisellä striimillä. Aseta lähetys listaamattomaksi, puhu 30 sekuntia ja tarkista, että CC-painike ilmestyy.

Valmis. Kompromissi: ääni lähtee koneeltasi Googlelle. Jos se rikkoo sopimuksesi yleisösi kanssa, siirry eteenpäin cloud-vs-local-osioon. Whisper ei sovi tähän ketjuun; me olemme diktaatio- ja VOD-kerros sen rinnalla. OBS hoitaa tekstitykset, Whisper pikavalintapohjaisen tekstin. Kaksi työkalua, kaksi tehtävää.

VODien ja klippien transkriboiminen shortseja varten (todellinen ajansäästäjä)

Kolmen tunnin striimi on kolmen tunnin hakuongelma. Tiedät, että hauska hetki tapahtui jossain toisen sub-junan kohdalla, mutta et löydä sitä ilman kelailua. Transkriptio korjaa sen kymmenessä sekunnissa.

Toinen rehellinen tunnustus. Whisper by Remskill ei tänään hyväksy video- tai äänitiedostojen lataamista työpöytäsovelluksessa. Transkriptio toimii pikavalintapohjaisesti live-mikrofonilta ilman raahaa-ja-pudota -toimintoa tai "avaa VOD" -nappia. Jos työnkulkusi on pudota-MP4-saa-transkriptio, emme ole oikea työkalu. Vielä. Kaksi rehellistä vaihtoehtoa:

Vaihtoehto A — loopback-reititysvideosi mikrofonin kautta. Käytä VB-CABLE-ohjelmaa Windowsilla tai BlackHole-ohjelmaa Macilla reitittääksesi VODin äänen takaisin Whisperiin kuin se olisi mikrofoni, ja pidä sitten pikavalintanäppäintä pohjassa toiston aikana. Käsiä vapaana, mutta joudut istumaan toiston ajan. Valitse large-v3 monikielisille striimeille tai distil-large-v3 (Turbo) englanniksi: 6× nopeampi kuin large-v3 ja 99 % tarkkuudesta.

Vaihtoehto B — käytä avoimen lähdekoodin whisper.cpp tai faster-whisper -ohjelmaa. Molemmat hyväksyvät .mp4- ja .wav-tiedostoja komentoriviltä. Hitaampi käyttöönotto, mutta ne käsittelevät töitä eräajona sinun nukkuessasi. Tämä on laillinen "ohita Whisper tässä" -liike: whisper.cpp ja openai/whisper ovat ilmaisia ja hyvin ylläpidettyjä.

Todellinen hyöty tulee jatkokäytössä. Pudota transkriptio ChatGPT:hen ja pyydä kolme parasta klippaamisen arvoista hetkeä, liitä se videoeditoriin tekstitysraitana, ja käytä sitä YouTube-kuvauksena valmiine aikakoodeineen.

Pilvi vai paikallinen: minne striimin äänesi menee

Striimin ääni on arkaluonteista. Vaikka lähetät sen suorana tuhansille ihmisille, ero "tiedämme tallentavamme" ja "millään tavalla asiaan liittymättömällä yhdysvaltalaisella yrityksellä on kopio off-stream-keskustelustani modin kanssa" välillä on todellinen.

Whisper tarjoaa kolme transkriptioväylää, joista voit valita. Oletusta ei ole.

Pilvi (OpenAI, BYOK)

Paras tarkkuus, sisäänrakennettu verkkohaku, tekoälytekstinparannus GPT-5:n avulla. Transkriptio käyttää oletuksena gpt-4o-mini-transcribea tai gpt-4o-transcribea parempaa tarkkuutta varten. Tuot oman OpenAI-avaimen ja maksat OpenAI:lle audiominuuteista. Ääni poistuu laitteeltasi.

Paikallinen — NVIDIA Parakeet

Nopea paikallinen vaihtoehto. ~600 Mt levyllä, 5–10× nopeampi kuin Whisper suorittimella, englanti ja 24 eurooppalaista kieltä ilman kääntämistä englanniksi. Ei aasialaisia kieliä: japanilaiset, korealaiset tai kiinalaiset streemarit eivät voi käyttää Parakeettia.

Paikallinen — Whisper

Hitaampi kuin Parakeet, toimitetaan kahdeksassa malliko'ossa Basesta (~140 Mt) Large v3:een (~3 Gt) asti. Monikieliset variantit kattavat 99 kieltä ja tukevat kääntämistä englanniksi; .en-versiot ovat vain englanniksi ja kielenvalitsin on lukittu.

Jos streimaatja pöytäkoneelta tuoreella suorittimella tai M-sarjan Macilla, kokeile ensin paikallista tilaa. Pilvi on varaventtiili, kun tarvitset kielen, jota Parakeet ei kata, tai haluat OpenAI:n verkkohaun samaan pikavalintaan. Kannettavassasi on jo mikrofoni ja suoritin; se ei tarvitse palvelinta yhtä mod-muistiinpanolausetta varten.

Kokeilin kerran tekstityksiä omaan koodausstriimiin, ja malli automaattikorjasi jokaisen git commit -viestin väärän puutarhatyökalusarjan nimeksi. Siinä hetkessä lopetin live-tekstitysten käyttämisen klipeissä ja aloin putkittaa transkriptiot manuaalisen oikolukuprosessin läpi. Kohtausten välinen diktaatiovirta on pitänyt satoja mod-muistiinpanoja ilman yhtään merkittävää epäonnistumista. Eri tehtävät, eri luotettavuusodotukset.

Milloin Whisper kannattaa jättää sivuun

Rehellinen tilannekuva:

• Haluat vain reaaliaikaiset tekstitykset suoraan lähetykseen. Käytä OBS Closed Captions -pluginia ja se on siinä. Whisper ei ole reaaliaikainen tekstityskone OBS:lle; me olemme sen rinnalla toimiva diktaatiotyökalu.
• Haluat robottimääistä ääntä lukemaan lahjoitusviestejä. Käytä SoundAlerts-palvelua tai StreamElements-palvelua; se on TTS, vastakkainen suunta.
• Tarvitset erätranskription vuosien VOD-tiedostoille. Avoimen lähdekoodin whisper.cpp ja faster-whisper hyväksyvät tiedostoja suoraan eivätkä maksa mitään. Meillä ei vielä ole tiedostonlatauksen käyttöliittymää.
• Streimaatjat Intel Macilla. Whisper by Remskill toimitetaan vain Windows x86_64:lle ja macOS Apple Siliconille; Intel Mac ei ole tuettu. Pelkän pilven palvelut toimivat kuitenkin selaimessa hyvin.

Jos käyttötapauksesi on diktaatio kohtausten välillä, loopbackin kautta hankitut VOD-transkriptiot tai striimin jälkeiset muistiinpanot, se on meidän vahvuusaluettamme. Muualla tällä listalla käytä sitä, mikä sopii.

Suurin osa Twitchin puhe tekstiksi -asennuksesta on putkistoa: OBS-plugin, jonka asennat kerran, loopback-ajuri, jonka olemassaolon unohdat, pikavalintanäppäin, jonka sitot etkä koskaan muuta. Työ tapahtuu toisella puolella. Milloin tekstitykset ovat sen arvoisia, että ääni lähtee koneeltasi? Mikä 60 sekunnin klippi kolmen tunnin striimistä kannattaa irrottaa? Kirjoittaa vai puhua, kun modit pingaavat? Valitse työkalu, joka ei ole tiellä striimin kolmannella tunnilla, koska silloin se ratkaisee.