Transkriptioohjelmistot, selitettynä

Tylsä totuus tarkkuudesta (ja 95%:n ansa)

Jokainen transkriptiotuote internetissä mainostaa tarkkuutta 95–99%:n haarukassa. Notta ilmoittaa 98,86%. Happy Scribe myy 99%:n ihmisillä tehtyä transkriptiotasoa. Meidän oman kotisivun UKK sanoo, että paikallinen tarkkuus "on tyypillisesti 95–99%:n välillä." Nämä numerot eivät ole valheita. Ne ovat väärä numero, esitetty ilman ääntä, jolla niitä on mitattu.

Tässä mitä taustalla oleva tutkimus sanoo. OpenAI:n Whisper large-v3 on malli, jota käytännössä jokainen moderni transkriptiotyökalu joko käyttää, kopioi tai kilpailee vastaan. Se raportoi 7,44%:n keskimääräisen sanavirheasteen (WER) julkisessa Hugging Face ASR -tulostaulussa. LibriSpeech-clean -aineistolla (studio-tason äänikirjaäänitteet) sama malli saavuttaa 2,01% WER. AMI:lla, joka on standardikokouspöytä-vertailuaineisto päällekkäisillä äänillä ja huonolla akustiikalla, sama malli saavuttaa 15,95% WER. Sama malli. Sama viikko. Kahdeksan kertaa enemmän virheitä huonommalla äänellä.

Tuo ero on 95%:n ansa. "95% tarkka" studio-olosuhteissa voi olla 84% tarkka kokouksessa, jonka pomosi piti liikkuvasta autosta. OpenAI:n omassa mallikorteissa sanotaan selvästi: suorituskyky vaihtelee eri kielten välillä, on heikompi vähäresurssisilla kielillä ja vaihtelee aksentin, iän, sukupuolen ja väestöryhmän mukaan. NVIDIA sanoo saman Parakeetista: 1,93% WER LibriSpeech-cleanilla, 11,31% WER AMI:lla.

Kun siis luet tarkkuuslukua markkinointisivulta, kysy kysymys, johon toimittaja ei vastannut. Millä äänellä. Millä mikrofonilla. Millä kielellä. Kuinka monen puhujan puhuessa yhtä aikaa. Jos sivulla ei sanota, oleta, että se on paras tapaus. Oleta sitten, että oma äänesi on huonompi.

Tylsä totuus on, että tärkein parannus, jonka voit tehdä transkriptiotarkkuuteen, on mikrofoni — ei malli.

Tekoälytransskriptio vs. ihmistransskriptio

Maailmassa on nyt kahta transkriptioohjelmistoa. Ne on hinnoiteltu kuin ne olisivat sama asia — ja siinä on noin puolet sekaannuksesta.

Tekoälytransskriptio on halpa ja välitön vaihtoehto. Lataat tiedoston tai diktat suoraan, ja malli palauttaa tekstin sekunneissa. Tarkkuus on jossain 84%:n (huono kokous) ja 98%:n (puhdas äänimuistio) välillä. Happy Scribe veloittaa $0,20 minuutilta täydennysostoista AI-suunnitelmissaan. Oma Cloud-tilaamme laskuttaa noin $0,003 minuutilta suoraan OpenAI:n kautta. Otter, Notta, Trint, Descript, Jamie: jokainen niistä pyörii tekoälyllä konepellin alla, usein samoilla muutamalla mallilla.

Ihmistransskriptio on kallis ja kärsivällinen vaihtoehto. Henkilö kuuntelee ääntäsi ja kirjoittaa sen ylös. Happy Scribessä ihmistaso alkaa $2,00 minuutilta. He mainostavat 99%:n tarkkuutta yli neljän tunnin toimitusajalla. Rev, GoTranscript ja muutama muu ovat suunnilleen samassa hintahaarukassa. Käyttötapaus on aito mutta kapea: tuomioistuintranskriptiot, lääketieteelliset lausunnot — kaikki, missä 92%:n tekoälytuloste, joka sisältää väärän lääkkeen nimen, voi viedä jonkun oikeuteen.

Useimmat tätä lukevat haluavat tekoälyä. Käytä taulukkoa varmistaaksesi.

Virhe, jonka näen ihmisten tekevän, on maksaa ihmistransskriptiosta pelon takia. Eikä sitten lukea tulosta, koska se saapuu kuusi tuntia myöhemmin, kun he ovat jo jatkaneet eteenpäin. Jos vastaus aiotaan joka tapauksessa sivuuttaa tiistaihin mennessä, tekoäly riittää.

Pilvi vs. paikallinen: mihin äänesi menee

Kukaan ei halua lukea tätä osaa, mutta kaikkien pitäisi. Valitset transkriptiotyökalun, ja äänesi (jokainen sana siitä) päätyy jonnekin. Jokin merkitsee.

Pilvitranskriptio tarkoittaa, että äänesi poistuu tietokoneeltasi. Se menee toimittajan palvelimelle, transkriptoidaan mallilla, joka pyörii heidän laitteistollaan, ja teksti (ja yleensä ääni) tallennetaan tarpeeksi pitkäksi aikaa, jotta voit hakea sen. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow: kaikki ovat pilvipalveluita. Samoin oma Cloud-tilamme — yhdellä tärkeällä vivahteella. Cloud-tilassa ääni lähetetään koneeltasi suoraan OpenAI:lle omalla API-avaimellasi. Whisper by Remskill ei ole koskaan välissä, ei näe ääntä, ei näe transkriptioita. Tietojesi toimittaja on yritys, jonka mallin valitsit.

Paikallinen transkriptio tarkoittaa, että ääni ei koskaan poistu kannettavaltasi. Malli pyörii suorittimellasi tai näytönohjaimellasi. Ei verkkoviivettä. Ei toimittajan lokeja. Ei "saatamme käyttää tietojasi palvelumme parantamiseen" -lauseketta. Apple Dictation tekee tämän yleiselle tekstille tuetuilla Maceilla. Omat paikalliset tilat (Parakeet ja Whisper) toimivat Windows- ja Apple Silicon Mac -tietokoneilla. Lähes kukaan muu tässä kategoriassa ei toimita puhtaasti paikallista ratkaisua.

Näin kerran sisäisen tiimin erään yrityksen kokouksissa kerryttävän visinumeroiset pilvi-tekoälylaskut vuosineljänneksessä diktoimalla standup-tallenteet neljä kertaa kukin. Prototyypin "älykäs uudelleenyritys" oli liian aggressiivinen. Talousjohtaja avasi koontinäytön seuraavassa neljännesvuosikatsauksessa. Huoneesta tuli hyvin hiljainen. Pointti ei ole, että pilvi on kallis (se ei yleensä ole, yhden käyttäjän volyymilla). Pointti on, että et aina huomaa, mitä koneeltasi poistuu — kunnes joku pyytää sinua vastaamaan siitä.

Useimmat tekoälydiktaatiosovellukset, joita näet mainostettavan tänään, ovat 30 dollarin kuukausimaksuisia kuoria saman OpenAI Whisper API -kutsun päälle, jonka voisit tehdä itse. He veloittavat pilvilisän ohjelmistosta, joka lähinnä ajaa mallin heidän palvelimellaan ja välittää tuloksen näytöllesi. Tuo malli on ollut saatavilla vuodesta 2022. Kallis osa ei ole tekoäly. Kallis osa on toistuva tilaus. Jos äänesi on arkaluontoinen tai kannettavasi on viimeisen neljän vuoden mallista eikä tee muuta samaan aikaan, paikallinen on rehellinen valinta.

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.

Mitä Whisper by Remskill tekee (ja mitä ei)

Whisper by Remskill on meidän sovelluksemme. Se on työpöytäsovellus (Windows ja Apple Silicon Mac), joka asettaa puheesta tekstiksi -toiminnon pikanäppäimen taakse. Painat pikanäppäintä, puhut, vapautat — ja teksti ilmestyy kursorin kohdalle. Se toimii missä tahansa sovelluksessa: sähköpostissa, Wordissa, Slackissa, koodieditorissa, selaimen osoiterivillä. Paikallinen pipeline on ilmainen kaikille rekisteröityneille käyttäjille (Whisper, Parakeet, Ollama-tekoälytehostus, historia, asetuspohjat, mukautettu pikanäppäin). Maksukorttia ei vaadita rekisteröityessä. Pro lisää pilviominaisuudet.

Toimitamme kolme transkriptioreittiä. Sovellus ei valitse oletusarvoista — sinä valitset:

Oletuspikanäppäin on Ctrl+Space Windowsissa ja Command+Option macOS:llä, molemmat muokattavissa Asetuksista. Oletusarvoinen tekoälyn aktivointisana (kun tekoälykäsittely on päällä) on "Hey whisper". Paikallinen tekoälytehostus kulkee Ollaman kautta osoitteessa localhost:11434. Kolme suorituskykyasetusta (Nopea, Tasapainoinen ja Tarkka) vaihtavat sädehaun kokoa ja äänentoiminnan kynnysarvoja konepellin alla.

Mitä Whisper by Remskill ei tee: kokousrobotit. Emme liity Zoomiin, emme tee siitä yhteenvetoa jälkikäteen, emme jahtaa kalenterikutsuja. Yksi työkalu koneellasi, yksi pikanäppäin, liitä kursoriin. Jos haluat kokouksen muistiinpanoja tekevän työkalun, tarvitset eri kategorian tuotteen. Lue eteenpäin.

Huomio nimistä, koska tämä hämää lähes jokaisen. Whisper-the-OpenAI-model on ilmainen avoimen lähdekoodin puheentunnistusmalli, joka julkaistiin 2022. Whisper by Remskill on meidän työpöytäsovelluksemme, joka käyttää tuota mallia (muiden ohella). Kun joku sanoo verkossa "I use Whisper", puolet tarkoittaa mallia ja puolet tarkoittaa tuotetta. Kannattaa pitää ne erillä arvosteluja lukiessa.

Tallennuksen peittokuva kolmessa tilassa

Pilleri ilmestyy näytön alareunaan aina, kun Whisper on käytössä. Se pysyy huomaamattomana eikä häiritse sovelluksiasi.

Oikean Whisper-mallin valitseminen laitteistollesi

Englanninkieliset versiot (.en) tukevat vain englantia — ne toimivat englanninkielisellä äänellä hieman nopeammin ja hieman tarkemmin kuin monikieliset vastineensa. Valitse monikielinen vain, jos sanelet useammalla kuin yhdellä kielellä tai tarvitset käännöksen englanniksi.

Muut tutustumisen arvoiset työkalut

Törmäät näihin nimiin, jos Googlaat "paras transkriptioohjelmisto". Olen käyttänyt useimpia, ja muutamia pidän käsillä töihin, joihin oma ei sovi.

Kahdeksan työkalua, pyyhkäisty. Lähes kaikki muu tässä kategoriassa on joku näistä yrityksistä uudelleenbrändihenä tai yksi näistä malleista pienemmässä paketissa.

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.

Milloin ohitat jokaisen tämän listan työkalun ja käytät puhelintasi

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.

Jos tehtäväsi on "vastaa viestiin ruokaa laittaessa" tai "kirjoita 60 sanan muistiinpano ennen tämän kokouksen alkua", puhelin on oikea vastaus. Nopeampi kuin kannettavan avaaminen, nopeampi kuin mihinkään kirjautuminen, ei kuukausimaksua. Applen Mac Dictation on myös kokeilemisen arvoinen. Tuetuilla Maceilla se käsittelee yleistekstin laitteella, diktaa niin kauan kuin haluat ilman kiinteää pituusrajaa ja pysähtyy itse 30 sekunnin hiljaisuuden jälkeen. Tuo hiljaisuuden aikakatkaisu on pysyvän "Apple Dictationilla on 30 sekunnin raja" -myytin lähde: se ei ole tallennuksen raja. Apple Dictation kattaa tänään 62 kieli- ja aluevarianttia, mikä on enemmän kuin useimmilla maksullisilla tuotteilla.

Puhelin kaatuu jatkuvassa diktaatiossa työpöytäsovelluksiin. Voit dikata sähköpostin puhelimessa. Voit dikata 12 variantin kylmäpostierän CRM:ään puhelimessa. Vihaset sitä. Silloin työpöytätyökalu ansaitsee paikkansa. Siihen asti puhelin on ilmainen.

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.

Hinnoittelu

Useimmat transkriptiotyökalut haluavat $20–50 kuukaudessa. Me veloitamme vähemmän, ja voit maksaa kerran.

Hinnoittelumaisema tässä kategoriassa jakautuu neljään ämpäriin. Vain tekoälyn tilaustöissä (Otter, Trint, Notta, Descript, Jamie) hinnat ovat $10–50 käyttäjältä kuukaudessa, joskus anteliaalla ilmaisella tasolla tallennusminuuttien rajoittamana. Tekoäly-plus-ihminen -palvelut kuten Happy Scribe lainaukset per minuutti tilauspäälliseksi; ihmistaso yksinään on $1,90–2,00 minuutilta. Pikanäppäindiktaatiotyökalut (Wispr Flow, me) on hinnoiteltu kuin tuottavuusohjelmisto, yksittäiskäyttäjä kuukausittain tai vuosittain, joskus elinkaarivalinnalla. Sitten on ilmainen vaihtoehto: Apple Dictation, Google Voice Typing, puhelimesi sisäänrakennettu näppäimistömikrofoni. Nolla kuukaudessa niin kauan kuin Apple ja Google toimittavat nämä käyttöjärjestelmät.

Rehellinen päätöksääntö ei ole "mikä on halvin". Se on "mikä on toistuva kulu seuraavan kolmen vuoden ajalta sille, mitä oikeasti teen?" $20 kuukaudessa oleva kokoukseen tarkoitettu työkalu, jota käytät kahdesti viikossa, maksaa $720 kolmen vuoden aikana. Kertamaksullinen elinkaaritilaus päivittäin käyttämääsi diktaatiotyökaluun on yksi lasku. Kerro kuukausittainen tottumuksesi 36:lla ennen kuin klikkaat tilaa. Matematiikka on harvoin ystävällinen tilaukselle, jota käytät kerran viikossa.

Nykyiset numeromme (kuukausittain, vuosittain, elinikäinen, tiimi) löytyvät hinnoittelusivulta. En siteeraa niitä tässä, koska ne muuttuvat — ja sivu on totuuden lähde.

Tylsä versio tästä artikkelista on, että tiedät jo mitä tarvitset. Koko päivän kirjoittaminen? Pikanäppäindiktaatiotyökalu, paikallinen tai pilvi. Yksi kokous viikossa? Kokousmuistiinpanotyökalu, kuukausitilaus. Yksittäinen 90 minuutin haastattelu? Maksa $0,20 minuutilta Happy Scribelle ja jatka eteenpäin. Oikeudellinen lausunto? Palkkaa ihminen. Ei-tylsä versio on, että useimmat tässä kategoriassa maksavat väärästä tuotteesta, koska markkinointisivut on kaikki kirjoittanut sama kolme ihmistä. Rehellinen siirto on katsoa, mitä teet tällä viikolla — ei sitä, mitä toivot tekeväsi ensi kuussa — ja valita työkalu, jonka pääotsikko kuvaa juuri sitä. Muu on kohinaa.