AI-transkripsjonsverktøy, forklart

Et AI-transkripsjonsverktøy gjør tale om til tekst. Det er hele jobben.

Fjern alle dashbordene og merkevarebyggingen om en "samtalebasert kunnskapsmotor", og hvert verktøy i denne kategorien gjør én ting: lyd inn, tekst ut. Forskjellene er alt som er pakket rundt den kjernen: hvor modellen kjører, hva den gjør med transkripsjonen, og hvor mye den koster å bruke.

Tre produktformer dominerer. Møtenotat-verktøyet blir med på samtalen din, tar opp alle og spytter ut et sammendrag med oppgaver. Otter er det typiske eksempelet, med 300 gratis transkripsjonsminutter i måneden. Filopplastingstjenesten lar deg legge inn en lydfil og laste ned en transkripsjon senere. Rev og Sonix hører hjemme her, og Rev selger også menneskelige transkriptører som det nøyaktige reservealternativet. Dikteringsverktøyet sitter i bakgrunnen og limer inn tekst der markøren din står i det øyeblikket du slutter å snakke. Det siste er det Whisper by Remskill gjør: trykk på en global hurtigtast, snakk, og den transkriberte teksten dukker opp i den appen du allerede er i.

Samme grunnleggende jobb. Tre helt forskjellige hverdagsopplevelser. Det meste av forvirringen i denne kategorien kommer av at folk sammenligner et møtenotat-verktøy med et dikteringsverktøy som om de konkurrerte. Det gjør de ikke, like lite som en buss konkurrerer med en sykkel.

Hvordan AI-transkripsjon faktisk fungerer (og hvor det fortsatt snubler)

Mekanismen er enklere enn merkevarebyggingen antyder. Mikrofonen din fanger lyd som en bølgeform, en strøm av tall som beskriver lufttrykk over tid. Modellen deler den strømmen opp i korte biter, gjør hver bit om til en numerisk representasjon av de akustiske egenskapene, og forutsier deretter, token for token, den mest sannsynlige sekvensen av tekst som produserte de lydene. Den driver med statistikk på lyd, ikke med å forstå mening. Jeg brukte min første uke på dette prosjektet på å tegne prosessen som et ryddig boksdiagram før jeg hadde kjørt modellen en eneste gang. Diagrammet var feil allerede ved den andre commit-en. Modellen brydde seg ikke om diagrammet mitt.

Den detaljen er grunnen til at AI-transkripsjon snubler der den gjør. Modellen forutsier de mest sannsynlige ordene, ikke de riktige. Mat den med ren tale og tydelig diksjon, og sannsynlig og riktig er det samme. Mat den med folk som snakker i munnen på hverandre, en kraftig dialekt den sjelden så i treningen, fagsjargong eller en dårlig mikrofon, og de to spriker. Den ærlige versjonen, som AI-oversikten på akkurat dette søket sier rett ut, er at disse verktøyene kan hallusinere ord som aldri ble sagt, forveksle en taler med en annen, og i det stille feiltranskribere en setning til noe som leses perfekt og betyr det motsatte.

Ett oversettelsestriks er verdt å kjenne til. De flerspråklige Whisper-modellene kan transkribere 99 språk, og de kan oversette ikke-engelsk tale til engelsk tekst i ett jafs. De engelskspråklige modellvariantene, .en-byggene, dropper det og gjør bare engelsk, noe som gjør dem litt skarpere på akkurat det. Ingenting av dette krever at du "trener" noe som helst. Hvis et verktøy fortsatt ber deg lese et kalibreringsmanus før det virker, kjører det på antagelser fra 1999.

Hvor nøyaktig er det egentlig? Det ærlige svaret.

Det ærlige svaret er: nøyaktig nok til å spare deg for reell tid, ikke nøyaktig nok til å publisere ulest. Vårt eget oppgitte intervall for lokal transkripsjon er 95 % til 99 %, der de større modellene havner høyest. Men ett enkelt nøyaktighetstall er nesten meningsløst alene, fordi tallet som betyr noe, er det for din lyd: din dialekt, ditt rom, din mikrofon, ditt vokabular.

Vær skeptisk til de runde påstandene uten forbehold. En produktside som sier "99 % nøyaktighet" uten å nevne lydkvalitet, oppgir et beste tilfelle, ikke et løfte. Når Rev reklamerer med 99 %, er det tallet knyttet til deres menneskelige transkriptører, ikke til AI-modellen deres. Markedsføringsversjonen flater en kurve ut til ett enkelt flatterende punkt.

Her er den billigste nøyaktighetsoppgraderingen ingen prøver å selge deg: en mikrofon. Å gå fra en innebygd laptop-mikrofon til en enkel USB-mikrofon gjør mer for transkripsjonen din enn å hoppe fra en liten modell til den aller største. AI fikser ikke dårlig lyd. Den gjetter bare mer selvsikkert. Jeg brukte to kvelder på å teste den største modellen jeg kunne laste ned, før jeg merket at jeg snakket inn i et laptop-hengsel fra en meters avstand; en mikrofon til $12 fikset mer enn de ekstra to gigabytene gjorde. Bruk de $20 på maskinvare før du bruker en kveld på å laste ned en tre-gigabytes modell. For arbeid med høy innsats: les transkripsjonen. For en Slack-melding: send den.

Lokalt vs. sky: hvor lyden din havner betyr noe

Hvor lyden din havner er beslutningen som betyr mest, og den har ingenting med nøyaktighet å gjøre.

Et sky-transkripsjonsverktøy sender lyden din til en bedrifts servere, kjører modellen der og sender teksten tilbake. Et lokalt verktøy laster ned modellen én gang og kjører den på din egen maskin. Etter det fungerer det frakoblet, og ingenting forlater datamaskinen din. Whisper by Remskill gjør begge deler, og bryteren er én eneste vending. I lokal modus behandles lyden i sin helhet på din egen maskin, og ingenting sendes til noen server. I skymodus går lyden rett fra datamaskinen din til OpenAI via din egen API-nøkkel, og vi er aldri mellomledd.

Jeg planter et flagg her, for markedsføringssidene gjør det ikke: diktering kun i skyen er en personvernkatastrofe som venter på å bli transkribert. Et team jeg jobbet med, fikk en gang en konsulent til å bygge en intern prototype for AI-diktering i skyen. Den kalte API-et for hvert eneste ytringsforsøk, inkludert standup-opptak som den retranskriberte fire ganger fordi logikken for "smart gjentakelse" var altfor aggressiv. Lederen åpnet kostnadsdashbordet ved kvartalsslutt og fant en regning på fem sifre. Konsulentens løsning var "optimaliser prompten." Økonomisjefens løsning var "slutt å sende møter vi allerede har notater fra, til en server." Sjefens lønnsregneark, e-posten til barnets skole, det juridiske notatet du holder på å skrive — ingenting av det hører hjemme i en leverandørs logger bare fordi du ville skrive med stemmen. Laptopen din har allerede en mikrofon og en CPU. For de fleste avsnitt trenger den ikke en server i løkka. Vil du ha hele resonnementet, har vi skrevet det opp i guiden vår til frakoblet tale til tekst.

Når det er sagt, er ikke skyen ond. Det er en avveining. Skymodus gir deg de nyeste OpenAI-modellene, nettilgang og null maskinvarebelastning. Lokalt gir deg personvern og frakoblet pålitelighet. Poenget er ikke at det ene er riktig. Poenget er at du bør velge med vilje, og ikke i ettertid oppdage at opptakene dine ligger på noen andres harddisk.

De andre verktøyene det er verdt å kjenne til

Du vil se de samme navnene i hver oppsummering, og de faller i tydelige baner.

En kommentar til den siste raden: disse fem har hver sin prising og sine språkdetaljer som endrer seg ofte, så jeg vil ikke oppgi tall jeg ikke har verifisert mot deres egne sider i dag. Mønsteret holder likevel: de fleste av disse er møte- eller redigeringsverktøy, og de fleste kjører en modell fra Whisper-familien bak merkevaren.

Whisper by Remskill sitter i en annen bane enn alle disse. Det er et dikteringsverktøy, ikke et møtenotat-verktøy. Vi oppkalte oss etter den åpne kildekode-modellen vi kjører; hvis du har sammenlignet dikteringsappene som kun kjører i skyen, dekker vår gjennomgang av Otter.ai-alternativer og den bredere guiden til transkripsjonsprogramvare banene i mer detalj.

Når du bør droppe et AI-transkripsjonsverktøy helt

Noen ganger er det riktige verktøyet ikke noe verktøy. Hvis lyden har høy innsats og er juridisk bindende (en rettslig forklaring, en pasientjournal, en regulert innsendelse), betal et menneske. Revs menneskelige tjeneste finnes nettopp fordi en feilrate på fem prosent på en kontrakt er et søksmål, ikke en skrivefeil. Og hvis alt du trenger er et tekstsvar på 30 ord, er dikteringen som allerede er innebygd i telefonen eller Mac-en din, gratis og helt fin; ikke last ned noe som helst. AI-transkripsjon gjør seg fortjent til plassen sin i midten: lengre enn en tekstmelding, lavere innsats enn en forklaring, ofte nok til å være verdt en hurtigtast. Utenfor det båndet bør du strekke deg etter et menneske eller etter den gratis tingen du allerede har på enheten din.

Hva det koster

Prisingen i denne kategorien strekker seg fra gratis til genuint dyrt, og spennet forteller deg hva hvert verktøy selger. Gratisnivåene er reelle, men målt — Otter setter taket for gratisplanen sin på 300 minutter i måneden, Revs gratis AI-nivå på 45 minutter, og åpen kildekode-modellen Whisper er gratis for alltid hvis du er villig til å kjøre den selv. Sky-API-er tar betalt per minutt, noe som går fint helt til en løpsk gjentakelsesløkke gjør et kvartal om til en regning på fem sifre. Whisper by Remskill er gratis for hele den lokale prosessen så snart du har en konto, uten at du trenger en betalingsmåte for å komme i gang; skyfunksjonene ligger bak Whisper Pro. De nøyaktige tallene, planene og hva Pro inneholder, finner du på prissiden — jeg vil heller at du sjekker det levende tallet enn at du stoler på et tall jeg har tastet inn i et blogginnlegg.

Innen du er ferdig med å lese dette, kunne datteren min ha diktert tre e-poster og spurt meg to ganger hvorfor månen noen ganger ikke er der. Teknologien er ikke lenger den vanskelige delen. Det eneste reelle valget som gjenstår, er om ordene dine blir værende på din maskin eller tar seg en tur til noen andres — og det er et valg verdt å ta før du trykker på opptak, ikke etterpå.