Lyd til tekst-konverterer, forklart

En lyd til tekst-konverterer gjør opptak om til ord du kan redigere

Under panseret kjører hver konverterer det samme: en talegjenkjenningsmodell. Den tar lydbølgeformen din og forutsier ordene, én bit av gangen. Modellen er der nøyaktigheten bor. Den store åpne modellen bak mange av disse verktøyene er OpenAIs Whisper, som støtter 99 språk i de flerspråklige variantene. Det samme OpenAI Speech-to-Text API-et eksponerer whisper-1 pluss de nyere modellene gpt-4o-transcribe og gpt-4o-mini-transcribe.

Utdataen er ren, redigerbar tekst. Du kan rette et navn, søke etter en frase, slippe den inn i en e-post. Det er hele poenget. Lyd er vanskelig å skumme, tekst er lett. Whisper produserer den samme redigerbare teksten, men i stedet for å gi deg en nedlasting kan den lime rett inn i hvilken app du nå er i. Appen som er bygget inn ovenfor er det ekte skrivebordsgrensesnittet, ikke en attrapp.

Hvilken modell du velger er nøyaktighetsbeslutningen, og den åpne Whisper-modellen og Google Cloud Speech-to-Text lander på ulike steder; vår sammenligning av Whisper og Google Speech-to-Text setter de to motorene side om side på nøyaktighet, språkdekning, og hvor lyden din havner.

Slik konverterer du en lydfil til tekst i tre trinn

For en innspilt fil er veien kort. De gratis nettkonvertererne staver det ut som last opp, klikk, last ned.

Én hake verdt å kjenne til: sky-API-er har størrelsestak. OpenAIs transkripsjons-endepunkt begrenser opplastinger til 25 MB per forespørsel. Et langt møteopptak i WAV bryter fort gjennom det. Lokal behandling har ingen slik grense utover din egen disk og tålmodighet.

Innspilte filer kontra direkte diktering: hvilken trenger du?

Her er spørsmålet de fleste konvertererside hopper over. Transkriberer du en fil som allerede finnes, eller prøver du å skrive noe nytt med stemmen din?

Hvis du har et opptak (et intervju, en forelesning, en podkast), er en filkonverterer riktig verktøy. Last den opp, få transkripsjonen, gå videre. De tre øverste gratisverktøyene håndterer dette, med daglige minutt-tak på gratisnivået.

Hvis du skriver et nytt utkast til en e-post, et notat eller et dokument, vil du ikke ha en fil i det hele tatt. Du vil at ordene skal dukke opp mens du snakker. Det er diktering, og det er en annen mekanisme. Med Whisper holder du inne en hurtigtast, snakker, og slipper. På Windows er standard Ctrl+Space, og på macOS er det et Command+Option trykk-for-å-snakke-grep (hold begge, slipp en av tastene for å stoppe). Den transkriberte teksten limes inn ved markøren din i hvilken som helst applikasjon. Ingen opplasting, ingen nedlasting, ingen fanebytte. Overlegget ovenfor er det du ser mens den lytter.

De fleste som søker etter en lyd til tekst-konverterer vil ha det første og oppdager at de også ville ha det andre. Du spiller inn færre ting enn du skriver. Jeg brukte to uker i fjor på å lete etter en bedre filkonverterer, da det jeg egentlig trengte var å slutte å skrive svar med én finger om gangen under svømmetreningen til datteren min.

Lokal kontra sky: hvor lyden din blir behandlet (og hvorfor det betyr noe)

Veiskillet som betyr noe kommer her, og det er det de gratis verktøyene er mest tause om. En nettkonverterer behandler lyden din på serverne sine. AudioConvert.ai sier at filer slettes innen 24 timer. HappyScribe og NoteGPT laster også opp til skyen. Det er standard, og for en offentlig podkast er det helt greit.

Nå kommer meningen jeg lovte. Lydkonvertering som kun skjer i skyen er en personvernkatastrofe som venter på å bli transkribert. Et team jeg jobbet med en gang fikk en konsulent til å bygge en intern dikteringsprototype som ringte en sky-AI for hver eneste ytring. Lederen åpnet kostnadsdashbordet ved kvartalsslutt og fant en femsifret regning, det meste fra å transkribere standup-opptak fire ganger om igjen fordi gjenforsøkslogikken var for aggressiv. Finansdirektørens svar var kort: eller så kunne vi la være å betale for å laste opp møter som allerede har referat. Pengene var det lille problemet. Det større var at flere kvartaler med interne samtaler nå lå på noen andres servere.

Whispers lokale modus svarer på det. I lokal modus behandles all lyd på datamaskinen din og ingenting forlater enheten; etter en engangs modellnedlasting (alt fra rundt 140 MB til 3 GB avhengig av modellen) fungerer det fullt ut frakoblet. To motorer kjører på enheten: Whisper-modellene, og NVIDIAs Parakeet, som er 5 til 10 ganger raskere enn Whisper på CPU, men dekker kun engelsk pluss 24 europeiske språk, uten oversettelse til engelsk. Foretrekker du skyen, har Whisper en OpenAI-modus med eget API-nøkkeloppsett som bruker gpt-4o-mini-transcribe eller gpt-4o-transcribe (de samme modellene API-et eksponerer), fakturert direkte av OpenAI, uten påslag fra oss. Poenget er at du velger. De gratis nettverktøyene velger for deg, og svaret er alltid serveren deres. For mer om å holde deg unna skyen helt, se guiden vår til frakoblet tale til tekst.

Velge nøyaktighet: hvilken modell håndterer aksenten og språket ditt

Nøyaktighet er for det meste et modellspørsmål, og modellen er et språkspørsmål. De gratis konvertererne reklamerer med store tall. AudioConvert.ai hevder opptil 99 % nøyaktighet på klar lyd, HappyScribe sier opptil 96 %. Det er markedsføringspåstander fra leverandørene uten noen publisert metode, så behandle dem som brosjyren, ikke målestokken.

Det som flytter nøyaktigheten er å matche modellen til lyden din. Whisper leveres med 8 lokale modeller delt inn i kun-engelsk og flerspråklig. De kun-engelske byggene (Base på ~140 MB opp til Medium på ~1,5 GB) låser språkvelgeren til engelsk og gjør den ene jobben godt. De flerspråklige byggene (Small, Medium, Large v3 på ~3 GB, og en Large v3 Turbo) dekker 99 språk med automatisk gjenkjenning. Blandet ukrainsk-og-engelsk i én setning? Det trenger en flerspråklig modell. En ren engelsk talememo? Den engelske Base-modellen er raskere og lettere.

Den kjedelige sannheten ingen modellside innrømmer: en billig mygg-mikrofon gjør mer for nøyaktigheten enn noen modelloppgradering. Søppel-lyd inn, søppel-tekst ut. Ingen mengde AI fikser et opptak gjort ved siden av en oppvaskmaskin som går. Jeg brukte en helg på å fininnstille modellinnstillinger for å rydde opp i min egen grøtete lyd før jeg innså at problemet var laptop-mikrofonen femten centimeter fra en vifte. Jeg har en mastergrad. Innstillingspanelet ovenfor er der du velger modell og språk.

Når du bør hoppe over en nettkonverterer (og bruke noe annet)

En nettkonverterer er det bedre valget av og til, og jeg vil heller fortelle deg det enn at du skal slåss med feil verktøy. Hvis du har ett kort opptak (et fem minutters intervjuklipp, en enkelt talememo) og du ikke bryr deg om at det er innom en server, gir en gratis konverterer som HappyScribe deg de første 10 minuttene gratis uten kort. Åpne siden, last opp, ferdig. Å installere en skrivebordsapp for det er overkill.

Hopp over nettkonvertereren når en av tre ting stemmer: lyden er sensitiv (medisinsk, juridisk, finansiell), filen er stor nok til å treffe et 25 MB sky-tak, eller du skriver noe nytt i stedet for å transkribere noe gammelt. De to første tilfellene vil ha lokal behandling. Det tredje vil ha diktering, ikke en konverterer i det hele tatt. For møtetranskripsjon med flere talere og sammendrag passer et dedikert verktøy i den kategorien bedre enn begge — det er en annen jobb, dekket i vår oversikt over transkripsjonsprogramvare.

Hva det koster

Whisper er gratis for alle for hele den lokale rørledningen (begge transkripsjonsmotorene, AI-tekstopprydding, historikk, og den egendefinerte hurtigtasten) uten at det trengs noen betalingsmåte for å registrere seg. Sky-flaten med eget API-nøkkeloppsett er det betalte Pro-nivået, og OpenAI fakturerer deg direkte for de faktiske minuttene du transkriberer. De gratis nettkonvertererne i dette søket kjører på et freemium minutt-tak: HappyScribe gir 10 gratis minutter, AudioConvert.ai gir 30 minutter om dagen. Whisper leveres på Windows og macOS på Apple Silicon i dag. For de eksakte plantallene har prissiden dem skriftlig.

De gratis konvertererne er gode på det de gjør — slipp inn en fil, vent, kopier ut teksten. Bruk en til podkastklippet du ikke har noe imot å dele. Men opptakene som betyr mest er som regel de du minst av alt vil laste opp, og det er øyeblikket en konverterer som kjører på din egen laptop slutter å bare være noe fint å ha.