Tale til tekst på Twitch, ærlig talt

Tale til tekst, ikke tekst til tale — rask avklaring

Rask avklaring — STT vs TTS. Hvis du kom hit for å finne den robotstemmen som leser opp donasjonsmeldinger under sendingen, er det tekst til tale, ikke tale til tekst. Helt annet spor. Da vil du heller bruke SoundAlerts, som gjør TTS for Bits, Tips, Channel Points, Subs, Raids og Hype Trains med AI-stemmer på Premium. Eller bruk StreamElements, som kjører AlertBox TTS med 1000+ stemmer fra Polly, Google, Azure og TikTok, pluss anti-spam-moderering. Resten av denne artikkelen handler om det andre: stemmen din til tekst.

Tale til tekst er stemmen din som blir til bokstaver på skjermen: teksting, transkripsjoner, dikterte meldinger. Tekst til tale er motsatt retning: skrevne meldinger lest opp av en syntetisk stemme, vanligvis en donasjonsvarsel.

Halvparten av Twitch-publikummet som søker på denne frasen vil ha det andre. Google kan ikke vite hva du mente, og det er derfor det ikke finnes noen AI Overview for dette søket — intensjonen er for delt. TTS-verktøyene lenket over håndterer donasjonsutroping. Resten av artikkelen handler om stemmen din til tekst.

Hva streamere faktisk bruker tale til tekst til

Fire brukstilfeller som dukker opp igjen og igjen. De fleste streamere gjør ett. De gode gjør alle fire.

Direkteteksting for tilgjengelighet

En tekstlinje nederst i sendingen for seere som er døve, tunghørte, ser uten lyd på jobb, eller fremmedspråklige som leser med. Twitch viser en CC-knapp på sendinger som allerede har teksting i RTMP-strømmen — og ingenting på sendinger som ikke har det. Så dette er ditt ansvar.

VOD-transkripsjoner for shorts og SEO

Du strømmet i tre timer, bossekampen skjedde rundt to-timermerket, og du vil ha en 60-sekunders TikTok av det med tekst på skjermen. Transkripsjonen betyr at du ctrl-F-er øyeblikket i stedet for å spole.

Diktering mellom scener

Det ingen snakker om, og det jeg ville betalt for. Midt i sendingen, hendene på tastaturet, og moden din pinger deg på Discord for å høre om du vil forlenge sub-only-modus for raidet. Du kan enten klusse deg gjennom alt-tabbing mens bossekampen går av skinnene, eller trykke på en tast, si setningen, og la den lande i Discord på 145 ord per minutt.

Standard Whisper-hurtigtast er Ctrl+Space på Windows og Linux, og snarveien command+option for push-to-talk på macOS. Begge fungerer overalt der tekstinndata fungerer: chat, Discord, OBS-scenenavn, en unnskyldnings-DM klokken 01 til seeren du uttrykte feil. To streamer-spesifikke fallgruver: hvis scenebytte-hurtigtasten din er Ctrl+Space, vil OBS stjele den før Whisper hører den. Remap én av dem. Og noen fullskjermspill (alt som kjøres med Unreal-engine i eksklusiv fullskjerm) svelger den globale hurtigtasten — kjør spillet i vindusløs modus og problemet forsvinner.

Notater etter sendingen

Et tre-linjers notat til fremtidig-deg om hva som fungerte, hva som feilet, og hvilken klipp som er verdt å redigere. De fleste streamere hopper over dette. De fleste lurer også på hvorfor kanalen ikke vokser.

Den første er OBS. Den andre er et transkripsjonsverktøy. Den tredje er en dikterings-app som vår. Den fjerde er den kombinasjonen som får deg i seng før to om natten.

Direkteteksting i OBS: 10-minutters oppsettet

Ærlig innrømmelse først. Standard direkteteksting for Twitch er ikke drevet av Whisper. Det er OBS Closed Captions-plugin av ratwithacompiler, som bruker Google Speech Recognition som backend som standard. Versjon 0.33 ble utgitt 15. oktober 2025, har 1,3k GitHub-stjerner og kjører på Windows, macOS og Linux. Det fungerer ikke med Streamlabs OBS fordi SLOBS ikke godtar tredjeparts-plugins.

Her er 10-minutters oppsettet. Ingen av disse trinnene krever kode.

1. Installer OBS Studio hvis du ikke har det. Plugin-en er kun for OBS, ikke SLOBS.
2. Last ned plugin-en fra ratwithacompiler/OBS-captions-plugin GitHub releases-siden. Velg installasjonsprogrammet for operativsystemet ditt, lukk OBS først, og kjør det.
3. Åpne OBS, gå til Verktøy → Closed Captions. Velg mikrofon-kilden din, vanligvis Mic/Aux eller det du omdøpte den til.
4. Sett kildespråket. Standard er engelsk. Plugin-en strømmer til Googles gratis endepunkt — nøyaktigheten er fin for ren mikrofonlyd, men hakker med tung bakgrunnsmusikk.
5. Aktiver teksting i Twitch-dashbordet ditt. Strømstyring → Innstillinger → Strøm → Lukket teksting-bryteren. Twitch sin Guide til lukket teksting dekker kringkastersiden hvis du trenger det.
6. Test på en privat sending. Sett sendingen til uoppført, snakk i 30 sekunder, og sjekk at CC-knappen vises.

Ferdig. Avveiningen: lyden forlater maskinen din og går til Google. Hvis det bryter kontrakten med publikummet ditt, hopp fremover til sky-vs-lokalt. Whisper passer ikke inn her — vi er dikterings- og VOD-laget ved siden av. OBS håndterer teksting, Whisper håndterer hurtigtastdrevet tekst. To verktøy, to jobber.

Transkribering av VOD-er og klipp til shorts (den virkelige tidsbespareren)

En tre-timers sending er et tre-timers søkeproblem. Du vet det morsomme øyeblikket skjedde et sted rundt det andre sub-toget, men du kan ikke finne det uten å spole. En transkripsjon fikser det på ti sekunder.

Andre ærlige innrømmelse. Whisper by Remskill godtar ikke video- eller lydfil-opplastinger i skrivebordsappen i dag. Transkripsjon er hurtigtastdrevet på den aktive mikrofonen, uten dra-og-slipp og ingen "åpne VOD"-knapp. Hvis arbeidsflyten din er slipp-en-MP4-få-et-transkripsjon, er vi ikke verktøyet. Ennå. To ærlige alternativer:

Alternativ A — loopback VOD-en gjennom mikrofonen. Bruk VB-CABLE på Windows eller BlackHole på Mac for å rute VOD-lyden tilbake inn i Whisper som om det var en mikrofon, og hold hurtigtasten mens den spiller. Hendsfri, men du sitter gjennom avspillingen. Velg large-v3 for flerspråklige sendinger eller distil-large-v3 (Turbo) for engelsk: 6× raskere enn large-v3 med 99 % av nøyaktigheten.

Alternativ B — bruk åpen kildekode-whisper.cpp eller faster-whisper. Begge godtar .mp4- og .wav-filer via kommandolinjen. Tregere oppsett, men de håndterer jobber mens du sover. Dette er det legitime «hopp over Whisper for dette»-trekket: whisper.cpp og openai/whisper er gratis og godt vedlikeholdt.

Den virkelige gevinsten er nedstrøms. Slipp transkripsjonen inn i ChatGPT og be om de tre beste klipp-verdige øyeblikkene, lim den inn i videoredigereren som et tekstspor, og bruk den som YouTube-beskrivelse med tidsstempler allerede på plass.

Sky vs lokalt: dit sendinglyd-en din går

Sendinglyd er sensitiv. Selv om du sender den direkte til tusenvis av mennesker, er gapet mellom «vi vet at vi blir tatt opp» og «et ikke-relatert amerikansk selskap har en kopi av off-stream-samtalen min med en mod» reelt.

Whisper tilbyr tre transkripsjonsveier og lar deg velge. Det finnes ingen standard.

Sky (OpenAI, BYOK)

Best nøyaktighet, nettsøk innebygd, AI-tekstforbedring via GPT-5. Transkripsjon kjøres med gpt-4o-mini-transcribe som standard eller gpt-4o-transcribe for høyere nøyaktighet. Du tar med din egen OpenAI-nøkkel og betaler OpenAI per minutt lyd. Lyden forlater enheten din.

Lokalt — NVIDIA Parakeet

Raskt lokalt alternativ. ~600 MB på disk, 5–10× raskere enn Whisper på CPU, engelsk pluss 24 europeiske språk uten oversettelse-til-engelsk. Ingen asiatiske språk: japanske, koreanske eller kinesiske streamere kan ikke bruke Parakeet.

Lokalt — Whisper

Tregere enn Parakeet, leveres i åtte modellstørrelser fra Base (~140 MB) til Large v3 (~3 GB). Flerspråklige varianter dekker 99 språk og støtter oversettelse til engelsk — .en-byggene er kun for engelsk med språkvelgeren låst.

Hvis du strømmer fra en stasjonær med en nyere CPU eller en Mac med M-serie, prøv lokal modus først. Sky er nødutgangen når du trenger et språk Parakeet ikke dekker, eller du vil ha OpenAIs nettsøk innebygd i samme hurtigtast. Den bærbare maskinen din har allerede en mikrofon og en CPU — den trenger ikke en server i løkka for én setning mod-notat.

Jeg prøvde en gang å tekste min egen kode-sending og modellen autokorrigerte hvert git commit til feil type hageverktøy. Det var øyeblikket jeg sluttet å bruke direkteteksting for klipp og begynte å kjøre transkripsjoner gjennom en manuell korrekturlesingsrunde. Diktering-mellom-scener-flyten har holdt seg gjennom hundrevis av mod-notater uten noe meningsfylt feil. Ulike jobber, ulike krav til pålitelighet.

Når du bør hoppe over Whisper for dette

Den ærlige matrisen:

• Du vil bare ha direkteteksting brent inn i sendingen. Bruk OBS Closed Captions-plugin og kall det gjort. Whisper er ikke en direktetekstingsmotor for OBS — vi er dikterings-verktøyet ved siden av.
• Du vil ha en robotstemme som leser opp donasjonsmeldinger. Bruk SoundAlerts eller StreamElements — det er TTS, motsatt retning.
• Du trenger batch-transkripsjon av årevis med VOD-filer. Åpen kildekode whisper.cpp eller faster-whisper godtar filer direkte og koster ingenting. Vi har ikke et fil-opplastings-brukergrensesnitt ennå.
• Du strømmer fra en Intel Mac. Whisper by Remskill leveres for Windows x86_64 og macOS Apple Silicon; Intel Mac støttes ikke. Skybaserte tjenester fungerer fint i en nettleser uansett.

Hvis brukstilfellet ditt er diktering mellom scener, VOD-transkripsjoner via loopback, eller notater etter sendingen — det er vår greie. Alle andre steder på denne listen: bruk det som passer.

Det meste av tale til tekst-oppsettet for Twitch er rørleggerarbeid: et OBS-plugin du installerer én gang, en loopback-driver du glemmer eksisterer, en hurtigtast du binder og aldri endrer. Arbeidet skjer på den andre siden. Når er teksting verdt at lyden forlater maskinen din? Hvilken 60-sekunders klipp fra en tre-timers sending er verdt å hente ut? Skriv eller snakk når mods pinger? Velg verktøyet som ikke kommer i veien i time tre av en sending — for da er det det teller.