Narzędzia do transkrypcji AI — bez tajemnic

Narzędzie do transkrypcji AI zamienia mowę w tekst. To cała jego rola.

Odejmij panele i hasła o „konwersacyjnym silniku wiedzy”, a każde narzędzie z tej kategorii robi jedną rzecz: audio na wejściu, tekst na wyjściu. Różnice to wszystko, co owinięte jest wokół tego rdzenia: gdzie działa model, co robi z transkrypcją i ile za to liczy.

Dominują trzy kształty produktów. Notatnik do spotkań dołącza do twojej rozmowy, nagrywa wszystkich i wypluwa podsumowanie z listą zadań. Otter to klasyczny przykład — 300 darmowych minut transkrypcji miesięcznie. Usługa wgrywania plików pozwala wrzucić plik audio i pobrać transkrypcję później. Tu mieszczą się Rev i Sonix, a Rev sprzedaje też ludzkich transkrybentów jako opcję awaryjną o wysokiej dokładności. Narzędzie do dyktowania działa w tle i wkleja tekst tam, gdzie stoi twój kursor, w chwili gdy przestajesz mówić. To właśnie robi Whisper by Remskill: naciskasz globalny skrót klawiszowy, mówisz, a przepisany tekst pojawia się w tej aplikacji, w której już jesteś.

Ta sama leżąca u podstaw rola. Trzy zupełnie różne codzienne doświadczenia. Większość zamieszania w tej kategorii bierze się z porównywania notatnika do spotkań z narzędziem do dyktowania tak, jakby ze sobą konkurowały. Nie konkurują — tak samo jak autobus nie konkuruje z rowerem.

Jak naprawdę działa transkrypcja AI (i gdzie nadal się potyka)

Mechanizm jest prostszy, niż sugeruje marketing. Twój mikrofon rejestruje dźwięk jako falę — strumień liczb opisujących ciśnienie powietrza w czasie. Model dzieli ten strumień na krótkie fragmenty, zamienia każdy fragment w liczbową reprezentację jego cech akustycznych, a następnie przewiduje, token po tokenie, najbardziej prawdopodobną sekwencję tekstu, która wytworzyła te dźwięki. To statystyka na dźwięku, a nie rozumienie znaczenia. Pierwszy tydzień przy tym projekcie spędziłem na rysowaniu schematu w postaci czyściutkich pudełek, zanim choć raz uruchomiłem model. Schemat był błędny już przy drugim commicie. Modelowi mój schemat był obojętny.

Ten szczegół tłumaczy, dlaczego transkrypcja AI potyka się tam, gdzie się potyka. Model przewiduje najbardziej prawdopodobne słowa, a nie poprawne. Podaj mu czystą mowę i wyraźną dykcję, a prawdopodobne i poprawne to jedno i to samo. Podaj mu nakładające się głosy, mocny akcent, który rzadko widywał w treningu, branżowy żargon albo kiepski mikrofon, a oba się rozjeżdżają. Uczciwa wersja, którą podsumowanie AI dla dokładnie tego wyszukiwania mówi wprost, brzmi tak: te narzędzia potrafią zmyślić słowa, których nikt nie wypowiedział, pomylić jednego mówcę z drugim i po cichu przepisać frazę na coś, co czyta się idealnie, a znaczy dokładnie odwrotnie.

Jedna sztuczka z tłumaczeniem warta jest zapamiętania. Wielojęzyczne modele Whisper potrafią transkrybować 99 języków i potrafią przetłumaczyć mowę w języku innym niż angielski na tekst angielski w jednym przebiegu. Warianty modeli tylko po angielsku, kompilacje .en, rezygnują z tego i robią po prostu angielski, co czyni je w tym odrobinę ostrzejszymi. Nic z tego nie wymaga, byś cokolwiek „trenował”. Jeśli jakieś narzędzie wciąż każe ci czytać skrypt kalibracyjny, zanim zadziała, działa na założeniach z 1999 roku.

Jak dokładne to jest naprawdę? Uczciwa odpowiedź.

Uczciwa odpowiedź brzmi: na tyle dokładne, by oszczędzić ci realny czas, ale nie na tyle, by publikować bez czytania. Nasz własny opublikowany zakres dla transkrypcji lokalnej to 95% do 99%, przy czym większe modele lądują wyżej. Ale pojedyncza liczba dokładności sama w sobie jest niemal bez znaczenia, bo liczbą, która naprawdę się liczy, jest ta dla twojego audio: twojego akcentu, twojego pomieszczenia, twojego mikrofonu, twojego słownictwa.

Bądź sceptyczny wobec okrągłych, pozbawionych warunków deklaracji. Strona produktu, która mówi „99% dokładności” bez ani słowa o jakości dźwięku, podaje najlepszy przypadek, a nie obietnicę. Kiedy Rev reklamuje 99%, ta liczba dotyczy jego ludzkich transkrybentów, a nie modelu AI. Wersja marketingowa spłaszcza całą krzywą do jednego pochlebnego punktu.

Oto najtańsza poprawa dokładności, której nikt ci nie sprzedaje: mikrofon. Przejście z wbudowanego mikrofonu laptopa na podstawowy mikrofon USB robi dla twojej transkrypcji więcej niż przeskok z małego modelu na największy. AI nie naprawia złego dźwięku. Po prostu zgaduje z większą pewnością siebie. Spędziłem dwa wieczory na testowaniu największego modelu, jaki mogłem pobrać, zanim zauważyłem, że mówię do zawiasu laptopa z odległości metra; mikrofon za dwanaście dolarów naprawił więcej niż te dodatkowe dwa gigabajty. Wydaj dwadzieścia dolarów na sprzęt, zanim spędzisz wieczór na pobieraniu trzygigabajtowego modelu. Przy ważnej pracy — przeczytaj transkrypcję. Przy wiadomości na Slacku — po prostu ją wyślij.

Lokalnie czy w chmurze: to, dokąd trafia twoje audio, ma znaczenie

To, dokąd trafia twoje audio, jest decyzją, która liczy się najbardziej — i nie ma nic wspólnego z dokładnością.

Narzędzie do transkrypcji w chmurze wysyła twoje audio na serwery jakiejś firmy, uruchamia tam model i odsyła tekst z powrotem. Narzędzie lokalne pobiera model raz i uruchamia go na twoim własnym komputerze. Potem działa offline i nic nie opuszcza twojego komputera. Whisper by Remskill robi jedno i drugie, a przełącznik to jeden klik. W trybie lokalnym audio jest przetwarzane w całości na twoim komputerze i nic nie jest wysyłane na żaden serwer. W trybie chmurowym audio idzie prosto z twojego komputera do OpenAI przez twój własny klucz API, a my nigdy nie stoimy pośrodku.

Postawię tu chorągiewkę, bo strony marketingowe tego nie zrobią: dyktowanie wyłącznie w chmurze to katastrofa prywatności czekająca na transkrypcję. Pewien zespół, z którym kiedyś pracowałem, zlecił podwykonawcy zbudowanie wewnętrznego prototypu dyktowania w chmurowym AI. Wywoływał API dla każdej wypowiedzi, łącznie z nagraniami ze standupów, które przepisywał cztery razy, bo logika „inteligentnego ponawiania” była zbyt agresywna. Menedżer otworzył panel kosztów na koniec kwartału i znalazł pięciocyfrowy rachunek. Naprawą podwykonawcy było „zoptymalizować prompt”. Naprawą dyrektora finansowego było „przestać wysyłać na serwer spotkania, z których już mamy notatki”. Arkusz z pensjami od twojego szefa, e-mail do szkoły twojego dziecka, pismo procesowe, które właśnie redagujesz — nic z tego nie należy do logów jakiegoś dostawcy tylko dlatego, że chciałeś pisać głosem. Twój laptop ma już mikrofon i procesor. Dla większości akapitów nie potrzebuje serwera w pętli. Jeśli chcesz pełnego uzasadnienia, opisaliśmy to w naszym poradniku o zamianie mowy na tekst offline.

Mimo to chmura nie jest czarnym charakterem. To kompromis. Tryb chmurowy daje ci najnowsze modele OpenAI, dostęp do sieci i zerowe obciążenie sprzętu. Lokalny daje prywatność i niezawodność offline. Sens nie polega na tym, że jeden jest słuszny. Chodzi o to, byś wybierał świadomie, a nie odkrywał po fakcie, że twoje nagrania mieszkają na cudzym dysku.

Pozostałe narzędzia, które warto znać

W każdym zestawieniu zobaczysz te same nazwy, a układają się one w wyraźne pasy ruchu.

Uwaga do tego ostatniego wiersza: każde z tych pięciu ma własne ceny i szczegóły językowe, które często się zmieniają, więc nie będę przytaczał liczb, których dziś nie zweryfikowałem na ich własnych stronach. Schemat jednak się trzyma: większość z nich to narzędzia do spotkań lub montażu, a większość pod marką uruchamia model z rodziny Whisper.

Whisper by Remskill stoi w innym pasie ruchu niż wszystkie one. To narzędzie do dyktowania, a nie notatnik do spotkań. Nazwaliśmy się od otwartoźródłowego modelu, który uruchamiamy; jeśli porównywałeś aplikacje do dyktowania działające wyłącznie w chmurze, nasze zestawienie alternatyw dla Otter.ai oraz szerszy poradnik po oprogramowaniu do transkrypcji opisują te pasy ruchu bardziej szczegółowo.

Kiedy w ogóle odpuścić sobie narzędzie do transkrypcji AI

Czasem właściwym narzędziem jest brak narzędzia. Jeśli nagranie ma wysoką wagę i jest prawnie wiążące (zeznanie sądowe, dokumentacja medyczna, regulowane pismo), zapłać człowiekowi. Ludzka usługa Rev istnieje właśnie dlatego, że pięcioprocentowy poziom błędu w umowie to pozew, a nie literówka. A jeśli wszystko, czego potrzebujesz, to 30-słowna odpowiedź tekstowa, dyktowanie wbudowane już w twój telefon lub Maca jest darmowe i w zupełności wystarczy; nie pobieraj niczego. Transkrypcja AI zasługuje na swoje miejsce pośrodku: dłużej niż wiadomość, niższa stawka niż zeznanie, na tyle często, by warto było przypisać skrót klawiszowy. Poza tym pasmem sięgnij po człowieka albo po darmową rzecz, którą masz już na urządzeniu.

Ile to kosztuje

Ceny w tej kategorii sięgają od darmowych po naprawdę drogie, a ten rozrzut mówi ci, co każde narzędzie sprzedaje. Darmowe poziomy są prawdziwe, ale licznikowane — Otter ogranicza swój darmowy plan do 300 minut miesięcznie, Rev darmowy poziom AI do 45 minut, a otwartoźródłowy model Whisper jest darmowy na zawsze, jeśli jesteś gotów uruchomić go samodzielnie. Chmurowe API liczą za minutę, co jest w porządku, dopóki rozhulana pętla ponawiania nie zamieni kwartału w pięciocyfrową fakturę. Whisper by Remskill jest darmowy w całym lokalnym procesie, gdy tylko masz konto, bez potrzeby podawania metody płatności na start; funkcje chmurowe siedzą za Whisper Pro. Dokładne liczby, plany i to, co obejmuje Pro, znajdziesz na stronie z cennikiem — wolałbym, żebyś sprawdził aktualną kwotę, niż zaufał liczbie, którą wpisałem do wpisu na blogu.

Zanim skończysz to czytać, moja córka mogłaby podyktować trzy e-maile i dwa razy zapytać mnie, dlaczego księżyca czasem nie ma. Technologia nie jest już trudną częścią. Jedyny prawdziwy wybór, jaki został, to czy twoje słowa zostaną na twoim komputerze, czy wybiorą się w podróż na cudzy — i to wybór, który warto podjąć, zanim naciśniesz nagrywanie, a nie po.