Oprogramowanie do transkrypcji, bez owijania w bawełnę

Nudna prawda o dokładności (i pułapka 95%)

Każdy produkt do transkrypcji w internecie reklamuje dokładność w przedziale 95–99%. Notta chwali się 98,86%. Happy Scribe sprzedaje poziom transkrypcji ludzkiej z 99%. Nasze własne FAQ na stronie głównej mówi, że dokładność w trybie lokalnym „zwykle mieści się między 95% a 99%". Żadna z tych liczb nie jest kłamstwem. To po prostu zła liczba — podana bez informacji o tym, na jakim audio ją zmierzono.

Oto co mówią badania. OpenAI Whisper large-v3 to model, który mniej więcej każde nowoczesne narzędzie do transkrypcji albo używa, albo kopiuje, albo z nim konkuruje. Na publicznej liście rankingowej Hugging Face ASR raportuje średni Word Error Rate na poziomie 7,44%. Na LibriSpeech-clean (nagrania audiobooków o jakości studyjnej) ten sam model osiąga 2,01% WER. Na AMI — standardowym benchmarku z sali konferencyjnej, z nakładającymi się głosami i złą akustyką — ten sam model osiąga 15,95% WER. Ten sam model. Ten sam tydzień. Osiem razy więcej błędów na gorszym audio.

Ta przepaść to właśnie pułapka 95%. „95% dokładności" w warunkach studyjnych może oznaczać 84% dokładności na spotkaniu, które twój szef odbył z jadącego samochodu. Model card OpenAI pisze to wprost: wydajność jest nierówna w różnych językach, niższa w mniej zasobnych, i waha się zależnie od akcentu, wieku, płci i demografii. NVIDIA mówi to samo o Parakeet: 1,93% WER na LibriSpeech-clean, 11,31% WER na AMI.

Kiedy więc czytasz liczbę dokładności na stronie marketingowej, zadaj pytanie, na które dostawca nie odpowiedział. Na jakim audio. Z jakim mikrofonem. W jakim języku. Ile osób mówiło jednocześnie. Jeśli strona tego nie mówi, zakładaj, że to najlepszy możliwy wynik. A potem zakładaj, że twoje prawdziwe audio jest gorsze.

Nudna prawda jest taka, że najważniejsza rzecz, jaką możesz zrobić dla poprawy dokładności transkrypcji, to kupić lepszy mikrofon — nie lepszy model.

Transkrypcja AI kontra transkrypcja ludzka

Na świecie istnieją teraz dwa rodzaje oprogramowania do transkrypcji. Są wycenione tak, jakby były tym samym — i to jest źródłem połowy całego zamieszania.

Transkrypcja AI to ta tania i natychmiastowa. Przesyłasz plik albo dyktujesh na żywo, a model zwraca tekst w ciągu sekund. Dokładność mieści się gdzieś między 84% (złe spotkanie) a 98% (czysty memo głosowy). Happy Scribe pobiera $0,20 za minutę za doładowania w planach AI. Nasz własny tryb Cloud rozlicza cię z OpenAI bezpośrednio za około $0,003 za minutę. Otter, Notta, Trint, Descript, Jamie — każdy z nich pod spodem działa na AI, często na tej samej garści modeli.

Transkrypcja ludzka to ta droga i cierpliwa. Człowiek słucha twojego audio i to wpisuje. Ludzki poziom Happy Scribe zaczyna się od $2,00 za minutę. Reklamują 99% dokładności przy czasie realizacji powyżej czterech godzin. Rev, GoTranscript i kilka innych firm siedzi mniej więcej w tym samym przedziale cenowym. Przypadek użycia jest realny, ale wąski: transkrypty sądowe, zeznania medyczne — wszystko, gdzie 92% wynik AI zawierający błędną nazwę leku może kogoś wpakować w kłopoty prawne.

Większość osób czytających ten tekst chce AI. Skorzystaj z tabeli, żeby się upewnić.

Błąd, który widzę u ludzi, to płacenie za transkrypcję ludzką ze strachu. A potem nieprzeczytanie wyniku, bo pojawia się sześć godzin później, gdy sprawy już poszły do przodu. Jeśli odpowiedź i tak zostanie zignorowana do wtorku, AI w zupełności wystarczy.

Cloud kontra lokalnie: dokąd trafia twoje audio

Nikt nie chce czytać tej części, a każdy powinien. Wybierz narzędzie do transkrypcji i twoje audio (każde słowo) trafi gdzieś. To gdzieś ma znaczenie.

Transkrypcja w chmurze oznacza, że twoje audio opuszcza twój komputer. Trafia na serwer dostawcy, jest transkrybowane przez model działający na ich sprzęcie, a tekst (i zwykle audio) jest przechowywany wystarczająco długo, żebyś mógł je pobrać. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow — wszystkie działają w chmurze. Nasz własny tryb Cloud też, ale z jedną ważną różnicą. W trybie Cloud audio jest przesyłane z twojego komputera bezpośrednio do OpenAI przy użyciu twojego własnego klucza API. Whisper by Remskill nigdy nie jest pośrodku, nigdy nie widzi audio, nigdy nie widzi transkryptów. Dostawcą odpowiedzialnym za twoje dane jest firma, której model wybrałeś.

Transkrypcja lokalna oznacza, że audio nigdy nie opuszcza laptopa. Model działa na twoim CPU lub GPU. Żadnych połączeń sieciowych. Żadnych logów dostawcy. Żadnej klauzuli „możemy używać twoich danych do ulepszania naszych usług". Apple Dictation robi to dla ogólnego tekstu na obsługiwanych Macach. Nasze lokalne tryby (Parakeet i Whisper) działają na Windows i Macach z Apple Silicon. Prawie nikt inny w tej kategorii nie dostarcza czystego rozwiązania lokalnego.

Raz byłem świadkiem, jak wewnętrzny zespół w firmie, z którą pracowałem, nabił pięciocyfrowy rachunek za chmurowe AI w jednym kwartale, dyktując nagrania ze standupów po cztery razy. Prototyp miał zbyt agresywny mechanizm „smart retry". CFO otworzył dashboard podczas kolejnego kwartalnego przeglądu. W sali zrobiło się bardzo cicho. Chodzi nie o to, że chmura jest droga (przy wolumenie jednego użytkownika zwykle nie jest). Chodzi o to, że nie zawsze zauważasz, co opuszcza twój komputer, dopóki ktoś nie poprosi cię, żebyś to rozliczył.

Większość aplikacji do dyktowania AI, które dziś widzisz w reklamach, to nakładki za $30 miesięcznie na to samo wywołanie OpenAI Whisper API, które mógłbyś zrobić sam. Pobierają marżę chmurową za oprogramowanie, które w większości uruchamia model na ich serwerze i przesyła wynik na twój ekran. Ten model jest dostępny od 2022 roku. Droga część to nie AI. Droga część to subskrypcja miesięczna. Jeśli twoje audio jest wrażliwe albo twój laptop pochodzi z ostatnich czterech lat i nie robi nic innego — lokalnie to uczciwy wybór.

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.

Co robi Whisper by Remskill (i czego nie robi)

Whisper by Remskill to nasza aplikacja. To narzędzie desktopowe (Windows i Mac z Apple Silicon), które umieszcza zamianę mowy na tekst pod skrótem klawiszowym. Naciskasz skrót, mówisz, puszczasz — tekst pojawia się w miejscu kursora. Działa w dowolnej aplikacji: e-mail, Word, Slack, edytory kodu, pasek adresu przeglądarki. Lokalny pipeline jest bezpłatny dla każdego zalogowanego użytkownika (Whisper, Parakeet, ulepszanie AI przez Ollama, historia, presety, własny skrót klawiszowy). Karta płatnicza nie jest wymagana przy rejestracji. Pro dodaje funkcje Cloud.

Dostarczamy trzy ścieżki transkrypcji. Aplikacja nie wybiera domyślnej — ty wybierasz:

Domyślny skrót klawiszowy to Ctrl+Space na Windows i Command+Option na macOS, oba konfigurowalne w Ustawieniach. Domyślne słowo aktywujące AI (gdy przetwarzanie AI jest włączone) to „Hey whisper". Lokalny AI działa przez Ollama pod adresem localhost:11434. Trzy presety wydajności (Fast, Balanced i Accurate) zamieniają pod spodem rozmiar wiązki i progi detekcji aktywności głosowej.

Czego Whisper by Remskill nie robi: botów na spotkania. Nie dołączamy do twojego Zooma, nie streszczamy go, nie gonimemy za zaproszeniami z kalendarza. Jedno narzędzie na twoim komputerze, jeden skrót klawiszowy, wklejenie przy kursorze. Jeśli chcesz notatnika ze spotkań, szukasz innej kategorii. Czytaj dalej.

Słówko o nazwach, bo to myli prawie wszystkich. Whisper — model OpenAI — to bezpłatny model rozpoznawania mowy open-source wydany w 2022 roku. Whisper by Remskill to nasza aplikacja desktopowa, która używa tego modelu (między innymi). Gdy ktoś w sieci pisze „używam Whisper", połowa czasu ma na myśli model, a połowa — jakiś produkt. Warto to rozróżniać, czytając recenzje.

Nakładka nagrywania w trzech stanach

Pasek pojawia się na dole ekranu, gdy Whisper jest aktywny. Nie przeszkadza i nie wchodzi w drogę Twoim aplikacjom.

Wybór odpowiedniego modelu Whisper do Twojego sprzętu

Warianty angielskie (.en) obsługują tylko angielski — działają nieco szybciej i nieco dokładniej na angielskim dźwięku niż ich wielojęzyczne odpowiedniki. Wybierz wielojęzyczny tylko wtedy, gdy dyktujesz w więcej niż jednym języku lub potrzebujesz tłumaczenia na angielski.

Inne narzędzia, które warto znać

Na te nazwy natkniesz się, gdy wygooglasz „najlepsze oprogramowanie do transkrypcji". Większości z nich używałem, a kilka trzymam pod ręką na zadania, których nasze narzędzie nie wykonuje.

Osiem narzędzi, przejrzanych. Prawie wszystko inne w tej kategorii to jedna z tych firm pod nową nazwą albo jeden z tych modeli w mniejszym pudełku.

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.

Kiedy pominąć każde narzędzie z tej listy i po prostu użyć telefonu

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.

Jeśli twoja praca to „odpisz na wiadomość podczas gotowania obiadu" albo „napisz 60-słowną notatkę przed tym spotkaniem" — telefon to właściwa odpowiedź. Szybciej niż otwierać laptopa, szybciej niż logować się gdziekolwiek, żadnych miesięcznych opłat. Warto też spojrzeć na Apple Dictation dla Maca. Na obsługiwanych Macach przetwarza ogólny tekst na urządzeniu, dyktuje tak długo, jak chcesz, bez stałego limitu długości, i zatrzymuje się po 30 sekundach ciszy. Ten timeout ciszy to źródło powszechnego mitu „Apple Dictation ma limit 30 sekund" — to nie jest limit nagrywania. Apple Dictation obsługuje dziś 62 warianty językowe i regionalne, co jest więcej niż w większości płatnych produktów.

Telefon zawodzi przy dłuższym dyktowaniu do aplikacji desktopowych. Możesz podyktować e-mail na telefonie. Możesz podyktować serię 12 wersji zimnego e-maila do CRM z telefonu. Nie będziesz z tego zadowolony. Narzędzie desktopowe zarobiło tutaj na swoje miejsce. Do tego czasu telefon jest bezpłatny.

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.

Cennik

Większość narzędzi do transkrypcji chce $20 do $50 miesięcznie. My pobieramy mniej, a można też zapłacić raz.

Krajobraz cenowy w tej kategorii dzieli się na cztery grupy. Narzędzia subskrypcyjne tylko-AI (Otter, Trint, Notta, Descript, Jamie) mieszczą się w przedziale $10 do $50 za użytkownika miesięcznie, czasem z hojnym bezpłatnym poziomem ograniczonym minutami nagrań. Usługi AI-plus-człowiek jak Happy Scribe pobierają za minutę ponad subskrypcję; sam poziom ludzki to $1,90 do $2,00 za minutę. Narzędzia do dyktowania przez skrót klawiszowy (Wispr Flow, my) są wycenione jak oprogramowanie produktywności — miesięcznie lub rocznie dla jednego użytkownika, czasem z opcją dożywotnią. A potem jest opcja bezpłatna: Apple Dictation, Google Voice Typing, wbudowany mikrofon klawiatury w telefonie. Zero miesięcznie, tak długo, jak Apple i Google dostarczają te systemy operacyjne.

Uczciwa zasada decyzji to nie „co jest najtańsze". To „jaki jest powtarzający się koszt przez następne trzy lata za to, co naprawdę robię?". Narzędzie do spotkań za $20 miesięcznie, używane dwa razy w tygodniu, to $720 przez trzy lata. Jednorazowy zakup dożywotni narzędzia do dyktowania, z którego korzystasz każdego dnia, to jeden rachunek. Pomnóż swój miesięczny nawyk przez 36, zanim klikniesz subskrybuj. Matematyka rzadko sprzyja subskrypcji używanej raz w tygodniu.

Nasze aktualne ceny (miesięczna, roczna, dożywotnia, zespołowa) są na stronie z cennikiem. Nie podaję ich tutaj, bo się zmieniają i strona jest źródłem prawdy.strona z cennikiem

Nudna wersja tego artykułu jest taka, że już wiesz, czego potrzebujesz. Piszesz przez cały dzień? Narzędzie do dyktowania przez skrót klawiszowy, lokalnie lub w chmurze. Jedno spotkanie tygodniowo? Notatnik ze spotkań, subskrypcja miesięczna. Jeden 90-minutowy wywiad? Zapłać $0,20 za minutę w Happy Scribe i idź dalej. Protokół sądowy? Zatrudnij człowieka. Mniej nudna wersja jest taka, że większość ludzi w tej kategorii płaci za zły produkt, bo strony marketingowe piszą te same trzy osoby. Uczciwy ruch to spojrzeć na to, co robisz w tym tygodniu — nie na to, co masz nadzieję robić w przyszłym miesiącu — i wybrać narzędzie, którego opis hero dokładnie to opisuje. Reszta to szum.