Speech to text på Twitch, ärligt talat

Speech-to-text, inte text-to-speech — en snabb begreppsförklaring

Snabb begreppsförklaring — STT vs TTS. Om du kom hit för den robotröst som läser upp donationsmeddelanden under din stream är det text-to-speech, inte speech-to-text. Helt olika sak. Testa SoundAlerts, som hanterar TTS för Bits, Tips, Kanalpoäng, Subs, Raids och Hype Trains, med AI-röster på Premium. Eller använd StreamElements, som kör AlertBox TTS med 1000+ röster från Polly, Google, Azure och TikTok, plus skräppostfiltrering. Resten av den här artikeln handlar om det andra: din röst omvandlad till text.

Speech-to-text är din röst som förvandlas till bokstäver på skärmen: textningar, transkript, dikterade meddelanden. Text-to-speech är motsatsen: skrivna meddelanden som läses upp av en syntetisk röst, oftast en donationsavisering.

Hälften av alla Twitch-användare som söker på den här frasen vill ha det andra. Google kan inte avgöra vilket du menade, och det är därför det inte finns någon AI-översikt för den här sökningen — intentionen är för delad. TTS-verktygen ovan hanterar donationsuppläsning. Resten av den här artikeln hanterar din röst omvandlad till text.

Vad streamers faktiskt använder speech-to-text till

Fyra användningsfall som dyker upp om och om igen. De flesta streamers gör ett. De riktigt bra gör alla fyra.

Live-textning för tillgänglighet

En rad text längst ned i sändningen för tittare som är döva, hörselskadade, ser på utan ljud på jobbet, eller inte har svenska som modersmål. Twitch visar en CC-knapp på streams som redan har textning i RTMP-flödet, och ingenting på streams som inte har det. Det är alltså upp till dig.

VOD-transkript för shorts och SEO

Du streamade i tre timmar, bossfighten hände runt tvåtimmarsmarkeringen och du vill ha en 60-sekunders TikTok av det med text på skärmen. Med ett transkript hittar du ögonblicket med ctrl-F istället för att spola.

Diktering mellan scener

Det ingen pratar om — och det jag skulle betala för. Mitt i streamen, händerna på tangentbordet, pingar din mod dig i Discord och frågar om du vill förlänga sub-only-läget inför raiden. Antingen famlar du dig igenom alt-tab medan bossfighten spårar ur, eller trycker du på en tangent, säger meningen och låter den landa i Discord med 145 ord per minut.

Standard-snabbkommandot för Whisper är Ctrl+Space på Windows och Linux, och modifier-only push-to-talk-genvägen command+option på macOS. Båda fungerar överallt där textinmatning fungerar: chatt, Discord, OBS scennamns-fält, ett ursäktande DM klockan ett på natten till tittaren vars namn du uttalade fel. Två streamer-specifika fallgropar: om ditt scenbytes-snabbkommando är Ctrl+Space stjäl OBS det innan Whisper hinner höra det. Mappa om ett av dem. Och vissa fullskärmsspel (allt Unreal-engine i exklusivt fullskärmsläge) slukar det globala snabbkommandot; kör spelet i fönsterläge utan kantlist så löser sig problemet.

Anteckningar efter streamen

Ett memo på tre rader till ditt framtida jag om vad som fungerade, vad som floppade och vilket klipp som är värt att redigera. De flesta streamers hoppar över det. De flesta undrar också varför kanalen inte växer.

Det första är OBS. Det andra är ett transkriptionsverktyg. Det tredje är en dikteringsapp som vår. Det fjärde är vilken kombination som helst som får dig i säng innan klockan två på natten.

Live-textning i OBS: tio-minutersinställningen

Ärlig bekännelse först. Standardinställningen för live-textning på Twitch drivs inte av Whisper. Det är OBS Closed Captions-pluginet av ratwithacompiler, som som standard använder Google Speech Recognition som backend. Version 0.33 lanserades den 15 oktober 2025, har 1,3k GitHub-stjärnor och körs på Windows, macOS och Linux. Det fungerar inte med Streamlabs OBS eftersom SLOBS inte accepterar tredjepartspluginer.

Här är tio-minutersinställningen. Inget av dessa steg kräver kod.

1. Installera OBS Studio om du inte har det. Pluginet fungerar bara med OBS, inte SLOBS.
2. Ladda ner pluginet från ratwithacompiler/OBS-captions-plugin GitHub releases-sida. Välj installationsprogrammet för ditt operativsystem, stäng OBS först och kör det sedan.
3. Öppna OBS, gå till Tools → Closed Captions. Välj din mikrofonkälla — vanligtvis Mic/Aux eller vad du döpte om den till.
4. Ange källspråket. Standard är engelska. Pluginet streamer till Googles kostnadsfria endpoint; noggrannheten är bra för rent mikrofonljud men hackar vid kraftig bakgrundsmusik.
5. Aktivera textning i din Twitch-instrumentpanel. Stream Manager → Settings → Stream → Closed Captions-växel. Twitchs Guide to Closed Captions täcker sändarsidan om du behöver det.
6. Testa med en privat stream. Ställ in sändningen som ej listad, prata i 30 sekunder och kontrollera att CC-knappen visas.

Klart. Avvägningen: ljudet lämnar din dator och går till Google. Om det bryter mot ditt kontrakt med din publik, hoppa framåt till cloud-vs-local. Whisper passar inte in här — vi är diktering-och-VOD-lagret bredvid. OBS hanterar textning, Whisper hanterar snabbkommandodriven text. Två verktyg, två jobb.

Transkribera VOD:ar och klipp för shorts (den verkliga tidsbesparingen)

En tre timmar lång stream är ett tre timmar långt sökproblem. Du vet att det roliga ögonblicket hände någonstans kring det andra sub-tåget — du hittar det bara inte utan att spola. Ett transkript löser det på tio sekunder.

Andra ärliga bekännelsen. Whisper by Remskill accepterar inte uppladdningar av video- eller ljudfiler i skrivbordsappen idag. Transkription styrs av snabbkommando på den live-mikrofon som är aktiv, utan drag-och-släpp och ingen "öppna VOD"-knapp. Om ditt arbetsflöde är att släppa en MP4 och få ett transkript är vi inte rätt verktyg. Än. Två ärliga alternativ:

Alternativ A — loopback:a din VOD genom mikrofonen. Använd VB-CABLE på Windows eller BlackHole på Mac för att dirigera om VOD-ljudet tillbaka till Whisper som om det vore en mikrofon, håll sedan in snabbkommandot medan det spelas. Handsfree — men du sitter igenom uppspelningen. Välj large-v3 för flerspråkiga streams eller distil-large-v3 (Turbo) för engelska: 6× snabbare än large-v3 med 99 % av noggrannheten.

Alternativ B — använd open source-verktyget whisper.cpp eller faster-whisper. Båda accepterar .mp4- och .wav-filer via kommandoraden. Långsammare att sätta upp, men de kör jobb i bakgrunden medan du sover. Det här är det legitima "hoppa över Whisper för det här"-draget: whisper.cpp och openai/whisper är gratis och välunderhållna.

Den verkliga vinsten är i efterledet. Klistra in transkriptet i ChatGPT och be om de tre bästa klippvärda ögonblicken, klistra in det i din videoredigerare som ett textningsspår och använd det som YouTube-beskrivning med tidsstämplar redan på plats.

Cloud vs lokalt: vart ditt streamljud tar vägen

Streamljud är känsligt. Även om du sänder det live till tusentals människor är gapet mellan "vi vet att vi spelar in" och "ett orelaterat amerikanskt bolag har en kopia av mitt samtal med en mod utanför sändningen" verkligt.

Whisper erbjuder tre transkriptionsalternativ och låter dig välja. Det finns inget standardval.

Cloud (OpenAI, BYOK)

Bäst noggrannhet, inbyggd webbsökning, AI-textförbättring via GPT-5. Transkription körs via gpt-4o-mini-transcribe som standard eller gpt-4o-transcribe för högre noggrannhet. Du använder din egna OpenAI-nyckel och betalar OpenAI per minut ljud. Ljudet lämnar din enhet.

Lokalt — NVIDIA Parakeet

Snabbt lokalt alternativ. ~600 MB på disk, 5–10× snabbare än Whisper på CPU, engelska plus 24 europeiska språk utan translate-to-English. Inga asiatiska språk: japanska, koreanska eller kinesiska streamers kan inte använda Parakeet.

Lokalt — Whisper

Långsammare än Parakeet, levereras i åtta modellstorlekar från Base (~140 MB) till Large v3 (~3 GB). Flerspråkiga varianter täcker 99 språk och stöder translate-to-English; .en-versionerna är engelska-only med låst språkväljare.

Om du streamar från ett skrivbord med en modern CPU eller en Mac med M-serie, prova lokalt läge först. Cloud är nödutgången när du behöver ett språk Parakeet inte täcker eller vill ha OpenAI:s webbsökning inbyggd i samma snabbkommando. Din laptop har redan en mikrofon och en CPU — den behöver inte en server i loopen för en enda mening i mod-anteckningarna.

Jag försökte en gång texta min egen kodningsstream och modellen autokorrigerade varje git-commit till fel sorts trädgårdsverktyg. Det var det ögonblicket jag slutade använda live-textning för klipp och började köra transkript via en manuell korrekturläsningsomgång. Diktering-mellan-scener-flödet har fungerat felfritt genom hundratals mod-anteckningar. Olika jobb, olika krav på pålitlighet.

När du ska hoppa över Whisper för det här

Den ärliga matrisen:

• Du vill bara ha live-textning inbränd i sändningen. Använd OBS Closed Captions-pluginet och kalla det klart. Whisper är inte en live-textningsmotor för OBS — vi är dikteringsverktyget bredvid det.
• Du vill ha en robotröst som läser upp donationsmeddelanden. Använd SoundAlerts eller StreamElements — det är TTS, motsatt riktning.
• Du behöver batch-transkribera år av VOD-filer. Open source-verktygen whisper.cpp och faster-whisper accepterar filer direkt och kostar ingenting. Vi har inget filuppladdningsgränssnitt än.
• Du streamar från en Intel Mac. Whisper by Remskill levereras för Windows x86_64 och macOS Apple Silicon; Intel Mac stöds inte. Cloud-baserade tjänster fungerar utmärkt i en webbläsare oavsett.

Om ditt användningsfall är diktering mellan scener, VOD-transkript via loopback eller anteckningar efter streamen — det är vad vi är gjorda för. Allt annat på den här listan: använd det som passar.

Det mesta av speech-to-text-inställningen för Twitch är rörmokeri: ett OBS-plugin du installerar en gång, en loopback-drivrutin du glömmer att den finns och ett snabbkommando du binder och aldrig ändrar. Jobbet händer på andra sidan. När är textning värt att ljudet lämnar din dator? Vilket 60-sekunders klipp från en tre timmars stream är värt att extrahera? Skriva eller prata när modsen pingas? Välj verktyget som inte är i vägen i den tredje timmen av en stream — för det är då det spelar roll.