Transkriberingsprogram, förklarat

Den tråkiga sanningen om noggrannhet (och 95-procentsfällan)

Varje transkriberingsprod­ukt på internet påstår en noggrannhet på 95–99 %. Notta annonserar 98,86 %. Happy Scribe säljer en nivå med 99 % mänsklig transkribering. Vår egen startsidas FAQ säger att lokal­lägets noggrannhet "vanligtvis ligger mellan 95 % och 99 %." Ingen av de siffrorna är lögner. De är fel tal, presenterade utan det ljud de mättes på.

Här är vad den bakomliggande forskningen säger. OpenAI:s Whisper large-v3 är den modell som mer eller mindre varje modernt transkriberings­verktyg antingen använder, kopierar eller konkurrerar mot. Den rapporterar ett genomsnittligt Word Error Rate på 7,44 % på Hugging Face ASR-ledartavlan. På LibriSpeech-clean (studioinspelningar av ljudböcker) träffar samma modell 2,01 % WER. På AMI, standardbenchmarken för mötesrum med överlappande röster och dålig akustik, träffar samma modell 15,95 % WER. Samma modell. Samma vecka. Åtta gånger fler fel på det sämre ljudet.

Det gapet är 95-procentsfällan. "95 % noggrann" i studiomiljö kan vara 84 % noggrann på mötet din chef ringde från en bil i rörelse. OpenAI:s eget modellkort skriver ut detta på klartext: prestandan är ojämn mellan språk, sämre på lågresursspråk och varierar med accent, ålder, kön och demografiska faktorer. NVIDIA säger samma sak om Parakeet: 1,93 % WER på LibriSpeech-clean, 11,31 % WER på AMI.

Så när du läser ett noggrannhetstal på en marknadssida, ställ frågan som leverantören inte besvarade. På vilket ljud. Med vilken mikrofon. På vilket språk. Med hur många talare som pratar i mun på varandra. Om sidan inte säger det, anta att det är bästa-fallets siffra. Anta sedan att ditt verkliga ljud är sämre.

Den tråkiga sanningen är att den viktigaste uppgraderingen du kan göra för din transkriberings­noggrannhet är en mikrofon, inte en modell.

AI-transkribering vs. mänsklig transkribering

Två typer av transkriberingsprogram finns i världen just nu. De är prissatta som om de vore samma sak, vilket är källan till ungefär hälften av förvirringen.

AI-transkribering är den billiga och omedelbara sorten. Du laddar upp en fil, eller dikterar live, och en modell returnerar text på sekunder. Noggrannheten hamnar någonstans mellan 84 % (ett dåligt möte) och 98 % (ett rent röstmemo). Happy Scribe tar ut $0.20 per minut för påfyllning på sina AI-planer. Vårt eget Cloud-läge debiterar dig ungefär $0.003 per minut direkt via OpenAI. Otter, Notta, Trint, Descript, Jamie: var och en av dem kör på AI under huven, ofta samma handfull modeller.

Mänsklig transkribering är den dyra och tåliga sorten. En person lyssnar på ditt ljud och skriver ut det. Happy Scribes mänskliga nivå börjar på $2.00 per minut. De annonserar 99 % noggrannhet med mer än fyra timmars väntetid. Rev, GoTranscript och en handfull andra ligger i ungefär samma prisklass. Användnings­fallet är verkligt men smalt: rättsliga utskrifter, medicinska förhör, allt där en 92 % AI-utskrift med fel läkemedels­namn sätter någon i domstol.

De flesta som läser detta vill ha AI. Använd tabellen för att vara säker.

Misstaget jag ser folk göra är att betala för mänsklig transkribering av rädsla. Sedan aldrig läsa resultatet eftersom det dyker upp sex timmar senare när de redan gått vidare. Om svaret ändå ska ignoreras innan tisdag är AI bra nog.

Cloud vs. lokalt: vart ditt ljud tar vägen

Ingen vill läsa den här delen och alla borde. Välj ett transkriberings­verktyg och ljud av din röst (varje ord) hamnar någonstans. Någonstans spelar roll.

Cloud-transkribering innebär att ditt ljud lämnar din dator. Det går till en leverantörs server, transkriberas av en modell som kör på deras hårdvara, och texten (och vanligtvis ljudet) lagras tillräckligt länge för att du ska kunna hämta det. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow: alla cloud. Det är även vårt eget Cloud-läge, med en viktig skillnad. I Cloud-läge skickas ljudet från din dator direkt till OpenAI med din egen API-nyckel. Whisper by Remskill är aldrig i mitten, ser aldrig ljudet, ser aldrig utskrifterna. Leverantören av dina data är företaget vars modell du valde.

Lokal transkribering innebär att ljudet aldrig lämnar din bärbara dator. Modellen kör på din CPU eller GPU. Ingen nätverksrundtur. Inga leverantörsloggar. Ingen "vi kan använda dina data för att förbättra vår tjänst"-klausul. Apple Dictation gör detta för generell text på kompatibla Macs. Våra egna lokala lägen (Parakeet och Whisper) gör det på Windows och Apple Silicon Macs. Nästan ingen annan i den här kategorin levererar rent lokalt.

Jag bevittnade en gång ett internt team på ett företag jag jobbade med som på ett kvartal byggde upp en femställig cloud-AI-nota genom att diktera standup-inspelningar fyra gånger vardera. Prototypens "smarta återförsök" var för aggressiv. CFO:n öppnade dashboarden under nästa kvartalsgranskning. Det blev väldigt tyst i rummet. Poängen är inte att cloud är dyrt (det brukar det inte vara, i en användares volym). Poängen är att du inte alltid märker vad som lämnar din dator tills någon ber dig redovisa det.

De flesta AI-dikteringsappar som annonseras idag är $30-i-månaden-skal runt samma OpenAI Whisper API-anrop du hade kunnat göra själv. De tar ut cloud-påslaget för programvara som mestadels kör modellen på deras server och vidare­befordrar resultatet till din skärm. Den modellen har funnits sedan 2022. Den dyra delen är inte AI:n. Den dyra delen är den återkommande prenumerationen. Om ditt ljud är känsligt, eller om din bärbara dator är från de senaste fyra åren och inte gör så mycket annat, är lokalt det ärliga valet.

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.

Vad Whisper by Remskill gör (och inte gör)

Whisper by Remskill är vår app. Det är ett skrivbordsverktyg (Windows och Apple Silicon Mac) som lägger tal-till-text bakom en snabbtangent. Du trycker på snabbtangenten, pratar, släpper — och texten dyker upp vid markören. Det fungerar i vilken app som helst: e-post, Word, Slack, kodredigerare, webbläsarens adressfält. Den lokala pipelinen är gratis för alla autentiserade användare (Whisper, Parakeet, Ollama AI-förbättring, historik, förinställningar, anpassad snabbtangent). Inget betalmedel krävs vid registrering. Pro lägger till Cloud-funktioner.

Vi levererar tre transkriberings­vägar. Appen väljer ingen som standard; du väljer:

Standard­snabbtangenten är Ctrl+Space på Windows och Command+Option på macOS, båda anpassningsbara i Inställningar. Standard­nyckelordet för AI-aktivering (när AI-bearbetning är på) är "Hey whisper". Lokal AI-förbättring körs via Ollama på localhost:11434. Tre prestanda­förinställningar (Snabb, Balanserad och Noggrann) byter stråls­törlek och röst­aktivitets­trösklar under huven.

Vad Whisper by Remskill inte gör: mötesbotar. Vi ansluter inte till ditt Zoom, vi sammanfattar det inte efteråt, vi jagar inte kalender­inbjudningar. Ett verktyg på din dator, en snabbtangent, en inklistring vid markören. Om du vill ha en mötesantecknar­app vill du ha en annan kategori. Läs vidare.

En notering om namn, eftersom det snubblar nästan alla. Whisper-the-OpenAI-model är en gratis öppen­källkods-talig­ens­modell som släpptes 2022. Whisper by Remskill är vår skrivbordsapp, som använder den modellen (bland andra). När någon online säger "Jag använder Whisper" menar de hälften av gångerna modellen och hälften av gångerna en produkt. Värt att hålla isär när man läser recensioner.

Inspelningsöverlägget, i tre tillstånd

Pillret visas längst ner på skärmen när Whisper är aktivt. Det är diskret och håller sig borta från dina appar.

Välja rätt Whisper-modell för din hårdvara

De engelska varianterna (.en) stöder bara engelska — de är något snabbare och något mer exakta på engelskt ljud än sina flerspråkiga motsvarigheter. Välj flerspråkig endast om du dikterar på fler än ett språk eller behöver översättning till engelska.

De andra verktygen värda att känna till

Du stöter på dessa namn om du Googlar "bästa transkriberingsprogram". Jag har använt de flesta av dem, och några håller jag tillgängliga för jobb som vårt inte gör.

Åtta verktyg, genomgångna. Nästan allt annat i den här kategorin är ett av dessa företag ombrandade, eller en av dessa modeller i en mindre låda.

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.

När du ska hoppa över alla verktyg på den här listan och bara använda telefonen

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.

Om ditt jobb är "svara på ett SMS medan jag lagar middag" eller "skriva en 60-ords notering innan det här mötet börjar" är telefonen rätt svar. Snabbare än att öppna en bärbar dator, snabbare än att logga in på någonting, ingen månadsavgift. Apples Mac Dictation är också värd att titta på. På kompatibla Macs bearbetar den generell text på enheten, dikterar så länge du vill utan en fast längdgräns, och stannar sig själv efter 30 sekunder av tystnad. Det tystandsavbrottet är källan till den envisa myten "Apple Dictation har en 30-sekunders gräns": det är inte inspelnings­gränsen. Apple Dictation täcker 62 språk- och regional­varianter idag, vilket är mer än de flesta betalda produkter.

Där telefonen faller kort är vid ihållande diktion i skrivbordsappar. Du kan diktera ett e-postmeddelande på telefonen. Du kan diktera ett 12-varianters kallmail-batch till ditt CRM från telefonen. Du kommer att hata det. Ett skrivbordsverktyg tjänar sitt pris där. Tills dess är telefonen gratis.

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.

Prissättning

De flesta transkriberings­verktyg vill ha $20 till $50 i månaden. Vi tar mindre, och du kan betala en gång.

Pris­landskapet i den här kategorin sorteras i fyra hinkar. AI-only prenumerations­verktyg (Otter, Trint, Notta, Descript, Jamie) ligger i $10 till $50 per användare per månad-spannet, ibland med en generös gratisnivå begränsad av inspelnings­minuter. AI-plus-mänskliga tjänster som Happy Scribe offerterar per minut ovanpå en prenumeration; den mänskliga nivån ensam kostar $1.90 till $2.00 per minut. Snabbtangents­dikterings­verktyg (Wispr Flow, vi) prissätts som produktivitets­programvara, enkels­användare månadsvis eller årsvis, ibland med ett livstids­alternativ. Sedan finns det gratisalternativet: Apple Dictation, Google Voice Typing, telefonens inbyggda tangentbordsmikrofon. Noll per månad så länge Apple och Google levererar de operativsystemen.

Den ärliga besluts­regeln är inte "vad är billigast". Det är "vad är den återkommande kostnaden under de nästa tre åren för vad jag faktiskt gör?" Ett $20-i-månaden mötesverktyg du använder två gånger i veckan är $720 under tre år. Ett engångsköp av ett dikterings­verktyg du använder dagligen är en räkning. Multiplicera din månadsvanor med 36 innan du klickar prenumerera. Matematiken är sällan vänlig mot en prenumeration du använder en gång i veckan.

Våra nuvarande siffror (månadsvis, årsvis, livstid, team) finns på prissidan. Jag citerar dem inte här eftersom de ändras och sidan är sanningens källa.

Den tråkiga versionen av den här artikeln är att du redan vet vad du behöver. Ihållande skrivande hela dagen? Ett snabbtangents­dikterings­verktyg, lokalt eller cloud. Ett möte i veckan? En mötesantecknar­app, månads­prenumeration. En enda 90-minuters intervju? Betala $0.20 per minut till Happy Scribe och gå vidare. Ett rättsligt förhör? Anlita en människa. Den icke-tråkiga versionen är att de flesta i den här kategorin betalar för fel produkt eftersom marknads­sidorna alla är skrivna av samma tre personer. Det ärliga draget är att titta på vad du gör den här veckan, inte vad du hoppas att du ska göra nästa månad, och välja verktyget vars hero-text beskriver just det. Resten är brus.