Varför är min diktering så oprecis?

Vad som faktiskt är realistisk träffsäkerhet

Här är siffran som ingen sätter på sin marknadsföringssida. Taligenkänning mäts i ordfelfrekvens, eller WER – andelen ord systemet får fel, räknat som utbyten, bortfall och tillägg jämfört med vad du faktiskt sa. Lägre är bättre. En WER på noll är en perfekt transkribering; ordträffsäkerheten är helt enkelt ett minus WER.

På det rena engelska riktmärket LibriSpeech noterar Whispers medelstora engelska modell omkring 3 % WER – ungefär 97 % träffsäkerhet. Den lilla engelska modellen landar kring 5,1 % WER, ungefär 95 %. Det är siffror för rent ljud: ett tyst rum, en bra mikrofon, en noggrann uppläsare. Verkliga livet lägger till brus, brytningar, korsprat och fackjargong, och vart och ett av dem driver med rätta upp WER.

Så vad är normalt? Omkring 95 % på hyfsat engelskt ljud – ett fel ord på tjugo. Det är inte ett fel. Det är verktyget som fungerar precis som det ska. Om du sitter på 85 % i ett bullrigt kök med en inbyggd laptopmikrofon är programmet inte trasigt – förhållandena ligger under det modellen behöver. Lösningen ligger i förhållandena, inte i en större modell. Sätt ribban vid "en liten rättelse per stycke" så rinner det mesta av ilskan ur upplevelsen.

De fem misstänkta, i sannolikhetsordning

När diktering går fel är orsaken nästan alltid en av fem saker. Gå igenom listan i ordning. De två första fångar de flesta fallen.

1. Språkinställningen. Du talar ett språk; verktyget lyssnar efter ett annat, eller gissar.
2. Mikrofonen. En inbyggd laptopmikrofon en meter bort hör mer av ditt rum än din mun.
3. Rummet. Bakgrundsbrus, en tv, ett ekande kök – modellen transkriberar allt.
4. Modellen. Du valde en som är för tung för din hårdvara, så den är långsam eller hänger sig.
5. Förväntningen. Ljudet är okej och verktyget är okej; du mäter mot 100 %, vilket inget når.

Ett självtest på 60 sekunder: diktera samma två meningar tre gånger – en gång i ett tyst rum nära mikrofonen, en gång på andra sidan rummet, en gång med musik på. Om träffsäkerheten svänger kraftigt mellan tagningarna är ditt problem ljudet (misstänkta 2 och 3), och ingen programändring slår att flytta mikrofonen närmare och stänga dörren. Om det är dåligt redan på den tysta närtagningen, titta på språkinställningen och modellen. Det enda testet sorterar de flesta på en minut.

Orsak 1: fel språkinställning

Det här är tio-sekunders-fixet som ingen kollar först. Om du vet vilket språk du talar, välj det uttryckligen i inställningarna i stället för att låta verktyget stå på autoavkänning. När du ställer in ett specifikt språk slutar verktyget försöka gissa vilket språk det hör och lägger all kraft på att få orden rätt – märkbart snabbare och mer tillförlitligt.

Felmatchningsfällorna är verkliga. Whispers flerspråkiga modeller täcker 99 språk med autoavkänning, men de engelskspråkiga modellerna är låsta till engelska – mata in ett annat språk och du får nonsens. Lokala Parakeet hanterar engelska plus 24 europeiska språk och inget utanför den uppsättningen, så att diktera japanska i den kommer aldrig att fungera hur ren din mikrofon än är. Och om du verkligen växlar språk mitt i en mening vill du ha en flerspråkig Whisper-modell med autoavkänning, inte en engelskspråkig. Matcha inställningen till orden som kommer ur din mun så försvinner en bit av "oprecisionen" innan du rört vid något annat.

Orsak 2: din mikrofon ställer till mer än din brytning

Folk skyller på sin brytning. Det är nästan alltid mikrofonen. I åratal skyllde jag på min – det visade sig att min röst var fin och min gratis-laptopmikrofon var problemet. Här är åsikten jag försvarar: "AI" fixar inte dåligt ljud. En USB-mikrofon för 20 dollar gör mer för träffsäkerheten än någon modelluppgradering – mikrofonen och ett tyst rum är de två största spakarna för träffsäkerhet, före vilken modell du väljer. Lägg pengarna på hårdvara innan du lägger dem på en större nedladdning.

Mekanismen är tråkig och fysisk. En inbyggd laptopmikrofon sitter en halvmeter eller mer från din mun och fångar upp skrivbordet, fläkten och rummet. En headsetbygel eller en USB-mikrofon femton centimeter bort hör din röst och inte mycket annat. Verktyget kan bara transkribera det som når det, och en suddig, avlägsen, brusig signal ger det mindre att arbeta med – så det gissar, och gissningar är hur du får fel ord. Jag tänker inte lära ut hela mikrofon-och-ordförrådsspelboken här; vår djupdykning om diktering som skriver fel ord täcker mikrofonplacering, ingångsförstärkning och eget ordförråd i detalj. För den här artikeln är poängen snävare: om ditt tretagningstest visade att träffsäkerheten rasade på avstånd är det din mikrofon som är misstänkt, inte din röst.

Orsak 3: rummet, inte orden

En mikrofon kan inte sluta höra ett rum. Om det finns en tv på, en diskmaskin igång, ett kontorslandskap bakom dig, eller barn som debatterar reglerna i ett brädspel två meter bort, transkriberar modellen den energin tillsammans med din röst. Den vet inte vilket ljud som var det du menade.

Lösningen är pinsamt lågteknologisk: stäng dörren, stäng av musiken, flytta dig bort från fläkten. Mjuka ytor hjälper – ett rum med matta och gardiner är snällare mot en mikrofon än ett kaklat kök med kala väggar, där din röst studsar och anländer två gånger. Du behöver ingen akustikskumgummi. Du behöver att diskmaskinen blir klar med sin cykel. Jag har dikterat skolmejl medan jag gjort matlådor och modellen hängde med fint – men det beror på att köket var tyst, inte på att programmet är magiskt. I samma sekund som mixern startar sjunker träffsäkerheten, och det är inte en bugg att anmäla.

Orsak 4: modellen passar inte din hårdvara

Det här är den som konkurrenterna behandlar som en svart låda, och den spelar roll. Större är inte alltid bättre. Välj en modell som är för tung för din maskin och den blir långsam, hamnar på efterkälken, och upplevelsen känns trasig även när träffsäkerheten på pappret är fin.

Whisper by Remskill väljer inte modell åt dig. Den visar tre vägar och låter dig välja: Molnläge med din egen OpenAI-nyckel, lokala Parakeet, eller lokala Whisper. Molnläget körs på vilken hårdvara som helst eftersom det bara är ett nätverksanrop. Lokalt handlar matematiken om RAM. På en 8 GB-maskin körs Parakeet (~600 MB), Base-modellen eller Small-modellen bekvämt, medan Medium-modellen kommer att kämpa. De största Whisper-modellerna – Large v3 på ~3 GB, eller Turbo – vill ha 16 GB eller mer och drar mest nytta av ett dedikerat grafikkort. Det flerspråkiga alternativet med bäst träffsäkerhet är Large v3, som stöder 99 språk men behöver det där utrymmet på 16 GB.

Tryck-och-tala-flödet är detsamma oavsett vilken väg du väljer – håll ner snabbtangenten, tala, släpp, och texten klistras in vid markören. Standardsnabbtangenten är Ctrl+Space på Windows och Command+Option-kombinationen på macOS, båda ändringsbara i Inställningar. Osäker på vilken modell som passar din laptop? Vår guide till att välja rätt Whisper-modell kopplar var och en till hårdvaran den behöver. Tumregeln: en modell som passar och körs snabbt slår en större som hackar.

När det verkligen är verktyget som är problemet, och när det bara är fysik

Ibland har du gjort allt rätt – mikrofonen nära, tyst rum, rätt språk, vettig modell – och det är ändå fel ett ord på femton. Det kan vara det verkliga taket. Tunga brytningar modellen sett lite av, tät teknisk fackjargong, två personer som pratar i munnen på varandra, en telefonhögtalare i andra änden – de driver med rätta upp WER, och ingen inställning fixar dem helt. För namn och facktermer låter lokala Whisper och Molnläget dig lägga till en lista med Egna ord som styr igenkänningen mot rätt stavning; Parakeet tar inte emot de tipsen. Men "den lär sig min röst ju mer jag använder den" är en myt från Dragon-eran – modern tal-till-text anpassar sig inte till din individuella röst med tiden, och ingen mängd upprepning tränar den. Spaken är ljudet och inställningarna, inte tålamod.

När du ska hoppa över Whisper för det här

Om allt du gör är att skicka iväg ett sms på 20 ord eller en snabb anteckning, ladda inte ner något. Ditt operativsystem dikterar redan. På en Mac är Apple Dictation inbyggt och gratis – tryck på Mikrofon-tangenten eller kortkommandot, och på system som stöds bearbetas det på enheten. Det stoppar av sig självt efter 30 sekunders tystnad, så det passar korta utbrott bättre än längre texter. I Word gör Microsofts Dictate detsamma med en mikrofon och en internetuppkoppling.

Sträck dig efter ett dedikerat verktyg när du börjar diktera hela stycken, vill att det ska fungera offline, eller behöver träffsäkerhet på namn och jargong som de inbyggda verktygen fumlar med – vår sammanställning av alternativ till Apple Dictation täcker valmöjligheterna. För ett enradssvar är det gratis inbyggda verktyget rätt val.

För det mesta är svaret på "varför är min diktering så oprecis" inte en bekännelse om din röst. Det är en halvmeter avstånd till mikrofonen och en diskmaskin du glömt var igång. Fixa ljudet, ställ in rätt språk, välj en modell din laptop orkar bära, och bedöm den sedan mot 95 %, inte 100 %. Släktingen med Dragon-headsetet slogs mot 1999. Det gör inte du. Du slåss mestadels mot ditt kök.