Gerçek zamanlı transkripsiyon, açıklandı

'Gerçek zaman' aslında ne anlama gelir

"Gerçek zaman" için iki dürüst tanım var ve bu iddiayı taşıyan uygulamalar iki kampa ayrılıyor.

Birincisi sürekli canlı altyazı. Ses hâlâ çalarken transkript kelime kelime ekrana geliyor: bir toplantı, bir ders, bir video. Metni akıtıldığı anda okuyorsunuz. Otter bunu görüşmeler sırasında yapıyor; Zoom ve Google Meet için canlı altyazı sunuyor. Maestra, 125'ten fazla dilde ücretsiz canlı katmanıyla gerçek zamanlı transkripsiyon ve çeviri sunduğunu duyuruyor. Windows 11, yaklaşık 21 dilde cihaz üzerinde ve çevrimdışı çalışan Live Captions özelliğine yerleşik olarak sahip. Bunlar bir akışı izleyip onu sesli anlatıma döküyor.

İkincisi neredeyse anlık dikte. Bir kısayol tuşunu basılı tutarsınız, bir cümle ya da paragraf söylersiniz, bırakırsınız ve tamamlanmış metin imlecin zaten bulunduğu yerde belirir. Akıyan altyazı yok. Bir iki saniyelik kısa bir duraklama, ardından tüm blok yerli yerine oturur. Whisper by Remskill tam olarak bunu yapıyor. Tuş bırakıldığında transkripsiyon yapıp metni imlece yapıştırıyor; mikrofon, bırakmanızdan 500 milisaniye sonrasına kadar açık kalıyor; böylece insanların sondaki kelimelerini yutmasının önüne geçiyor.

Her ikisi de bir insan için önemli anlamda "gerçek zaman" sayılır: bir dosya kaydedip yüklemiyorsunuz ve beklemeniz gerekmiyor. Ama farklı sorunları çözüyorlar. Canlı altyazı bir okuma aracıdır; başkasının konuşmasını tüketiyorsunuzdur. Dikte bir yazma aracıdır; kendi sözlerinizi üretiyorsunuzdur. Bunları karıştırmak, tek satırlık bir e-postayı yanıtlamak için toplantı notu aboneliği ödemekle ya da asla bu iş için yapılmamış bir dikte uygulamasıyla webinar altyazısı çıkarmaya çalışmakla sonuçlanır.

Buraya üçüncü bir şey daha dahil ediliyor ki aslında gerçek zamanlı değil: dosya transkripsiyonu. Bir röportaj kaydediyorsunuz, sesi yüklüyorsunuz ve araç birkaç dakika sonra transkripti geri veriyor. Rev ve Trint gibi araçlar bu tür iş için daha uygun tasarlanmış ve bu farklı bir iş: konuşmayı gerçek zamanlı yakalamak değil, bitmiş bir kaydı düzenlemek. Bunu adlandırmak önemli ki dışarıda bırakabilesiniz. Bir yükleme ilerleme çubuğunu bekliyorsanız, pazarlama ne derse desin, gerçek zamanlı bir uygulama kullanmıyorsunuzdur.

Yani bir kez gördükten sonra kategorinin bir şekli var. Şu an gerçekleşen konuşmayı okumak: canlı altyazı. Şu an söylediğiniz konuşmayı yazmak: dikte. Önceki bir kaydı temizlemek: dosya transkripsiyonu. "Gerçek zamanlı transkripsiyon uygulaması" arama terimi ilk ikisini çarpıştırıyor ve üçüncüsünü kazara içine çekiyor. Kendinizi doğru kategoriye yerleştirmek, herhangi bir şey yüklemeden önce yapabileceğiniz en faydalı şey.

Kısayol tuşuna bas, imlece metin al

İşte başından sonuna dikte döngüsü. Kısayol tuşuna basarsınız: Windows'ta Ctrl+Space, macOS'ta Command+Option birlikte; konuşurken her iki tuşu basılı tuttuğunuz ve durdurmak için birini bıraktığınız bir walkie-talkie tarzı kombinasyon. Konuşursunuz. Bırakırsınız. Küçük bir katman uygulamanın transkripsiyon yaptığını gösterir ve bir iki saniye sonra metin zaten içinde olduğunuz uygulamada yerini alır: e-posta, belge, sohbet kutusu, kod açıklaması.

Geçilecek bir pencere yok. "Transkripsiyon sekmesinden kopyala ve geri yapıştır" yok. Metin imlece gelir çünkü asıl amaç budur. Yazıyordunuz ve şimdi daha hızlı yazıyorsunuz. Yukarıdaki katman ekran görüntüsü değil, canlı uygulama; transkripsiyon durumu, tuşu bırakmanız ile kelimelerin belirmesi arasındaki yarım saniyede gördüğünüz şey.

"Gerçek zaman" neden bir altyazı akışındakinden farklı hissettiriyor? Altyazı, başkasına olduğunu izlediğiniz bir şey. Dikte, kendi cümlenize olan bir şey; söylediğinizin ipliğini kaybetmeyecek kadar hızlı. 500 milisaniyelik kuyruk tamponu bunun için var. İnsanlar bir cümlenin sonunda seslerini düşürür ve tuş bırakıldığı anda mikrofonu kesmek son kelimeyi kırpardı. Küçük bir detay. "Organizasyonu için teşek" ile tam bir cümle arasındaki fark.

Zamanlamanın neden orada durduğunu görmek yardımcı oluyor. Tuşu bıraktığınızda, az önce söylediğiniz ses zaten bellekte yakalanmış. Model, canlı akış üzerinde değil, o kısa klip — bir cümle ya da paragraf — üzerinde çalışır; bu yüzden sonuç kelime kelime kaymak yerine tek tamamlanmış blok olarak gelir. Kısa bir klip işlenmesi hızlıdır; püf nokta bu. Canlı altyazı aracı açık bir akışı çözmeye devam etmek ve daha fazla ses geldikçe revize ettiği kısmi tahminleri göstermek zorundadır. Dikte bunların hepsini atlıyor. Bitirmenizi bekliyor, sonra tek bir temiz geçişte transkripsiyon yapıyor.

Bu tasarım tercihidir akışta kalmanızı sağlayan. Kendi deneyimimde dikteyi bozan şey gecikmedir: aralık bir iki saniyi aştığında, dikkatimin içinde olduğum uygulamaya geri döndüğünü ve yarım bıraktığım cümlenin ipliğini kaybettiğimi fark ediyorum. Bu, döngüyü her gün kullanmaktan gelen bir fikir, yayımlanmış bir teknik özellik değil. Kısa klipler artı hızlı bir yerel motor aralığı kısa tutar. Bu, önem vermeye değer aralık; ve döngünün yazmak gibi hissettirmesinin, yazdırıp bekleme gibi değil, nedeni bu.

Tüm hattın nasıl bir araya geldiğinin daha derin versiyonunu istiyorsanız, Whisper'ın bir tuş basışını yapıştırılan metne nasıl dönüştürdüğü hakkında ayrı bir yazı yazdık. Kısa versiyonu şu: bas, konuş, bırak, bitti.

Parakeet neden en hızlı yerel seçenek

Yerel transkripsiyon eskiden yavaş demekti. NVIDIA'nın Parakeet modeli sahneye çıktığında bu değişti. Whisper uygulamasında Parakeet'in kendi uygulama içi açıklaması "CPU'da Whisper'dan 5-10× daha hızlı" şeklinde; yaklaşık 600 MB disk alanıyla İngilizce ve 24 Avrupa dilini destekliyor. Bu hız, yerel dikteyi kahve molası gibi hissettirmek yerine neredeyse anlık hissettiren şey. Yukarıdaki kısayol döngüsünün ortada bir sunucu olmadan çalışmasının tek nedeni bu.

Tek bir motora bağlı değilsiniz. Whisper by Remskill iki yerel seçenek sunuyor. Parakeet 25 dili destekliyor (İngilizce ve 24 Avrupa dili) ama Asya dilleri yok ve İngilizceye çeviri yok. Faster-whisper motoru daha geniş bir alana kaplıyor: çok dilli yapılar otomatik algılamayla 99 dili kapsarken, .en yapıları daha küçük ve hızlı olmaları karşılığında yalnızca İngilizceyi tek dil olarak destekliyor. Whisper modelleri yaklaşık 140 MB'lık İngilizce Base'den yaklaşık 3 GB'lık çok dilli Large v3'e uzanıyor; arada beklemenin çok azı karşılığında doğruluğun büyük bölümünü isteyenler için yaklaşık 1,62 GB'lık Large v3 Turbo var.

Uygulama sizin için seçim yapmıyor ve bu kasıtlı. Yukarıdaki gömülü içerik gerçek ayarlar yüzeyi. Çoğunlukla İngilizce konuşuyor ve ham hız istiyorsanız Parakeet'i; 99 dil kapsamı veya İngilizceye çeviri gerekiyorsa bir Whisper modeli seçersiniz. İnsanlar için "en iyi" motoru otomatik seçmeye çalışarak utanç verici bir öğleden sonra geçirdim, ta ki doğru olanı bilecek tek kişinin konuşanın kendisi olduğunu kabul edene kadar. Denge gerçek: Parakeet en hızlı ve en küçük, ama Çince, Japonca veya Koreceyi işleyemiyor, çeviri yapamıyor. Çok dilli Whisper yapıları bunların hepsini yapabiliyor, daha büyük model ve klip başına daha uzun bekleme karşılığında. Soyut anlamda hiçbiri "daha iyi" değil; biri sizin ağzınız ve dilleriniz için daha iyi.

Kendi OpenAI anahtarınızı getirdiğiniz bir bulut yolu da var: varsayılan olarak gpt-5-mini tarafından yönetilen metin düzeltmesiyle gpt-4o-mini-transcribe veya gpt-4o-transcribe aracılığıyla transkripsiyon. Bulut internete ihtiyaç duyar; yerel motorlar duymaz. Bulut yolu, başlangıç noktası değil, kaçış kapısıdır. Dört yaşındaki bir dizüstü bilgisayar yerel motorları sorunsuz çalıştırıyorsa — ve çoğu çalıştırır — bir paragraf e-posta için döngüde sunucuya ihtiyacınız olmaz.

Bu kısımla bir süre oturun. Yalnızca buluta dayalı dikte bir gizlilik felaketidir. Patronunuzun maaş tablosu, çocuğunuzun okuluna yazılan e-posta, trende yazılan hukuki özet: sesle yazmak istediğiniz için bunların hiçbiri bir tedarikçinin günlüklerine düşmemeli. Yerel mod cihaz üzerinde çalışır ve tek seferlik model indirmesinden sonra çevrimdışı da çalışır; yerel transkripsiyon sırasında hiçbir şey herhangi bir sunucuya gönderilmez. O finans ekibinin beş haneli çeyreği, kelimelerin binayı terk etmesi nedeniyle yaşandı. Önlenebilirdi.

Daha uzun argümanı istiyorsanız, hiçbir zaman eve telefon etmeyen çevrimdışı konuşmadan metne adına savımız burada.

Toplantılar için canlı altyazı vs. imlecinize dikte

Aracı "gerçek zaman" diye en yüksek sesle bağırana göre değil, ne yaptığınıza göre seçin.

Bir toplantıdaysanız ve konuşmayı gerçek zamanlı kaydetmeniz gerekiyorsa (birden fazla konuşmacı, bir saatlik, sonunda özet) sürekli canlı altyazı istiyorsunuzdur. Bu bir okuma ve kaydetme işidir. Otter, Maestra, Google Meet'in yerleşik altyazıları, Windows 11 Live Captions: bunlar bir akışı takip edip yazar. Windows 11, ekranınızda çalan sesi cihaz üzerinde ve çevrimdışı altyazılar; ama yalnızca okuma amaçlı altyazılar. Kelimeleri üzerinde çalıştığınız uygulamaya yazmaz.

Windows'un bu ayrımı pek çok kişiyi şaşırtıyor. Live Captions, çalan sesi (bir video, bir görüşme, hoparlörlerinizden duyulan bir meslektaşın sesi) okur ve ekranda size gösterir. Yazdığınız belgeye metin koymaz. İşte bu, bir okuma aracıyla bir yazma aracı arasındaki sınır: altta aynı cihaz üzerinde transkripsiyon motoru, ama kelimeler için farklı bir hedef. Biri onları okuduğunuz bir altyazı çubuğuna gönderir. Diğeri yazdığınız imlece gönderir.

Bir e-posta, belge, Slack mesajı, commit notu yazıyorsanız dikte istiyorsunuzdur. Kelimeleri siz üretiyorsunuz, başkasının konuşmasını transkribe etmiyorsunuz. Onları imlece, hızla ve ardından geride bırakmak istiyorsunuz. Bu kısayol döngüsü. Bir canlı altyazı aracı bir anlamda sizi transkribe eder, ama metni kendi penceresine döker ve sizi kopyalayıp yapıştırmakla baş başa bırakır; bu da gelmek istediğiniz hızı boşa çıkarır.

Birkaç somut örnek ayrımı netleştirir. Görüşmeler arasında CRM notları dikteleyen bir satış temsilcisi (elli kelime, bir tuş basışı, otuz saniye) dikte kullanıyor. Sonraki hafta için aranabilir transkript ve eylem öğelerine ihtiyaç duyan haftalık planlama toplantısı yürüten bir ekip canlı altyazı kullanıyor. Doksan dakikalık bir dersi altı yüz kelimelik özete dönüştürmek isteyen bir öğrenci, ders sırasında altyazı istiyor, ardından onu sıkıştıracak bir araç. Öğle kutusu hazırlarken öğretmenin e-postasını yanıtlayan bir ebeveyn dikte istiyor, çünkü bir yanıt yazıyor, mutfağı kaydetmiyor. Aynı kişinin bir günde her ikisine de ihtiyacı olabilir. Yine de iki farklı araç.

Kural şu: konuşmayı izlemek → canlı altyazı; konuşarak yazmak → dikte. Birkaç uygulama çizgiyi bulanıklaştırıyor, ama bu kategorideki hayal kırıklığının büyük kısmı bir toplantı aracını yazma için ya da bir yazma aracını toplantı altyazısı için kullanmaktan geliyor. Whisper yazma kampında yer alıyor: neredeyse anlık, imleç öncelikli, walkie-talkie tarzı. Gmail'de ya da metin alanı olan her yerde dikte ederken döngü aynı.

Bilmeye değer diğer gerçek zamanlı transkripsiyon uygulamaları

Kategori hakkında benim sözüme güvenmek zorunda değilsiniz. İşte ana oyunculara dair dürüst tek satırlık değerlendirmeler; bir karar vermeden önce her birini yerine oturtabilirsiniz.

• Otter Zoom ve Google Meet için canlı altyazılarla toplantı transkripsiyonunu, iOS, Android ve Web'de uygulamaları ve İngilizce, İspanyolca, Fransızca, Almanca, Japonca ve Çincede yapay zeka transkripsiyonunu kapsıyor. Ücretsiz katman, ayda 300 transkripsiyon dakikasıyla sınırlı.
• Maestra 125'ten fazla dilde gerçek zamanlı transkripsiyon ve çeviri, ayrıca altyazı ve seslendirme sunduğunu duyuruyor; şirketin ücretsiz olduğunu söylediği canlı transkripsiyon katmanı var. Altyazı ve başlıklar için tasarlanmış, imleç diktesi için değil.
• Notta Gerçek zamanlı ses ve videodan metne dönüşüm yapıyor ve çeviriyle birlikte 58 dil desteği sunduğunu bildiriyor. Bulut tabanlı bir toplantı ve kayıt aracı.
• Rev ve Trint kendilerini imleç diktesinden çok kayıtlı medya etrafında konumlandırıyor. Rev en çok toplantı ve kayıt transkripsiyonuyla tanınıyor; Trint ise kayıtlı röportajlarla çalışmak için gazetecilik ve haber odası iş akışlarında yaygın olarak kullanılıyor. Her ikisi de okuma ve düzenleme araçları; bir tuşu basılı tut ve uygulamana yaz döngüsü değil.

Deseni fark edin: bunların büyük çoğunluğu bulutta yaşayan toplantı ve kayıt araçları. "Canlı transkripsiyon uygulamaları" piyasasının tamamı bu. İmlecinize dikte kampı — yazma aracı — daha küçük ve sessiz bir kategori; ve bu terimi arayanların çoğunun adını bilmeden ihtiyaç duyduğu kategori bu.

Bunları, uydurulmuş hız veya doğruluk puanları üzerinden değil, doğrulayabildiğiniz konularda yan yana koymak için:

Bu pazarın neden bu şekilde göründüğü bir cümleyi hak ediyor. Para toplantılarda. Bir şirket, her görüşmeyi yakalayıp özetlemek ve eylem öğelerini proje takipçisine iletmek için koltuk başına ödeme yapar. Bu, tekrar eden ve gider yazılabilen bir kalemdir. Sesle kişisel yazım ise değil. Dolayısıyla kategorinin gürültülü, iyi finanse edilen yarısı konferans salonları için yapılmış; tek kişinin e-postasını daha hızlı yanıtlamasına yardımcı olan yarıya ise daha az pazarlama nefesi verilmiş. "Gerçek zamanlı transkripsiyon uygulaması" ifadesi her ikisinin üzerinde oturuyor; bu yüzden insanlar bir yazma aracı ararken toplantı aracına ulaşıyor. Kategoriye göre geniş alanı görmek istiyorsanız, kategoriler genelinde transkripsiyon yazılımı rehberini güncel tutuyoruz.

Whisper'ı bırakıp ne zaman toplantı aracı kullanmalısınız

Doğrudan söyleyeyim, çünkü alternatif size yanlış şeyi satmak. Göreviniz canlı toplantı kaydetmekse (birkaç kişi konuşuyor, bir saatlik, sonunda düzenli özet) bunun için Whisper kullanmayın. Otter'ı kullanın. Bunun için tasarlanmış; Zoom ve Google Meet için canlı altyazıları ve her platformda uygulamaları var, üstelik ücretsiz katmanla ayda 300 dakika deneme yapabilirsiniz. Çok dilli altyazı veya seslendirme için Maestra'nın canlı katmanı 125'ten fazla dili kapsıyor. Windows ekranınızda çalan ses için yalnızca altyazıya ihtiyacınız varsa, Windows 11 Live Captions ücretsiz, cihaz üzerinde ve zaten kurulu. Biz bir yazma aracı yapıyoruz. Bir okuma aracına ihtiyaç duyduğunuzda, bunlar daha iyi seçenekler ve siz doğru olanı kullansanız iyi olur. (Toplantı durumunu yan yana karşılaştırmak için tam bir Otter.ai alternatif karşılaştırması yazdık.)

Fiyatı ne kadar

Whisper by Remskill, kayıtlı her kullanıcıya tüm yerel hatta ücretsiz (Parakeet, tüm Whisper modelleri, cihaz üzerinde yapay zeka düzeltmesi, geçmiş, ön ayarlar, özel kısayol tuşları) ve kayıt sırasında ödeme yöntemi istemeden sunuluyor. Ücretli katman olan Whisper Pro, bulut yüzeyini ekliyor: kendi OpenAI anahtarınızı getirdiğiniz transkripsiyon ve web araması. Tam rakamlar fiyatlandırma sayfasında yer alıyor ve "başlangıç fiyatı" dipnotlarıyla dans etmiyor. Diğerleri için bağlam: Otter'ın ücretsiz katmanı ayda 300 dakikada duruyor, bunun üzerinde ücretli planlar var. Ücretsiz yerel hattın amacı şu: bulutun size bir kuruş değip değmeyeceğine karar vermeden önce hotkey'den konuşmaya, konuşmadan yapıştırmaya kadar tüm yazma döngüsünü test edebilirsiniz.

Bu yazıyı iki kişi okuyacak ve iki farklı uygulama isteyecek. Biri bir standup'a altyazı eklemek üzere. Diğeri okul çıkışından önce, her seferinde bir kısayol tuşuna basarak otuz e-postayı yanıtlamak üzere. Tek hata, her ikisi de kutuda "gerçek zaman" yazdığı için yanlış makineye uzanmak ve üç ay sonra bulut panosunu açıp faturanın nereden geldiğini merak etmek. Ne yaptığınıza göre seçin. Konuşmayı izlemek mi, yoksa yazmak mı. Geri kalan her şey buradan çıkar.