Transkripsiyon yazılımı, açıklaması

Doğrulukla ilgili sıkıcı gerçek (ve %95 tuzağı)

İnternetteki her transkripsiyon ürünü %95–99 aralığında doğruluk iddiasında bulunuyor. Notta %98,86 reklamını yapıyor. Happy Scribe %99 insan transkripsiyon kademesi satıyor. Bizim ana sayfamızdaki SSS de yerel mod doğruluğunun "genellikle %95 ile %99 arasında değiştiğini" söylüyor. Bu rakamların hiçbiri yalan değil. Bunlar, ölçüldükleri ses olmadan sunulan yanlış rakamlardır.

Temel araştırmaların söylediği şey şu. OpenAI'nin Whisper large-v3'ü, modern transkripsiyon araçlarının çoğunun ya kullandığı ya kopyaladığı ya da karşı rekabet ettiği model. Kamuya açık Hugging Face ASR sıralamasında ortalama Kelime Hata Oranı %7,44 olarak raporlanıyor. Aynı model, stüdyo kalitesinde sesli kitap kayıtlarından oluşan LibriSpeech-clean'de %2,01 WER'e ulaşıyor. Çakışan sesler ve kötü akustikle standart toplantı odası karşılaştırma ölçütü olan AMI'de ise aynı model %15,95 WER'e geliyor. Aynı model. Aynı hafta. Daha kötü ses ortamında sekiz kat daha fazla hata.

Bu fark, %95 tuzağıdır. Stüdyo koşullarında "%95 doğru" demek, patronunun hareket halindeki bir arabayla açtığı toplantıda %84 doğru anlamına gelebilir. OpenAI'nin kendi model kartı bunu açıkça belirtiyor: performans diller arasında eşit değil, düşük kaynaklı dillerde daha zayıf, aksan, yaş, cinsiyet ve demografiye göre değişiyor. NVIDIA da Parakeet için aynı şeyi söylüyor: LibriSpeech-clean'de %1,93 WER, AMI'de %11,31 WER.

Yani bir pazarlama sayfasında doğruluk rakamı gördüğünde, o satıcının yanıtlamadığı soruyu sor. Hangi ses ortamında. Hangi mikrofonla. Hangi dilde. Birbirinin üstüne kaç konuşmacı. Sayfa bunu belirtmiyorsa, en iyi durum rakamı olduğunu varsay. Sonra da kendi gerçek sesinin daha kötü olduğunu kabul et.

Sıkıcı gerçek şu: transkripsiyon doğruluğunda yapabileceğin en önemli yükseltme bir modeldir değil, bir mikrofondur.

Yapay zeka transkripsiyon vs. insan transkripsiyon

Şu anda dünyada iki tür transkripsiyon yazılımı var. İkisi de aynı şeymiş gibi fiyatlandırılıyor ve bu, kafa karışıklığının yarısının kaynağı.

Yapay zeka transkripsiyon ucuz ve anlık olandır. Bir dosya yüklersin ya da canlı dikte edersin ve model saniyeler içinde metin döndürür. Doğruluk, kötü bir toplantıda %84 ile temiz bir sesli notta %98 arasında değişir. Happy Scribe, AI planlarındaki ek kullanımlar için dakika başına $0,20 alıyor. Bizim Bulut modumuz sana OpenAI üzerinden doğrudan dakika başına yaklaşık $0,003 faturalandırıyor. Otter, Notta, Trint, Descript, Jamie: hepsi aslında AI kullanıyor ve çoğunlukla aynı birkaç model.

İnsan transkripsiyon pahalı ve sabırlı olandır. Bir kişi sesinizi dinler ve yazar. Happy Scribe'ın insan kademesi dakika başına $2,00'dan başlıyor. Dört saat veya daha fazla bekleme süresinde %99 doğruluk reklamı yapıyorlar. Rev, GoTranscript ve bir avuç diğeri aşağı yukarı aynı fiyat bandında. Kullanım alanı gerçek ama dar: mahkeme transkriptleri, tıbbi ifadeler, yanlış ilaç adı içeren %92'lik bir AI çıktısının birini mahkemeye taşıyacağı her şey.

Bunu okuyan kişilerin çoğu AI istiyor. Hangisini seçmen gerektiğinden emin olmak için tabloya bak.

İnsanların yaptığı hatayı izliyorum: korkudan insan transkripsiyonu için ödüyorlar. Sonra da altı saat sonra geldiğinde okumuyorlar çünkü çoktan ilerlemiş durumdalar. Cevabı Salı günü kimse okumayacaksa AI yeterlidir.

Bulut vs. yerel: sesin nereye gidiyor

Kimse bu kısmı okumak istemiyor ama herkes okumalı. Bir transkripsiyon aracı seç ve sesinin (her kelimesinin) bir yere gittiğini görürsün. Nereye gittiği önemli.

Bulut transkripsiyonu sesin bilgisayarından çıkması demek. Bir satıcının sunucusuna gidiyor, kendi donanımlarında çalışan bir modelle transkribe ediliyor ve metin (ve genellikle ses) tekrar erişebilmen için bir süre saklanıyor. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow: hepsi bulut. Bizim Bulut modumuz da, ama önemli bir farkla. Bulut modunda ses, makinenden doğrudan kendi API anahtarınla OpenAI'ye gönderiliyor. Whisper by Remskill hiçbir zaman arada değil, sesi hiç görmüyor, transkriptleri hiç görmüyor. Verinin sorumlusu, seçtiğin modelin sahibi olan şirket.

Yerel transkripsiyon sesin dizüstünden hiç çıkmaması demek. Model CPU'nda veya GPU'nda çalışıyor. Ağ bağlantısı yok. Satıcı günlükleri yok. "Hizmetimizi iyileştirmek için verilerinizi kullanabiliriz" maddesi yok. Apple Dictation, desteklenen Mac'lerde genel metin için bunu yapıyor. Bizim yerel modlarımız (Parakeet ve Whisper), Windows ve Apple Silicon Mac'lerde yapıyor. Bu kategoride saf yerel çalışmayı başka neredeyse kimse sunmuyor.

Bir zamanlar çalıştığım bir şirkette bir iç ekibi, çeyrek dönemde stand-up kayıtlarını dört kez dikte ederek beş haneli bir bulut-AI faturası biriktirdiklerini izledim. Prototipinin "akıllı yeniden deneme" mekanizması çok agresifti. CFO bir sonraki çeyrek değerlendirme toplantısında panoyu açtı. Oda çok sessizleşti. Mesele bulutun pahalı olması değil (genellikle tek kullanıcı hacminde değil). Mesele makinenden neyin çıktığını her zaman fark etmemen — ta ki biri senden hesap soruncaya kadar.

Bugün reklamını gördüğün yapay zeka dikte uygulamalarının çoğu, kendin yapabileceğin aynı OpenAI Whisper API çağrısının üzerine kurulu $30-ay aboneliği olan arayüzlerdir. Modeli kendi sunucularında çalıştırıp sonucu ekranına ileten yazılım için bulut fiyatı alıyorlar. O model 2022'den beri mevcut. Pahalı olan kısım AI değil. Pahalı olan kısım yinelenen abonelik. Sesin hassassa ya da dizüstün son dört yıldan kalmaydı ve başka şey yapmıyorsa, yerel dürüst tercih.

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.

Whisper by Remskill'in yaptığı (ve yapmadığı)

Whisper by Remskill bizim uygulamamız. Bir kısayolun arkasına konuşmadan metne geçişi koyan bir masaüstü aracı (Windows ve Apple Silicon Mac). Kısayola basarsın, konuşursun, bırakırsın ve metin imlecinde belirir. Her uygulamada çalışır: e-posta, Word, Slack, kod düzenleyiciler, tarayıcı adres çubuğu. Yerel pipeline, kimliği doğrulanmış her kullanıcı için ücretsizdir (Whisper, Parakeet, Ollama AI geliştirme, geçmiş, ön ayarlar, özel kısayol). Kayıt sırasında ödeme aracı gerekmez. Pro, Bulut özelliklerini ekler.

Üç transkripsiyon yolu sunuyoruz. Uygulama varsayılan seçmez; seçim sana ait:

Varsayılan kısayol Windows'ta Ctrl+Space, macOS'ta Command+Option; ikisi de Ayarlar'dan özelleştirilebilir. Varsayılan AI etkinleştirme anahtar kelimesi (AI işleme açıkken) "Hey whisper". Yerel AI geliştirme, localhost:11434'te Ollama üzerinden çalışır. Üç performans ön ayarı (Hızlı, Dengeli ve Doğru) arka planda ışın boyutunu ve ses etkinliği eşiklerini değiştirir.

Whisper by Remskill'in yapmadığı: toplantı botları. Zoom'una katılmıyoruz, sonrasında özetlemiyoruz, takvim davetlerinin peşine düşmüyoruz. Makinende tek bir araç, tek bir kısayol, imleçte bir yapıştırma. Toplantı not tutucu istiyorsan, farklı bir kategori istiyorsun demektir. Okumaya devam et.

İsimler konusunda bir not — çünkü bu neredeyse herkesi şaşırtıyor. Whisper-the-OpenAI-model, 2022'de yayımlanan ücretsiz ve açık kaynaklı bir konuşma tanıma modelidir. Whisper by Remskill, bu modeli (ve başkalarını) kullanan masaüstü uygulamamız. Biri çevrimiçi "Whisper kullanıyorum" dediğinde, yarısı modeli kastediyor, yarısı bir ürünü. Yorumları okurken bunu ayırt etmekte fayda var.

Kayıt yer paylaşımı, üç durumda

Whisper etkin olduğunda ekranınızın altında hap şeklindeki gösterge belirir. Göze batmaz ve uygulamalarınızın önüne geçmez.

Donanımınız için doğru Whisper modelini seçmek

İngilizce sürümler (.en) yalnızca İngilizce destekler; İngilizce seste çok dilli muadillerine göre biraz daha hızlı ve biraz daha doğru çalışır. Çok dilli sürümü yalnızca birden fazla dilde dikte ediyorsanız veya İngilizceye çeviri gerekiyorsa seçin.

Bilmekte Fayda Olan Diğer Araçlar

"En iyi transkripsiyon yazılımı" arattığında bu isimlerle karşılaşırsın. Çoğunu kullandım, birkaçını da bizim yapmadığı işler için yanımda tutuyorum.

Sekiz araç tarandı. Bu kategorideki neredeyse her şey bu şirketlerden birinin yeniden markalandırılmış hali ya da bu modellerden birinin daha küçük bir kutuda.

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.

Bu Listedeki Her Aracı Atlayıp Sadece Telefonunu Kullanman Gereken Zaman

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.

İşin "akşam yemeği yaparken mesaj yanıtlamak" ya da "bu toplantı başlamadan 60 kelimelik not yazmak" olduğunda telefon doğru cevap. Dizüstü açmaktan daha hızlı, bir şeye giriş yapmaktan daha hızlı, aylık ücret yok. Apple'ın Mac Dikte özelliği de bir bakışa değer. Desteklenen Mac'lerde genel metni cihaz üzerinde işliyor, sabit uzunluk sınırı olmadan istediğin kadar dikte edebiliyorsun ve 30 saniye sessizlikten sonra kendiliğinden duruyor. Bu sessizlik zaman aşımı, kalıcı "Apple Dictation'ın 30 saniyelik sınırı var" efsanesinin kaynağı: kayıt sınırı bu değil. Apple Dictation bugün 62 dil ve bölgesel varyantı kapsıyor; bu, ücretli ürünlerin çoğundan daha fazla.

Telefonun çöktüğü yer, masaüstü uygulamalara sürekli dikte. Telefonundan bir e-posta dikte edebilirsin. CRM'ine telefonundan 12 varyantlık soğuk e-posta paketi dikte edebilirsin. Nefret edersin. Bir masaüstü aracı orada değerini kanıtlıyor. O zamana kadar telefon ücretsiz.

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.

Fiyatlandırma

Transkripsiyon araçlarının çoğu aylık $20 ile $50 istiyor. Biz daha az alıyoruz ve bir kez ödeyebilirsin.

Bu kategorideki fiyatlandırma dört kovaya ayrılıyor. Sadece AI abonelik araçları (Otter, Trint, Notta, Descript, Jamie) kullanıcı başı aylık $10 ile $50 arasında, bazen kayıt dakikasıyla sınırlı cömert bir ücretsiz katmanla. Happy Scribe gibi AI artı insan hizmetleri abonelik üstüne dakika başına ücret alıyor; yalnız insan kademesi $1,90 ile $2,00 dakika başına. Kısayol dikte araçları (Wispr Flow, biz) üretkenlik yazılımı gibi fiyatlandırılmış — tek kullanıcı aylık veya yıllık, bazen ömür boyu seçeneğiyle. Sonra ücretsiz seçenek var: Apple Dictation, Google Ses Yazma, telefonunun yerleşik klavye mikrofonu. Apple ve Google bu işletim sistemlerini sattıkça ayda sıfır.

Dürüst karar kuralı "en ucuz hangisi" değil. "Gerçekten yaptıklarım için önümüzdeki üç yılın tekrarlayan maliyeti ne?" Haftada iki kez kullandığın $20'lık aylık toplantı aracı üç yılda $720. Günlük kullandığın bir dikte aracının tek seferlik ömür boyu satın alımı bir fatura. Abone ol'a tıklamadan önce aylık alışkanlığını 36 ile çarp. Matematik, haftada bir kullandığın aboneliğe nadiren dost.

Mevcut rakamlarımız (aylık, yıllık, ömür boyu, ekip) fiyatlandırma sayfasında. Buraya yazmıyorum çünkü değişiyor ve sayfa gerçeğin kaynağı.

Bu makalenin sıkıcı versiyonu şu: neye ihtiyacın olduğunu zaten biliyorsun. Gün boyu sürekli yazma? Kısayol dikte aracı, yerel ya da bulut. Haftada bir toplantı? Toplantı not tutucu, aylık abonelik. Tek bir 90 dakikalık röportaj? Happy Scribe'a dakika başına $0,20 öde ve geç. Hukuki ifade? Bir insan tut. Sıkıcı olmayan versiyonu şu: bu kategorideki insanların çoğu yanlış ürün için ödüyor, çünkü pazarlama sayfaları hep aynı üç kişi tarafından yazılmış. Dürüst hareket, gelecek ay ne yapmayı umduğuna değil, bu hafta ne yaptığına bakıp ana sayfası tam olarak bunu tarif eden aracı seçmek. Geri kalan hepsi gürültü.