Програми для транскрипції: по суті

Нудна правда про точність (і пастка 95%)

Кожен продукт для транскрипції в інтернеті заявляє про точність у діапазоні 95–99%. Notta рекламує 98,86%. Happy Scribe продає рівень людської транскрипції з 99%. Наш власний FAQ на головній сторінці каже, що точність у локальному режимі «зазвичай від 95% до 99%». Жодна з цих цифр не є брехнею. Вони — не та цифра, подана без аудіо, на якому вимірювалася.

Ось що кажуть базові дослідження. OpenAI Whisper large-v3 — це модель, яку більш-менш кожен сучасний інструмент транскрипції або використовує, або копіює, або намагається обійти. Вона повідомляє середній Word Error Rate у 7,44% у публічному рейтингу Hugging Face ASR. На LibriSpeech-clean (студійні аудіозаписи книг) та ж модель дає 2,01% WER. На AMI — стандартному бенчмарку для переговорних кімнат із перекриттям голосів і поганою акустикою — та ж модель дає 15,95% WER. Та сама модель. Той самий тиждень. Удвічі більше помилок на гіршому аудіо.

Цей розрив і є пасткою 95%. «95% точності» в студійних умовах може бути 84% точності на нараді, яку твій начальник провів із машини, що рухається. OpenAI прямим текстом пише про це у своїй картці моделі: продуктивність нерівномірна для різних мов, нижча для мов із малою кількістю ресурсів, і варіюється залежно від акценту, віку, статі та демографії. NVIDIA каже те саме про Parakeet: 1,93% WER на LibriSpeech-clean, 11,31% WER на AMI.

Тому коли ти читаєш цифру точності на маркетинговій сторінці — постав запитання, на яке вендор не відповів. На якому аудіо. З яким мікрофоном. Якою мовою. Зі скількома учасниками, що говорять одночасно. Якщо сторінка не пояснює — вважай, що це найкращий можливий результат. А потім вважай, що твоє реальне аудіо гірше.

Нудна правда: найважливіше покращення точності транскрипції — це мікрофон, а не модель.

AI-транскрипція проти людської транскрипції

У світі зараз існує два види програм для транскрипції. Їх продають так, ніби це одне й те саме, — і саме звідси береться приблизно половина плутанини.

AI-транскрипція — це дешевий і миттєвий варіант. Ти завантажуєш файл або диктуєш наживо, і модель повертає текст за секунди. Точність — десь між 84% (погана нарада) і 98% (чистий голосовий запис). Happy Scribe бере $0.20 за хвилину для поповнення на своїх AI-планах. Наш власний Cloud-режим виставляє рахунок приблизно $0.003 за хвилину безпосередньо через OpenAI. Otter, Notta, Trint, Descript, Jamie — кожен із них під капотом працює на AI, часто на тих самих кількох моделях.

Людська транскрипція — це дорогий і терплячий варіант. Людина слухає твоє аудіо та набирає текст. Людський рівень Happy Scribe починається від $2.00 за хвилину. Вони рекламують 99% точності з очікуванням понад чотири години. Rev, GoTranscript і ще кілька сервісів — приблизно в тому самому ціновому діапазоні. Ніша реальна, але вузька: судові протоколи, медичні показання, будь-що, де AI-помилка з неправильною назвою препарату відправить когось до суду.

Більшість людей, які читають це, хочуть AI. Скористайся таблицею, щоб переконатися.

Помилка, яку я бачу постійно, — люди платять за людську транскрипцію зі страху. А потім не читають результат, бо він з'являється через шість годин, коли вони вже пішли далі. Якщо відповідь усе одно ігноруватимуть до вівторка — AI цілком підійде.

Cloud проти локального: куди іде твоє аудіо

Ніхто не хоче читати цю частину, а всі повинні. Вибери інструмент для транскрипції — і аудіо твого голосу (кожне слово) кудись потрапляє. Куди саме — важливо.

Cloud-транскрипція означає, що твоє аудіо залишає твій комп'ютер. Воно йде на сервер вендора, транскрибується моделлю, що працює на їхньому залізі, і текст (і зазвичай аудіо) зберігається, поки ти не забереш. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow — усі хмарні. Наш власний Cloud-режим теж, але з одним важливим нюансом. У Cloud-режимі аудіо надсилається з твоєї машини напряму до OpenAI за твоїм власним ключем API. Whisper by Remskill ніколи не стоїть між вами, ніколи не бачить аудіо, ніколи не бачить транскрипти. Вендор, відповідальний за твої дані, — це компанія, чию модель ти обрав.

Локальна транскрипція означає, що аудіо ніколи не залишає твій ноутбук. Модель працює на твоєму CPU або GPU. Ніякого мережевого запиту. Ніяких логів вендора. Ніякого пункту «ми можемо використовувати твої дані для покращення сервісу». Apple Dictation робить це для загального тексту на підтримуваних Mac. Наші власні локальні режими (Parakeet і Whisper) — на Windows і Mac на Apple Silicon. Майже ніхто інший у цій категорії не поставляє чисто локальне рішення.

Якось я спостерігав, як внутрішня команда в компанії, з якою я працював, наздогнала п'ятизначний рахунок за Cloud AI за квартал — диктували записи стендапів по чотири рази кожен. «Розумний повтор» прототипу виявився надто агресивним. CFO відкрив дашборд на наступному квартальному огляді. У кімнаті стало дуже тихо. Суть не в тому, що Cloud дорогий (зазвичай ні, при обсягах одного користувача). Суть у тому, що ти не завжди помічаєш, що залишає твою машину, поки хтось не попросить за це звітувати.

Більшість AI-застосунків для диктування, які рекламуються сьогодні, — це оболонки за $30 на місяць навколо того самого виклику OpenAI Whisper API, який ти міг би зробити сам. Вони беруть хмарну надбавку за програмне забезпечення, що здебільшого запускає модель на їхньому сервері та пересилає результат на твій екран. Ця модель доступна з 2022 року. Дорога частина — не AI. Дорога частина — щомісячна підписка. Якщо твоє аудіо чутливе, або якщо ноутбук не старший чотирьох років і не завантажений іншим, локальний — чесний вибір.

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.

Що робить Whisper by Remskill (і чого не робить)

Whisper by Remskill — наш застосунок. Це десктопний інструмент (Windows і Mac на Apple Silicon), який прив'язує розпізнавання мовлення до гарячої клавіші. Натискаєш, говориш, відпускаєш — і текст з'являється там, де курсор. Працює в будь-якому додатку: пошта, Word, Slack, редактори коду, адресний рядок браузера. Локальний пайплайн безплатний для будь-якого зареєстрованого користувача (Whisper, Parakeet, покращення через Ollama, історія, пресети, власна гаряча клавіша). Картка при реєстрації не потрібна. Pro додає хмарні функції.

Ми поставляємо три шляхи транскрипції. Застосунок не вибирає за тебе; вибираєш ти:

Гаряча клавіша за замовчуванням — Ctrl+Space на Windows і Command+Option на macOS, обидві налаштовуються в Settings. Ключове слово активації AI за замовчуванням (коли увімкнена AI-обробка) — «Hey whisper». Локальне AI-покращення працює через Ollama на localhost:11434. Три профілі продуктивності (Fast, Balanced та Accurate) змінюють розмір пучка та пороги голосової активності під капотом.

Чого Whisper by Remskill не робить: боти для нарад. Ми не приєднуємося до твого Zoom, не підсумовуємо його після, не переслідуємо запрошення в календарі. Один інструмент на твоїй машині, одна гаряча клавіша, вставка тексту там, де курсор. Якщо тобі потрібен конспектувальник нарад — тобі потрібна інша категорія. Читай далі.

Примітка про назви, бо це плутає майже всіх. Whisper-the-OpenAI-model — це безплатна open-source модель розпізнавання мовлення, яку OpenAI випустила у 2022 році. Whisper by Remskill — наш десктопний застосунок, який використовує цю модель (серед інших). Коли хтось онлайн каже «я використовую Whisper» — половину часу мається на увазі модель, половину — продукт. Варто тримати це в голові під час читання оглядів.

Накладка запису у трьох станах

Смужка з'являється внизу екрана, коли Whisper активний. Вона не заважає й не перекриває ваші застосунки.

Вибір правильної моделі Whisper для вашого обладнання

Англійські варіанти (.en) працюють лише з англійською — на англомовному аудіо вони трохи швидші й трохи точніші за багатомовні аналоги. Обирайте багатомовну модель, лише якщо ви диктуєте кількома мовами або потребуєте перекладу англійською.

Інші інструменти, про які варто знати

Ці назви зустрінуться, якщо гуглити «найкраще програмне забезпечення для транскрипції». Більшість із них я використовував сам, і деякі тримаю під рукою для завдань, які наш інструмент не виконує.

Вісім інструментів, розібрано. Майже все інше в цій категорії — або перейменований варіант однієї з цих компаній, або одна з цих моделей у меншій коробці.

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.

Коли пропустити всі інструменти зі списку і просто взяти телефон

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.

Якщо твоє завдання — «відповісти на повідомлення, поки готую вечерю» або «написати 60-слівну нотатку до початку наради» — телефон є правильною відповіддю. Швидше, ніж відкрити ноутбук, швидше, ніж увійти в будь-який сервіс, без щомісячної оплати. Apple Dictation на Mac також варта уваги. На підтримуваних Mac вона обробляє загальний текст на пристрої, диктує скільки завгодно без фіксованого ліміту та зупиняється після 30 секунд тиші. Цей тайм-аут тиші — джерело стійкого міфу «Apple Dictation має ліміт 30 секунд»: це не ліміт запису. Apple Dictation охоплює 62 мовних і регіональних варіанти сьогодні — більше, ніж більшість платних продуктів.

Де телефон дає збій — стійке диктування в десктопні додатки. Можеш продиктувати лист на телефоні. Можеш продиктувати 12 варіантів холодного листа у свій CRM із телефону. Ненавидітимеш це. Там десктопний інструмент окупається. До того часу — телефон безплатний.

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.

Ціни

Більшість інструментів транскрипції хочуть від $20 до $50 на місяць. Ми беремо менше, і можна заплатити один раз.

Цінова картина в цій категорії розподіляється на чотири кошики. Інструменти лише з AI-підпискою (Otter, Trint, Notta, Descript, Jamie) — від $10 до $50 на одного користувача на місяць, іноді з щедрим безплатним рівнем, обмеженим хвилинами запису. AI-плюс-людські сервіси на кшталт Happy Scribe беруть за хвилину поверх підписки; людський рівень сам по собі — $1.90 до $2.00 за хвилину. Інструменти для диктування через гарячу клавішу (Wispr Flow, ми) оцінені як продуктивне програмне забезпечення — місячна або річна оплата для одного користувача, іноді з довічним варіантом. І є безплатний варіант: Apple Dictation, Google Voice Typing, вбудований мікрофон твого телефону. Нуль на місяць, поки Apple і Google випускають ці ОС.

Чесне правило вибору — не «що найдешевше». Це «яка повторювана вартість протягом наступних трьох років за те, що я реально роблю?» Інструмент для нарад за $20 на місяць, яким ти користуєшся двічі на тиждень — це $720 за три роки. Одноразова довічна покупка інструменту для диктування, яким користуєшся щодня — один рахунок. Помнож свою місячну звичку на 36 перед тим, як натиснути «підписатися». Математика рідко буває дружньою до підписки, яку використовують раз на тиждень.

Наші поточні числа (місячно, річно, довічно, команди) — на сторінці з цінами. Не цитую їх тут, бо вони змінюються, а сторінка — першоджерело.сторінку з цінами

Нудна версія цієї статті: ти вже знаєш, що тобі потрібно. Пишеш весь день? Інструмент для диктування через гарячу клавішу, локальний або хмарний. Одна нарада на тиждень? Конспектувальник нарад, місячна підписка. Одне 90-хвилинне інтерв'ю? Заплати $0.20 за хвилину до Happy Scribe і рухайся далі. Юридичний протокол? Найми людину. Ненудна версія: більшість людей у цій категорії платять за не той продукт, бо маркетингові сторінки написані одними й тими самими трьома людьми. Чесний підхід — подивитися, що ти реально робиш цього тижня, а не на те, що сподіваєшся робити наступного місяця, і вибрати інструмент, чий заголовок описує саме це. Решта — шум.