Transkripsjon

Nøyaktigheita er som regel over 95 % for klar lyd på støtta språk. Vi bruker OpenAIs bransjeleiande talegjenkjenning under panseret — same modell som driv mange profesjonelle transkripsjonsverktøy.

Reell nøyaktigheit avheng av tre ting: lydtydigheit (bakgrunnsstøy skadar), aksentar (tunge regionale aksentar kan trekkje nokre poeng ned) og sjølve språket (engelsk og spansk har som regel høgast skår). Vil du ha maksimal nøyaktigheit, sjå Kva lydkvalitet gjev best resultat? for dei små tinga som utgjer ein stor forskjell.

Ja — talaridentifisering er tilgjengeleg på alle abonnement, også Gratisplanen. Sett Identifiser talarar til Ja på opplastingsskjemaet, så merkjer vi automatisk kvar talar i transkripsjonen som Speaker 1, Speaker 2 og så vidare.

Det fungerer godt for møte, intervju, podkastar og alle samtaler med fleire personar. Det er inga grense for kor mange talarar vi oppdagar. Talaridentifisering legg til litt prosesseringstid, så slå det av for solo-opptak (førelesingar, talenotat, einstemma innhald) for raskare resultat.

Vi støttar 99 språk for transkripsjon, mellom anna engelsk, spansk, portugisisk, fransk, tysk, italiensk, japansk, kinesisk, koreansk, russisk, arabisk, hindi og mange fleire.

Du kan velje språk eksplisitt på opplastingsskjemaet for best nøyaktigheit, eller la det stå på Auto, så finn vi det ut for deg. Språklista er den same som OpenAI Whisper støttar, og sjølve SoundScript.AI-grensesnittet er òg tilgjengeleg på alle 99 språka — sjå Kor oppdaterer eg grensesnittspråket mitt? for å endre ditt.

Klare stemmer tekne opp tett på ein mikrofon, med minimal bakgrunnsstøy. Det er kortversjonen. Her er det som hjelper mest:

• Bruk ein grei mikrofon — sjølv ein enkel USB-mikrofon eller moderne telefon er mykje betre enn ein innebygd laptop-mikrofon.
• Ta opp i eit roleg rom — lat att vindauge, slå av vifter, og unngå harde flater som gjev ekko.
• Kom tett på mikrofonen — 15-30 cm er ideelt for naturleg tale.
• Unngå bakgrunnsmusikk når det er mogleg — sjå Korleis handterer SoundScript.AI bakgrunnsmusikk eller støy? for kva du kan vente deg når musikk er uunngåeleg.

Dei fleste filene er ferdige på sekund til eit par minutt. Ei typisk 10-minutts lydfil er som regel ferdig på under 30 sekund.

Filer større enn 25MB blir automatisk delte i bitar og prosesserte parallelt, så sjølv eit timeslangt opptak er som regel klart på 2-3 minutt. Å slå på talaridentifisering legg til litt ekstra tid. Framdriftsindikatoren oppdaterer seg i sanntid — det er ingenting å oppdatere.

Vi deler automatisk store filer i mindre bitar bak kulissane, transkriberer dei parallelt, og sett resultata saman igjen. Du treng ikkje gjere noko — last berre opp fila som vanleg.

Største opplastingsstorleik er 1GB. Kvar bit blir prosessert sjølvstendig, og difor kan ei timeslang fil vere klar på berre nokre minutt. Bit-grensene blir lagde på naturlege stillheiter når det er mogleg, for å unngå å kutte ord midt i ein setning.

Eigennamn — namn, varemerke, fagord, akronym — er den vanskelegaste delen av transkripsjon, fordi dei ikkje følgjer vanlege språkmønster. Sjølv god lyd kan gje feilstava namn.

Nokre ting som hjelper:

• Vel språk eksplisitt i staden for å bruke auto-deteksjon.
• Uttal eigennamn tydeleg når du tek opp, med ein liten pause rundt dei.
• Rediger transkripsjonen etterpå — du kan kopiere teksten inn i ein redaktør og rette namn med søk-og-erstatt. Vi støttar ikkje tilpassa ordliste enno, men det er på radaren vår.

Du kan kopiere transkripsjonsteksten frå resultatsida og redigere han i ein kva som helst tekstredaktør eller tekstbehandlar — Google Docs, Microsoft Word, Notisblokk, kva du føretrekkjer.

Vi har ikkje ein innebygd redaktør enno, så endringar du gjer utanfor SoundScript.AI blir ikkje lagra tilbake til serverane våre. Originaltranskripsjonen ligg i dashbordet ditt, så du kan alltid laste ned ein frisk kopi. Bruk nedlastingsformata .doc eller .txt om du vil redigere og halde på formateringa.

SRT er standard undertekst-format — det inkluderer tidsstempel, slik at kvar tekstlinje dukkar opp på rett tidspunkt i videoen din. Bruk det for YouTube, Vimeo, videoredigeringsverktøy som Premiere eller Final Cut, eller alle spelarar som støttar undertekstar.

TXT er rein tekst utan tidsstempel — perfekt for dokument, blogginnlegg, intervjutranskripsjonar eller alt der du berre vil ha orda. Vi tilbyr òg DOC (formatert Word-dokument) og PDF (utskriftsvenleg) — sjå Korleis lastar eg ned som TXT, DOC eller PDF? for detaljar.

Vi gjer vårt beste, men tung bakgrunnsmusikk eller støy vil senke nøyaktigheita. Lett støy (ein roleg kafé, ei vifte i bakgrunnen) er som regel ikkje noko problem. Høg musikk eller konkurrerande stemmer er dei vanskelegaste tilfella.

For intervju-stil med intromusikk vil du ofte sjå musikken transkribert som tøv eller hoppa over, og så vender nøyaktigheita tilbake når tale startar. Om du kan ta opp tale-berre-versjonen av lyden din (eller fjerne musikken med eit verktøy som Audacity på førehand), blir nøyaktigheita merkbart betre.