Transkripsjon

Nøyaktigheten overstiger vanligvis 95 % for klar lyd på støttede språk. Under panseret bruker vi OpenAIs bransjeledende talegjenkjenning — den samme modellen som driver mange profesjonelle transkripsjonsverktøy.

Nøyaktigheten i virkeligheten avhenger av tre ting: lydtydelighet (bakgrunnsstøy reduserer den), taleraksenter (sterke regionale aksenter kan trekke ned noen poeng) og selve språket (engelsk og spansk skårer som regel høyest). Hvis du vil ha maksimal nøyaktighet, se Hvilken lydkvalitet gir best resultat? for de små tingene som utgjør en stor forskjell.

Ja — taleridentifikasjon er tilgjengelig på alle abonnementer, inkludert Gratisplanen. På opplastingsskjemaet setter du Identifiser talere til Ja, så merker vi automatisk hver taler i transkripsjonen din som Taler 1, Taler 2 og så videre.

Det fungerer utmerket for møter, intervjuer, podkaster og enhver samtale med flere personer. Det er ingen grense for hvor mange talere vi oppdager. Taleridentifikasjon legger til litt behandlingstid, så slå det av for soloopptak (forelesninger, talenotater, innhold med én forteller) for å få raskere resultater.

Vi støtter 99 språk for transkripsjon, inkludert engelsk, spansk, portugisisk, fransk, tysk, italiensk, japansk, kinesisk, koreansk, russisk, arabisk, hindi og mange flere.

Du kan velge språket eksplisitt på opplastingsskjemaet for best nøyaktighet, eller la det stå på Auto, så oppdager vi det for deg. Språklisten er den samme som OpenAI Whispers støttede sett, og selve SoundScript.AI-grensesnittet er også tilgjengelig på alle 99 språk — se Hvor oppdaterer jeg grensesnittspråket mitt? for å endre ditt.

Klare stemmer som er tatt opp nær en mikrofon, med minimal bakgrunnsstøy. Det er kortversjonen. Her er det som hjelper mest:

• Bruk en anstendig mikrofon — selv en USB-mikrofon på inngangsnivå eller en moderne telefon er mye bedre enn en bærbar PCs innebygde mikrofon.
• Ta opp i et stille rom — lukk vinduer, slå av vifter og unngå harde overflater som gir ekko.
• Kom nær mikrofonen — 15–30 cm er det optimale for naturlig tale.
• Unngå bakgrunnsmusikk når det er mulig — se Hvordan håndterer SoundScript.AI bakgrunnsmusikk eller støy? for hva du kan forvente når musikk er uunngåelig.

De fleste filer er ferdige på sekunder til et par minutter. En typisk 10-minutters lydfil er vanligvis ferdig på under 30 sekunder.

Filer større enn 25MB blir automatisk delt i biter og behandlet parallelt, så selv et timelangt opptak er som regel klart på 2–3 minutter. Å aktivere taleridentifikasjon legger til litt ekstra tid. Fremdriftsindikatoren oppdateres i sanntid — det er ingenting å oppdatere manuelt.

Vi deler automatisk store filer i mindre biter bak kulissene, transkriberer dem parallelt og setter resultatene sammen igjen. Du trenger ikke gjøre noe — bare last opp filen som vanlig.

Maksimal opplastingsstørrelse er 1GB. Hver bit behandles uavhengig, og det er derfor en timelang fil kan være klar på bare noen få minutter. Bitgrensene plasseres på naturlige pauser når det er mulig, for å unngå å kutte ord midt i en setning.

Egennavn — navn, merkenavn, tekniske termer, forkortelser — er den vanskeligste delen av transkripsjon fordi de ikke følger normale språkmønstre. Selv god lyd kan gi feilstavede navn.

Noen ting som hjelper:

• Velg språket eksplisitt i stedet for å bruke automatisk gjenkjenning.
• Uttal egennavn tydelig når du tar opp, med en liten pause rundt dem.
• Rediger transkripsjonen etterpå — du kan kopiere teksten inn i hvilken som helst editor og fikse navn med søk-og-erstatt. Vi støtter foreløpig ikke en egendefinert ordliste, men det er på radaren vår.

Du kan kopiere transkripsjonsteksten fra resultatsiden og redigere den i hvilken som helst teksteditor eller tekstbehandler — Google Docs, Microsoft Word, Notisblokk, hva du foretrekker.

Vi har ingen innebygd editor ennå, så endringer du gjør utenfor SoundScript.AI lagres ikke tilbake til serverne våre. Den opprinnelige transkripsjonen blir liggende i dashbordet ditt, så du kan alltid laste ned en fersk kopi. Bruk nedlastingsformatene .doc eller .txt hvis du vil redigere og beholde formateringen.

SRT er standardformatet for undertekster — det inkluderer tidsstempler slik at hver tekstlinje vises på riktig tidspunkt i videoen din. Bruk det for YouTube, Vimeo, videoredigerere som Premiere eller Final Cut, eller hvilken som helst spiller som støtter undertekster.

TXT er ren tekst uten tidsstempler — perfekt for dokumenter, blogginnlegg, transkriberte intervjuer eller alt der du bare vil ha ordene. Vi tilbyr også DOC (formatert Word-dokument) og PDF (utskriftsvennlig) — se Hvordan laster jeg ned som TXT, DOC eller PDF? for detaljer.

Vi gjør vårt beste, men kraftig bakgrunnsmusikk eller støy vil redusere nøyaktigheten. Lett rombakgrunnsstøy (en stille kafé, en vifte som går) gir vanligvis ikke noe problem. Høy musikk eller konkurrerende stemmer er de vanskeligste tilfellene.

For intervjuinnhold med introduksjonsmusikk vil du som regel se at musikken blir transkribert som tøv eller hoppes over, og så vender nøyaktigheten tilbake når talen begynner. Hvis du kan ta opp en versjon med kun tale (eller fjerne musikken med et verktøy som Audacity på forhånd), blir nøyaktigheten merkbart bedre.