»Hvor præcis er den?« er det første, folk spørger om en AI-transskription. Svaret er: »Det afhænger af afsnittet.« Et roligt interview med to personer, optaget på gode mikrofoner, er en helt anden opgave end en paneldebat med fire deltagere over videoopkald. Et procenttal på en produktside er et gennemsnit over en andens lyd.
I stedet for et tal giver artiklen dig to ting: hvad der påvirker præcisionen, og en 10-minutters test, der viser fejlraten for dit afsnit.
Hvad påvirker præcisionen
| Faktor | Hvorfor det betyder noget | Hvad hjælper |
|---|---|---|
| Lydkvalitet | Baggrundsstøj, ekko og komprimering skjuler lyde, som modellen har brug for | Et stille rum, en mikrofon tæt på munden, et lokalt optaget spor |
| Overlappende tale | Når to taler samtidig, kan modellen som regel ikke skrive dem begge ned | Bed gæsterne om ikke at afbryde; tjek de passager med øret |
| Navne og fagudtryk | Sjældne navne, mærker og tekniske termer gættes ud fra lyden | Tjek hvert navn mod afsnitssiden eller gæstens hjemmeside |
| Accenter og talehastighed | Mindre almindelige accenter og meget hurtig tale øger fejlraten | Vælg det rigtige talte sprog; gennemgå de hurtige passager |
| Sprogblanding | En taler, der skifter sprog midt i en sætning, forvirrer sprogmodellen | Forvent ekstra fejl ved skiftene |
| Tal og datoer | Cifre og enheder er nemme at høre forkert (»femten« og »halvtreds«) | Kontrollér hvert tal, du vil bruge |
Det gælder alle værktøjer. Talegenkendelse fungerer ved, at modellen omsætter lyd til de mest sandsynlige ord. Usandsynlige ord taber mod sandsynlige.
Stikprøven på 10 minutter
Præcision angives typisk som word error rate (WER), på dansk ordfejlrate:
WER = (substitutions + deletions + insertions) / words in the correct text- En substitution er et forkert ord (»femten« i stedet for »halvtreds«).
- En udeladelse er et ord, der blev sagt, men mangler.
- En indsættelse er et ord i transskriptionen, som aldrig blev sagt.
En WER på 5 % svarer til cirka ét forkert ord ud af tyve. Jo lavere, desto bedre. Du behøver ikke gennemgå hele afsnittet for at måle den på en stikprøve.
- Vælg tre udsnit på cirka et minut hver: ét fra begyndelsen, ét fra midten og ét fra slutningen. Undgå reklamer og musik.
- Lyt og ret. Læs med, mens du lytter, og marker hver substitution, udeladelse og indsættelse i hvert udsnit. Afspil i normal hastighed. De fleste fejl finder du ved første gennemlytning.
- Tæl ordene i det rettede udsnit. Et minut samtale er ofte 130 til 170 ord.
- Læg fejlene sammen, og divider med antallet af ord. Gør det samme for alle tre udsnit, og tag gennemsnittet.
- Notér, hvor fejlene sidder. Hvis de fleste er navne og tal, er transskriptionen god nok til at læse, men den skal rettes hurtigt, før du citerer fra den.
Brug dette skema:
| Udsnit | Ord | Substitutioner | Udeladelser | Indsættelser | WER |
|---|---|---|---|---|---|
| Begyndelse | 150 | ||||
| Midte | 150 | ||||
| Slutning | 150 |
Tre minutters lyd er en lille stikprøve. Brug resultatet som en pejling, ikke som en garanti. Gentag testen på et andet, sværere afsnit, før du stoler på et værktøj.
Ikke alle fejl koster det samme
Et WER-tal behandler alle forkerte ord ens, men læsere gør ikke. Et manglende »det« betyder næsten intet, mens et forkert navn eller en vendt negation ændrer meningen. Når du kontrollerer, så vær ekstra opmærksom på:
- Navne på personer, virksomheder og steder
- Tal, datoer, priser og procenter
- Negationer (»kan« og »kan ikke«, »gjorde« og »gjorde ikke«)
- Citater, du vil bruge ordret
Gør kontrollen hurtig
Det tidskrævende ved kontrol er at finde det rigtige sted i lyden. I Podcast To Transcript har hver linje et tidsstempel og en talermarkering. Et klik på en linje flytter afspilleren til det øjeblik, så du kan høre en tvivlsom passage på få sekunder i stedet for at spole rundt i hele afsnittet. Vælg det rigtige talte sprog, før du transskriberer, og læs transskriptionen sammen med lyden, når det gælder navne og tal.
Er præcision vigtig for dit arbejde, fx citater i en artikel eller et studie, så se siderne for journalister og forskere samt guiden til at transskribere en podcast. Hvis du vil henvise til det, du har kontrolleret, så læs hvordan du citerer en podcast.
Opsummering
- Præcisionen afhænger af din lyd, ikke af et tal i en overskrift.
- Mål den: tre udsnit på et minut, tæl fejlene, divider med antallet af ord.
- Tjek altid navne, tal, negationer og citater med øret, før du udgiver.
Ofte stillede spørgsmål
Hvor præcis er en AI-transskription af en podcast?
Ved tydelig tale med en eller to talere rammer nuværende værktøjer de fleste ord rigtigt. Præcisionen falder med baggrundsmusik, folk der taler i munden på hinanden, kraftige accenter og optagelser over telefon. Det eneste tal, der tæller, er det, du måler selv på dit afsnit med stikprøven ovenfor.
Hvad er word error rate?
Word error rate (WER) er andelen af ord, der er forkerte, mangler eller er tilføjet i forhold til en korrekt reference. En WER på 5 % betyder cirka 5 fejl for hver 100 ord. Den tæller alle ord lige, så den skjuler, at et forkert navn koster mere end et forkert »det«.
Hvorfor er navne og tal oftest forkerte?
Sjældne navne, mærkenavne og tal er svære at forudsige ud fra sammenhængen, så modellen har ikke meget at støtte sig til. Det er også de ord, en læser stoler mest på, og derfor starter tjeklisten ovenfor med dem.
Kan jeg forbedre præcisionen, før jeg transskriberer?
Ja. Optag om muligt hver taler på sin egen mikrofon, hold musikken lav under talen, og indstil det talte sprog korrekt i stedet for at stole på automatisk genkendelse. Bedre lyd hjælper mere end nogen indstilling.
Skal jeg stadig korrekturlæse?
Ja, hvis det skal udgives. Behandl AI-teksten som et hurtigt førsteudkast, tjek navne, tal og citater med øret, og ret dem, før du udgiver. Podcast To Transcript beholder tidsstempler ved siden af hver linje, så du kan hoppe til det rigtige sekund og lytte. Siden med priser viser, hvad hver plan indeholder, og guiden til at transskribere en podcast gennemgår trinnene.
