«Hvor nøyaktig er den?» er det første folk spør om en AI-transkripsjon, og det ærlige svaret er: det kommer an på episoden. Et rolig intervju med to personer, tatt opp med gode mikrofoner, er noe helt annet enn et panel med fire deltakere som snakker i munnen på hverandre over videosamtale. Prosenttallet du ser på en produktside er et gjennomsnitt over andres lyd.
Derfor gir denne artikkelen deg to ting i stedet for et tall: hva som faktisk påvirker nøyaktigheten, og en test på 10 minutter som viser feilraten for din episode.
Hva påvirker nøyaktigheten
| Faktor | Hvorfor det betyr noe | Hva hjelper |
|---|---|---|
| Lydkvalitet | Bakgrunnsstøy, ekko og komprimering skjuler lyder modellen trenger | Et stille rom, en mikrofon tett på, et lokalt opptak |
| Overlappende tale | Når to snakker samtidig, blir sjelden begge med i teksten | Be gjestene om ikke å avbryte; sjekk slike partier med øret |
| Navn og fagtermer | Sjeldne navn, merkevarer og tekniske ord gjettes ut fra lyden | Sjekk hvert navn mot episodesiden eller gjestens nettsted |
| Aksenter og taletempo | Mindre vanlige aksenter og svært rask tale øker feilraten | Velg riktig talespråk; gå gjennom raske partier |
| Språkblanding | En taler som bytter språk midt i setningen, forvirrer språkmodellen | Regn med ekstra feil der språket skifter |
| Tall og datoer | Sifre og enheter er lette å høre feil («femten» og «femti») | Kontroller hvert tall du har tenkt å bruke |
Dette gjelder alle verktøy. Talegjenkjenning gjør lyd om til de mest sannsynlige ordene, og usannsynlige ord taper.
Stikkprøven på 10 minutter
Nøyaktighet oppgis vanligvis som ordfeilrate (WER, word error rate):
WER = (substitutions + deletions + insertions) / words in the correct text- En substitusjon er et feil ord («femten» i stedet for «femti»).
- En utelatelse er et ord som ble sagt, men mangler.
- En innsetting er et ord i transkripsjonen som aldri ble sagt.
En WER på 5 % betyr omtrent ett feil ord av tjue. Jo lavere, jo bedre. Du trenger ikke gå gjennom hele episoden for å måle den. Et utvalg holder.
- Velg tre utdrag på omtrent ett minutt: ett fra starten, ett fra midten og ett fra slutten. Hopp over reklame og musikk.
- Lytt og rett. Les transkripsjonen mens utdraget spilles av, og merk alle substitusjoner, utelatelser og innsettinger. Spill av i vanlig tempo. De fleste feilene finner du første gang.
- Tell ordene i det rettede utdraget. Ett minutt samtale har ofte 130 til 170 ord.
- Legg sammen feilene og del på antall ord. Gjør det samme for de tre utdragene og regn ut gjennomsnittet.
- Se etter hvor feilene ligger. Hvis de fleste gjelder navn og tall, er transkripsjonen grei å lese, men den trenger en rask gjennomgang før du siterer fra den.
Bruk et enkelt skjema:
| Utdrag | Ord | Substitusjoner | Utelatelser | Innsettinger | WER |
|---|---|---|---|---|---|
| Start | 150 | ||||
| Midten | 150 | ||||
| Slutt | 150 |
Tre minutter er et lite utvalg, så bruk resultatet som en veiledning, ikke en garanti. Test også på en ny, vanskeligere episode før du stoler på verktøyet.
Ikke alle feil koster like mye
Et WER-tall behandler alle feil likt, men lesere vekter feilene ulikt. Et manglende «og» betyr lite. Et feil navn eller en snudd «ikke» endrer meningen. Når du kontrollerer, vær ekstra nøye med:
- Navn på personer, selskaper og steder
- Tall, datoer, priser og prosenter
- Negasjoner («kan» og «kan ikke», «gjorde» og «gjorde ikke»)
- Sitater du har tenkt å gjengi ordrett
Gjør kontrollen rask
Det tidkrevende i kontrollen er å finne riktig sted i lyden. I Podcast To Transcript har hver linje i transkripsjonen et tidsstempel og en talermerking. Klikker du på en linje, flytter spilleren seg til det øyeblikket. Da kan du høre et tvilsomt parti på sekunder i stedet for å spole gjennom hele episoden. Velg riktig talespråk før du transkriberer, og les transkripsjonen sammen med lyden for å sjekke navn og tall.
Hvis nøyaktighet er viktig i arbeidet ditt, for eksempel sitater i en artikkel eller en studie, se sidene for journalister og forskere, og veiledningen om å transkribere en podkast. Skal du oppgi kilden for det du har kontrollert, les hvordan du siterer en podkast.
Oppsummering
- Nøyaktigheten avhenger av lyden din, ikke av tallet på en produktside.
- Mål den selv: tre utdrag på ett minutt, tell feilene og del på antall ord.
- Kontroller alltid navn, tall, negasjoner og sitater med øret før du publiserer.
Ofte stilte spørsmål
Hvor nøyaktig er en AI-transkripsjon av en podkast?
Ved tydelig tale med én eller to talere er dagens verktøy riktige på det store flertallet av ordene. Nøyaktigheten synker med bakgrunnsmusikk, folk som snakker i munnen på hverandre, sterke aksenter og opptak gjort over telefon. Tallet som teller, er det du måler på din egen episode med stikkprøven ovenfor.
Hva er ordfeilrate?
Ordfeilrate (WER) er andelen ord som er feil, mangler eller er lagt til sammenlignet med en korrekt referanse. En WER på 5 % betyr omtrent 5 feil per 100 ord. Den teller alle ord likt, så den skjuler at et feil navn koster mer enn et feil «og».
Hvorfor er navn og tall oftest feil?
Sjeldne navn, merkenavn og tall er vanskelige å forutsi ut fra sammenhengen, så modellen har lite å gå på. Det er også ordene leseren stoler mest på, og derfor står de først i sjekklisten ovenfor.
Kan jeg bedre nøyaktigheten før jeg transkriberer?
Ja. Ta opp hver taler på egen mikrofon når du kan, hold musikken lav under tale, og still inn talespråket riktig i stedet for å stole på automatisk gjenkjenning. Bedre lyd hjelper mer enn noen innstilling.
Må jeg fortsatt korrekturlese?
Ja, for alt som skal publiseres. Se på AI-teksten som et raskt førsteutkast, sjekk navn, tall og sitater med øret, og rett dem før du publiserer. Podcast To Transcript har tidsstempel ved hver linje, så du kan hoppe til riktig sekund og lytte. Siden med priser viser hva hver plan inneholder, og veiledningen om å transkribere en podkast tar deg gjennom trinnene.
