“Hur exakt är den?” är den första frågan folk ställer om en AI-transkription. Det korta svaret är att det beror på avsnittet. En lugn intervju med två personer, inspelad med bra mikrofoner, är en helt annan sak än en panel med fyra personer som spelats in över videosamtal. Varje procentsiffra du läser på en produktsida är ett medelvärde av någon annans ljud.
I stället för ett tal får du här två saker: vad som påverkar noggrannheten, och ett test på 10 minuter som visar felprocenten för just ditt avsnitt.
Vad påverkar noggrannheten
| Faktor | Varför det spelar roll | Vad som hjälper |
|---|---|---|
| Ljudkvalitet | Bakgrundsljud, eko och komprimering döljer ljud som modellen behöver | Ett tyst rum, en mikrofon nära munnen, ett lokalt inspelat spår |
| Överlappande tal | När två personer pratar samtidigt går det oftast inte att skriva ner båda | Be gästerna att inte avbryta; kontrollera de partierna med örat |
| Namn och facktermer | Ovanliga namn, varumärken och tekniska termer gissas utifrån ljudet | Kontrollera varje namn mot avsnittssidan eller gästens webbplats |
| Dialekter och talhastighet | Ovanligare dialekter och mycket snabbt tal ger fler fel | Välj rätt talat språk; granska snabba partier |
| Språkblandning | Byte av språk mitt i en mening förvirrar språkmodellen | Räkna med extra fel där språket växlar |
| Siffror och datum | Siffror och enheter är lätta att höra fel (“femton” och “femtio”) | Verifiera varje siffra du tänker använda |
Detta gäller inte bara ett verktyg. Taligenkänning fungerar så: modellen översätter ljud till de mest sannolika orden, och ovanliga ord har svårt att vinna mot vanliga.
Spot-testet på 10 minuter
Transkriptionens noggrannhet anges oftast som ordfelsfrekvens (WER, word error rate):
WER = (substitutions + deletions + insertions) / words in the correct text- En substitution är ett felaktigt ord (“femton” i stället för “femtio”).
- En deletion är ett ord som sades men saknas.
- En insertion är ett ord i transkriptionen som aldrig sades.
En WER på 5 % betyder ungefär ett fel per tjugo ord. Lägre är bättre. Du behöver inte gå igenom hela avsnittet för att mäta på ett stickprov.
- Välj tre utdrag på ungefär en minut vardera: ett från början, ett från mitten och ett från slutet. Undvik reklam och musik.
- Lyssna och rätta. Läs transkriptionen medan du lyssnar och markera varje substitution, deletion och insertion. Spela i normal hastighet. De flesta fel hittar du redan vid första genomlyssningen.
- Räkna orden i det rättade utdraget. En minut samtal har ofta 130 till 170 ord.
- Summera felen och dela med antalet ord. Gör samma sak för alla tre utdragen och räkna fram medelvärdet.
- Notera var felen sitter. Om de flesta gäller namn och siffror är transkriptionen läsbar i övrigt, men den behöver en snabb genomgång innan du citerar.
Ett enkelt ark räcker:
| Avsnitt | Ord | Substitutions | Deletions | Insertions | WER |
|---|---|---|---|---|---|
| Början | 150 | ||||
| Mitten | 150 | ||||
| Slutet | 150 |
Tre minuters ljud är ett litet stickprov, så se resultatet som en fingervisning. Upprepa testet på ett andra, svårare avsnitt innan du litar på verktyget.
Alla fel kostar inte lika mycket
Ett WER-tal väger alla fel lika, men läsare gör inte det. Ett saknat “den” spelar knappt någon roll. Ett felaktigt namn eller ett utelämnat “inte” ändrar däremot innebörden. Var extra noga med följande när du kontrollerar:
- Namn på personer, företag och platser
- Siffror, datum, priser och procenttal
- Negationer (“kan” och “kan inte”, “gjorde” och “gjorde inte”)
- Citat som du tänker återge ordagrant
Gör kontrollen snabb
Det som tar tid vid kontrollen är att hitta rätt ställe i ljudet. I Podcast To Transcript har varje rad i transkriptionen en tidsstämpel och en talaretikett. Ett klick på en rad flyttar spelaren till rätt ögonblick, så du hör en tveksam passage på några sekunder i stället för att spola igenom avsnittet. Välj rätt talat språk innan du transkriberar, och läs transkriptionen tillsammans med ljudet när det gäller namn och siffror.
Om noggrannheten är viktig i ditt arbete, till exempel för citat i en artikel eller studie, se sidorna för journalister och forskare samt guiden om att transkribera en podd. Vill du ange källa för det du har verifierat, läs hur man citerar en podd.
Sammanfattning
- Noggrannheten beror på ditt ljud, inte på en procentsiffra på en produktsida.
- Mät den: tre prov på en minut, räkna felen och dela med antalet ord.
- Kontrollera alltid namn, siffror, negationer och citat med örat innan du publicerar.
Vanliga frågor
Hur exakt är en AI-transkription av en podd?
För tydligt tal med en eller två talare har dagens verktyg rätt på de flesta orden. Noggrannheten sjunker vid bakgrundsmusik, när folk pratar i mun på varandra, vid kraftiga dialekter och vid inspelningar via telefon. Siffran som räknas är den du mäter på ditt eget avsnitt med spot-testet ovan.
Vad är ordfelsfrekvens?
Ordfelsfrekvens (WER) är andelen ord som är fel, saknas eller har lagts till jämfört med en korrekt förlaga. En WER på 5 % betyder ungefär 5 fel på varje 100 ord. Måttet räknar alla ord lika mycket, så det döljer att ett felaktigt namn kostar mer än ett felaktigt “den”.
Varför blir namn och siffror oftast fel?
Ovanliga namn, varumärken och siffror är svåra att förutse utifrån sammanhanget, så modellen har lite att gå på. Det är också de ord en läsare litar mest på, och därför står de först i checklistan ovan.
Kan jag förbättra noggrannheten innan jag transkriberar?
Ja. Spela in varje talare på en egen mikrofon när det går, håll musiken låg under talet och ställ in rätt talat språk i stället för att lita på automatisk identifiering. Bättre ljud hjälper mer än någon inställning.
Måste jag fortfarande korrekturläsa?
Ja, för allt som ska bli offentligt. Behandla AI-texten som ett snabbt första utkast, kontrollera namn, siffror och citat med örat och rätta dem innan du publicerar. Podcast To Transcript visar tidsstämplar bredvid varje rad, så du kan hoppa till exakt rätt sekund och lyssna. På sidan priser ser du vad varje plan innehåller, och guiden om att transkribera en podd går igenom stegen.
