Vad tal till text är
Tal till text, ibland kallat taligenkänning eller automatisk transkribering, är när en dator omvandlar talat språk till skriven text. Du pratar eller spelar upp en inspelning, och får tillbaka orden i skrift.
Tekniken är gammal, men det som fungerade före ungefär 2020 var något annat än det som fungerar i dag. Äldre system behövde tränas på din röst, krävde att du talade långsamt och tydligt, och tappade så fort två personer pratade i mun på varandra. Dagens modeller är tränade på enorma mängder tal från många talare och klarar normalt samtalstempo utan att någon anpassar sig.
För svenska betydde skiftet extra mycket. Svenska är ett litet språk, och de tidiga systemen byggdes för engelska. En modell som tränats på tillräckligt mycket svenska klarar i dag dialekter, vardagligt tal och de halvfärdiga meningar man faktiskt talar i.
Så fungerar tekniken, i korthet
Du behöver inte förstå det här för att använda tal till text, men det förklarar varför resultatet blir som det blir.
Ljudet delas upp i mycket korta bitar, några hundradels sekunder var. Modellen räknar ut vilka språkljud som troligen finns i varje bit, och sätter sedan ihop dem till ord. Här kommer det viktiga: den väljer inte bara ord som låter rätt, utan ord som är rimliga i sammanhanget.
Det är därför en bra modell skriver "vi tar det på styrelsemötet" och inte "vi tar det på styrelse mötet", trots att ljudet är identiskt. Den vet vilket alternativ som är vanligare i svensk text. Samma mekanism förklarar varför ovanliga ord blir fel: ett företagsnamn eller ett fackord som modellen sällan sett väljs bort till förmån för något vanligare som låter likadant.
Många tjänster låter dig därför lägga in egna ord i förväg, en ordlista med namn, produkter och termer. Det är ofta den enskilt största kvalitetshöjningen du kan göra, och den tar tio minuter.
Hur bra blir svenskan?
I ett normalt möte med hyfsat ljud landar de bästa tjänsterna på en träffsäkerhet där texten går att läsa rakt av. Enstaka ord blir fel, oftast namn och fackuttryck, men innehållet går fram.
Fem saker drar ner resultatet, och de handlar nästan alla om ljudet snarare än om tekniken:
- Avstånd till mikrofonen. En person som sitter längst bort vid ett konferensbord blir sämre transkriberad än någon som pratar rakt in i sin dator. Det här är den överlägset vanligaste orsaken.
- Flera som pratar samtidigt. Överlappande tal är svårt även för människor. Modellen gissar, och gissar ofta fel på vem som sa vad.
- Bakgrundsljud. Fläktar, tangentbord och trafik ligger i samma frekvensområde som tal och maskerar ord.
- Ovanliga egennamn. Ett bolagsnamn modellen aldrig sett blir något annat som låter likadant. Lägg in det i ordlistan.
- Kraftig dialekt i kombination med snabbt tal. Var för sig går det bra. Tillsammans blir det svårare.
Vem sa vad
Att skriva ut orden är en sak. Att veta vem som sa dem är en annan, och den kallas diarisering.
Tekniken lyssnar på röstens egenskaper och delar upp talet i "Talare 1", "Talare 2" och så vidare. Den vet inte vad de heter, bara att de låter olika. Namnen får du sätta själv, eller så gissar verktyget utifrån vad som sägs i mötet.
Två fel är vanliga. Antingen slås två personer ihop till en talare, vilket händer när de låter lika eller sitter vid samma mikrofon. Eller så delas en person upp på flera etiketter, till exempel om rösten ändras efter en paus. Det första är värre: då hamnar en persons ord under någon annans namn, och det syns inte i texten.
Ett enkelt knep hjälper mer än man tror. Börja mötet med en runda där var och en säger sitt namn. Då finns det belägg i ljudet för vem som är vem, och verktyget slipper gissa.
Så kommer du igång
Det krävs inget program och ingen installation längre. De flesta tjänster kör i webbläsaren.
- 01
Välj källa
Har du redan en inspelning laddar du upp filen. Ska du spela in något nytt gör du det direkt i webbläsaren eller i en app i telefonen.
- 02
Fixa ljudet först
En headsetmikrofon eller en telefon mitt på bordet slår rummets inbyggda mikrofon nästan alltid. Fem minuter på ljudet ger mer än timmar av efterredigering.
- 03
Lägg in era ord
Företagsnamn, produktnamn, kollegornas namn och fackuttryck. Det är den snabbaste kvalitetshöjningen som finns.
- 04
Läs igenom
Ingen tjänst är felfri. Skumma texten och rätta namnen innan du skickar den vidare. Ett fel som står kvar följer med in i sammanfattningen.
Vad folk använder det till
Möten är det vanligaste, men långt ifrån det enda.
- Möten och protokoll. Slippa anteckna, och kunna söka i vad som sades för tre månader sedan.
- Intervjuer. Journalister och forskare sparar timmar per intervju, och citaten går att söka fram exakt.
- Föreläsningar och utbildningar. Materialet blir sökbart och tillgängligt för den som hellre läser.
- Kundsamtal. Underlag för att förstå vad som faktiskt sägs, i stället för hur någon minns det.
- Diktering. Tala in ett utkast och redigera det i text i stället för att skriva från början.