ScribeToAny
Konvertér lyd og video til tekst

Tale til tekst, gjort rigtigt

Konvertér talt lyd — interviews, møder, forelæsninger, stemmenoter — til struktureret tekst med automatisk talegenkendelse (ASR). ScribeToAny kører modeller i Whisper-klassen på dedikerede GPU'er på tværs af ca. 98 sprog, tilføjer tegnsætning og kan markere talere; klar lyd giver de bedste resultater.

  • AI-transskription
  • 98 sprog
  • Krypteret, vi træner aldrig AI på dine filer

Start med din optagelse

Slip en lyd- eller videofil her, eller klik for at vælge.

Det får du: en rigtig transskription

Uredigeret resultat fra et 64 sekunders interview med to talere (syntetiske stemmer), transskriberet med talerregistrering slået til. Kun de første linjer vises.

Transskription (TXT)
SPEAKER_00 (0:00) Welcome back to Small Shop Stories.
SPEAKER_00 (0:02) Today I'm talking to Maya, who runs a tiny bakery on the
SPEAKER_00 (0:05) corner of Mill Street.
SPEAKER_01 (0:07) Thanks for having me.
SPEAKER_01 (0:08) It's really small, just two ovens and a counter.
SPEAKER_00 (0:12) So how does a normal day start for you?
Undertekster (SRT)
1
00:00:00,000 --> 00:00:01,680
[SPEAKER_00] Welcome back to Small Shop Stories.

2
00:00:02,160 --> 00:00:05,320
[SPEAKER_00] Today I'm talking to Maya, who runs a tiny bakery on the

3
00:00:05,320 --> 00:00:06,320
[SPEAKER_00] corner of Mill Street.

Sammenlignet med manuskriptet var der kun forskel på 4 ud af 189 ord – en ordfejlrate på 2,1 %, hvor "80" skrevet i stedet for "eighty" blev talt som en fejl – og alle 14 talerskift blev registreret korrekt. Dette var tydelig tale; optagelser med støj eller folk, der taler i munden på hinanden, opnår lavere score. Se hele transskriptionen, og hvordan den blev bedømt

Sådan fungerer det

  1. 1

    Upload

    Slip en lyd- eller videofil ind, eller indsæt et link. Alle almindelige formater accepteres.

  2. 2

    Transskribér

    AI transskriberer med tidsstempler og valgfrie taleretiketter, normalt på minutter.

  3. 3

    Eksportér

    Redigér segmenter online, og eksportér derefter TXT, SRT, VTT, TSV, CSV, JSON, PDF eller DOCX.

Hvorfor ScribeToAny

  • Automatisk talegenkendelse (ASR) med modeller i Whisper-klassen på tværs af ca. 98 sprog, stærkest ved klar og veloptaget tale.
  • Automatisk taleradskillelse: navngiver forskellige stemmer (Taler 1, Taler 2) i møder, paneldebatter og interviews.
  • Tegnsætning, store bogstaver og sætningsopdeling tilføjes automatisk, så talt tale kan læses som naturlige afsnit.

Ofte stillede spørgsmål

Hvordan adskiller AI-talegenkendelse sig fra simpel lydfilkonvertering?

Filkonvertering genkoder blot lyden mellem formater (f.eks. WAV til MP3). Talegenkendelse (ASR) anvender dybe neurale netværk til at afkode menneskelig tale til skrevne ord, indsætte tegnsætning og opdele talere i læsbare dialoger.

Er dette live diktering eller filtransskription?

Filtransskription. Du uploader eller optager lyd og modtager en komplet, tidsstemplet transskription. Da modellen ser hele optagelsen samlet, kan den udnytte den omgivende kontekst — hvilket typisk er mere præcist end værktøjer, der skal gætte ord for ord, mens du taler — og du får desuden talermarkering, segmentredigering og 8 eksportformater oveni.

Er min lyd privat?

Ja. Filer uploades over HTTPS direkte til krypteret cloudlager og er kun synlige for din konto. Vi træner aldrig AI på dine filer. Transskriptioner forbliver private, medmindre du eksplicit opretter et skrivebeskyttet delingslink, som du kan tilbagekalde når som helst. Du kan også permanent slette enhver fil eller transskription fra arbejdsområdet, når du vil.

Bliver fyldord som »øh« og »øhm« bevaret?

Normalt ikke. Modeller i Whisper-klassen tilstræber et renset ordret output: de fleste fyldord, falske starter og gentagelser udelades, hvilket gør teksten langt lettere at læse. Hvis du har brug for en strengt ordret gengivelse — eksempelvis til forskning — kan du nemt tilføje dem i editoren, mens du genhører lyden.

Kan jeg tale i min mikrofon i stedet for at uploade en fil?

Ja — brug »Optag lyd« i dit arbejdsområde. Funktionen optager i browseren og transskriberer derefter optagelsen med de samme valgmuligheder som ved et upload. Det er ikke live-undertekstning: teksten vises, når du stopper optagelsen, hvilket netop gør det muligt for modellen at udnytte hele konteksten.

Relaterede værktøjer