AI tale til tekst: hvordan det virker

AI tale til tekst er teknologien som endelig fikk talegjenkjenning til å virke. Ikke som en gradvis forbedring, men som et brudd: systemene fra 2010-tallet krevde at du leste inn treningstekster og snakket tydelig som en nyhetsoppleser. Dagens modeller forstår vanlig, uryddig, dialektpreget tale uten at du gjør noe som helst.

Her er hva som skjer under panseret, og hvorfor det betyr noe i praksis.

Hva som faktisk skjer

Fire steg, fra luft til bokstaver:

1. Lyden digitaliseres. Mikrofonen måler lufttrykk mange tusen ganger i sekundet og lagrer det som tall.
2. Lyden gjøres om til et frekvensbilde. Signalet deles i korte biter, typisk 20 til 30 millisekunder, og hver bit beskrives ved hvilke frekvenser som er til stede. Resultatet er et spektrogram, et slags bilde av lyden.
3. En nevral modell leser bildet. Modellen er trent på hundretusenvis av timer tale med fasittekst. Den har lært hvilke lydmønstre som svarer til hvilke lyder, og hvilke ordrekker som er sannsynlige på hvert språk.
4. Modellen velger ord i sammenheng. Dette er det avgjørende. Den lytter ikke etter ett og ett ord, men vurderer hele ytringen. Derfor treffer den «vi tar det i drøftelsesmøtet» selv om «drøftelses» isolert sett hørtes utydelig ut.

Det siste steget skiller dagens systemer fra de gamle.

Hvorfor det gamle ikke virket

Gammel talegjenkjenning	Dagens modeller
Håndlagde uttaleregler per språk	Lært direkte fra data
Måtte trenes på din stemme	Fungerer for alle uten opplæring
Ett ord om gangen	Hele setninger i sammenheng
Falt sammen ved dialekt	Trent på dialektvariasjon
Krevde tydelig, langsom tale	Takler normal samtale

Systemene fra Dragon-generasjonen fungerte overraskende bra for én person som gjorde alt riktig i et stille rom. De brøt sammen i det øyeblikket to personer snakket i et møterom. Det er nettopp den situasjonen dagens modeller er bygget for.

Hvorfor norsk tok lengre tid

Norsk er et lite språk med tre komplikasjoner på toppen:

Dialektbredden. Avstanden mellom Bergen, Tromsø og Oslo er stor nok til at en modell trent på «norsk» generelt sett bommer på store deler av landet.

To skriftspråk. Modellen må velge mellom bokmål og nynorsk, og valget er ikke gitt av uttalen.

Lite treningsdata. Internasjonale modeller trent på hele verdens tekst får mange tusen ganger mer engelsk enn norsk.

Gjennombruddet kom med modeller som ble videretrent spesifikt på norsk tale, i NB-Whisper-familien og tilsvarende arbeid. De håndterer dialekt langt bedre enn de generelle modellene, fordi de har hørt dialekten før. Se tale til tekst på norsk for hva det betyr i praksis.

Diarisering: hvem sa hva

Å skrive ut ordene er én oppgave. Å vite hvem som sa dem er en annen, og den løses av et eget steg kalt diarisering.

Systemet analyserer stemmekarakteristikk, tonehøyde, klangfarge, talerytme, og grupperer segmentene etter hvem som mest sannsynlig snakket. Resultatet er «Taler 1», «Taler 2», som du gir navn etterpå.

Det fungerer godt når folk snakker etter tur og har hver sin mikrofon. Det blir vanskeligere når fem personer deler én mikrofon i et møterom, og vanskeligst ved overlappende tale.

Hva teknologien fortsatt ikke klarer

Egennavn den ikke har sett. «Kjærstad» og «Kjærstadt» høres likt ut. Modellen gjetter, og gjetter ofte feil på norske etternavn og stedsnavn.

Fagsjargong. Internt språk, forkortelser og produktnavn er den svakeste flanken i alle systemer.

Overlappende tale. Snakker to i munnen på hverandre, forsvinner som regel den ene.

Ironi og mening. Modellen skriver ned det som ble sagt. Den vet ikke at «ja, det går sikkert fint» betydde det motsatte.

Tegnsetting i lange resonnementer. Der en person ville satt punktum, setter modellen komma, og motsatt.

Rettejobben etterpå ligger nesten utelukkende i disse kategoriene. Vanlige ord er som regel riktige.

Sky eller egen maskin

Modellene kan kjøres begge steder, og valget handler mest om hva lyden inneholder.

	Sky	Lokalt
Hastighet	Raskt uansett maskin	Avhenger av maskinvaren
Lyd forlater maskinen	Ja	Nei
Krever internett	Ja	Nei
Passer til	Vanlige møter og notater	Personalsaker, helse, klientsamtaler

Se Whisper lokal transkribering for hvordan lokal kjøring settes opp.

I praksis

Sayable bruker norsktilpassede modeller, skiller talerne, og lager referatutkast med beslutninger og oppgaver som egne lister. Du retter navn og fagord, ikke hele teksten.

Sayable Lokal kjører hele kjeden på din egen maskin, uten at lyden sendes noe sted.

Videre lesning

• Tale til tekst på norsk
• Hva er transkribering?
• AI-diktering
• Whisper lokal transkribering
• Live transkribering
• Diarisering
• Hallusinasjon i transkribering
• Ordfeilrate (WER)

Hovedpunktene

Lyd blir frekvensbilde, frekvensbilde blir tekst gjennom en nevral modell som tolker hele setninger i sammenheng. Det er sammenhengen som skiller dagens systemer fra de gamle. Norsk fungerer nå fordi modellene er videretrent på norsk tale med dialekt. Det som fortsatt svikter er egennavn, fagsjargong og folk som snakker i munnen på hverandre.