Transskription af optagelser på andre sprog: hvad modellerne klarer godt, og hvor de snubler

Den, der studerer, forsker eller arbejder internationalt, ender med optagelser på mere end ét sprog: et interview på tyrkisk, en familieoptagelse på arabisk, en gæsteforelæsning på engelsk, et møde hvor polsk og tysk løber sammen. Moderne talegenkendelse klarer det overraskende godt — hvis du kender dens svage punkter.

Hvor mange sprog genkender modellerne?

OpenAIs Whisper er trænet på 99 sprog; Sprechverlauf bruger den hurtige Whisper Large v3 Turbo i den gratis prøveversion. Microsoft MAI-Transcribe-2, modellen i de betalte planer, understøtter 60 sprog ifølge sit modelkort og adskiller også talere. Microsoft oplyser en gennemsnitlig ordfejlrate på 5,2 procent på FLEURS-benchmarket. Det er et gennemsnit: store sprog med masser af træningsdata klarer sig bedre, og sjældnere sprog klarer sig dårligere.

Faldgrube 1: nært beslægtede sprog

Kroatisk, serbisk og bosnisk; hindi og urdu; malajisk og indonesisk: de lyder så ens, at den automatiske sprogregistrering kan tage fejl på korte klip. Et serbisk interview kan komme ud med kroatisk stavning, eller urdu i devanagari i stedet for arabisk skrift. Løsningen er enkel: vælg sproget eksplicit, før du starter.

Faldgrube 2: dialekter og slang

Arabisk er det tydeligste eksempel: egyptisk, levantinsk og marokkansk arabisk adskiller sig meget, men det meste skrift bruger moderne standardarabisk. Modeller har en tendens til at glatte talt dialekt over mod standardsproget eller høre regionale ord forkert. Det samme gælder i mindre grad schweizertysk, brasiliansk portugisisk eller kantonesisk.

Faldgrube 3: tonesprog og skrift uden mellemrum

På kinesisk, vietnamesisk og thai ændrer tonehøjden betydningen af en stavelse. Efterklang, musik og kraftig komprimering slører netop det — en ren optagelse tæller dobbelt her. Kinesisk, japansk og thai skiller heller ikke ord med mellemrum; modellen skal selv fastsætte ordgrænserne. Kontrollér navne og fagtermer omhyggeligt.

Faldgrube 4: sprogskift midt i samtalen

I mange familier og teams skifter folk sprog midt i en sætning. Hvis du tvinger ét sprog, skal modellen skrive alt i det sprog. Ved blandede optagelser er »automatic« det bedre valg; Microsoft siger, at MAI-Transcribe-2 er bygget til netop denne form for kodeskift.

Kort fortalt

• Ét sprog: vælg det, før du starter, især ved korte klip og beslægtede sprog.
• Flere sprog i én samtale: lad det stå på »automatic«.
• Dialekt: regn med afvigelser, og kontrollér citater ved tidsstemplet.
• Tonesprog: optag rent, uden baggrundsmusik.