Gränser för AI-transkription: filstorlek, längd och noggrannhet

AI-transkription kan förvandla timmar av tal till sökbar text, men varje tjänst har gränser. Vissa är hårda tekniska gränser, som en maximal uppladdningsstorlek. Andra är praktiska: en fil kan laddas upp utan problem men ändå behöva noggrann granskning eftersom talare överlappar, inspelningen är bullrig eller ordförrådet är mycket specialiserat. Att känna skillnaden förhindrar misslyckade uppladdningar och orealistiska förväntningar på noggrannhet.

Vilka gränser har AI-transkription?

AI-transkription begränsas av filstorlek, inspelningens längd, bearbetningstid, ljudkvalitet, språkstöd, talarseparering och hur mycket mänsklig granskning som krävs. På Sprechverlauf är de nuvarande hårda gränserna 100 MiB per uppladdad fil, högst fem transkriptionsstarter per timme, 4 timmar per fil som absolut tak och en kvot som beror på planen — i den kostnadsfria provperioden 10 minuter per fil och 3 transkriptioner i månaden; med dagspass, kredit eller Pro upp till 4 timmar per fil.

Filstorleksgräns: 100 MiB per uppladdning

Sprechverlauf accepterar för närvarande uppladdade filer upp till 100 MiB. Det är en ja-eller-nej-gräns: en större fil måste komprimeras eller delas innan uppladdning. Format som MP3, WAV, M4A, OGG, FLAC och WebM stöds, men formatet ensamt avgör inte storleken. Bitrate, antal kanaler, samplingsfrekvens och komprimering gör skillnaden.

Hur mycket inspelning ryms i 100 MiB?

Det finns ingen enkel omräkning från megabyte till minuter. En kompakt tal-MP3 kan innehålla timmar, medan en okomprimerad WAV når samma storlek mycket snabbare. Uppskattningarna nedan förutsätter konstant bitrate och räknar inte med den lilla mängd containermetadata, så verkliga filer kan vara något kortare.

För talat material ger export av en kopia som mono-MP3 eller M4A ofta en kraftig minskning av uppladdningsstorleken utan att ta bort information som talmodellen behöver. Behåll originalinspelningen separat; transkribera den mindre arbetskopian.

Finns det en maximal inspelningslängd?

Den kostnadsfria provperioden täcker filer upp till 10 minuter plus 3 transkriptioner och 30 minuters ljud per kalendermånad, som återställs den första i månaden; med dagspass, kredit eller Pro höjs detta till 4 timmar per fil. Utöver planen är filstorlek och bearbetningstid den praktiska gränsen. En lång inspelning med låg bitrate kan rymmas under 100 MiB, men att dela upp mycket långa sessioner i logiska sektioner gör uppladdningarna enklare, minskar kostnaden för att göra om en misslyckad sektion och ger mer hanterbara transkript.

• Behåll intervjuer eller möten som en fil när de ryms bekvämt och talarkontinuiteten är viktig
• Dela upp konferenser på flera timmar efter session, talare eller dagordningspunkt
• Ta bort lång tystnad och partier med enbart musik innan export
• Bevara några sekunders sammanhang vid varje klipp i stället för att klippa mitt i en mening
• Använd tydliga filnamn så att transkriptsektionerna står kvar i ordning

Användningsgräns: fem transkriptionsstarter per timme

Den kostnadsfria tjänsten tillåter för närvarande högst fem transkriptionsstarter per timme som tekniskt skydd mot missbruk. Det är inte ett förråd av betalda minuter och blir inte en mindre kvot för långt ljud. Har du en stor samling, förbered och kontrollera först alla filer, och bearbeta sedan de viktigaste inspelningarna i ordning i stället för att slösa starter på dubbletter eller ofullständiga uppladdningar.

Noggrannhet har ingen ärlig universell procentsats

Ett enda noggrannhetspåstående kan inte beskriva varje inspelning. Tydligt tal med närmikrofon på ett språk som stöds är mycket enklare än en diskussion i grupp på avstånd med eko, avbrott och domänspecifika namn. Även ett transkript som ser flytande ut kan innehålla en felaktig siffra, ett egennamn eller en talartilldelning, så att läsbarheten inte är bevis på faktisk korrekthet.

• Bakgrundsbrus kan dölja konsonanter och ordslut
• Eko och överstyrning tar bort detaljer som programvaran inte kan återskapa på ett tillförlitligt sätt
• Överlappande tal gör både ordalydelse och talarattribution svårare
• Accenter, kodväxling och ovanliga språk kan öka felen
• Namn, förkortningar, produkttermer och siffror bör kontrolleras manuellt
• Musik, applåder och långa korsande samtal kan skapa oanvändbara partier

Talaridentifiering är användbar, men inte ofelbar

Talaridentifiering svarar på vem som talade när; den skiljer sig från att igenkänna orden. Tydliga röster med rena turtagningar brukar separeras väl. Liknande röster, enordsavbrott, delade mikrofoner och samtidigt tal kan slå ihop eller byta talarmärkningar. Lyssna på inledningen, koppla generiska märkningar till riktiga namn och verifiera varje attribution som ska citeras eller publiceras.

Språk och gränser för specialistordförråd

Flerspråkiga modeller täcker många språk, men prestandan är inte identisk mellan dem. Att ange det kända inspelningsspråket förhindrar onödiga detekteringsfel. För kurser, forskningsintervjuer och tekniska möten: lägg till viktiga namn, förkortningar och specialistord i promptfältet. Det ger sammanhang, men ersätter inte korrekturläsning.

Begränsningar för bearbetning och integritet

Sprechverlauf skickar inspelningen via OpenRouter till Microsoft Azure (betalda alternativ) eller DeepInfra eller Groq (kostnadsfri provperiod) för AI-bearbetning, med Zero Data Retention hos leverantören. Långa inspelningar delas upp i 30-minuterssektioner som körs parallellt, så även filer på flera timmar är klara inom några minuter. Sprechverlauf håller transkriptet i minnet i högst två timmar och lagrar inte ljudet permanent — transkript sparas bara krypterat på ditt konto när du är inloggad — så exportera resultatet som Word eller PDF när du vill spara det.

När mänsklig granskning fortfarande krävs

AI-resultat bör behandlas som ett snabbt första utkast när misstag har konsekvenser. Verifiera citat mot inspelningen, kontrollera siffror och namn, och använd ett kvalificerat mänskligt arbetsflöde för juridiskt, medicinskt, skyddsvärt eller annat material med höga insatser. Den korrekta frågan är inte bara om modellen kan transkribera filen, utan om det resulterande underlaget är tillförlitligt nog för dess avsedda användning.

Checklista innan en lång transkription startar

• Bekräfta att filen är 100 MiB eller mindre
• Konvertera för stora WAV-filer till en MP3- eller M4A-kopia i talkvalitet
• Dela upp inspelningar på flera timmar vid naturliga sektionsgränser
• Välj inspelningsspråket i stället för att lita på detektering när språket är känt
• Lägg till namn och specialistord som kontext
• Ange rätt antal talare för talaridentifieringen
• Planera att verifiera citat, siffror, namn och känsliga påståenden
• Exportera det färdiga transkriptet innan du lämnar resultatsidan