Transkribera inspelningar på andra språk: vad modellerna klarar och var de snubblar

Den som studerar, forskar eller arbetar internationellt får förr eller senare inspelningar på mer än ett språk: en intervju på turkiska, en familjeinspelning på arabiska, en gästföreläsning på engelska, ett möte där polska och tyska blandas. Modern taligenkänning klarar det förvånansvärt väl — om du känner till dess svaga punkter.

Hur många språk känner modellerna igen?

OpenAI:s Whisper tränades på 99 språk; Sprechverlauf använder den snabba Whisper Large v3 Turbo i den kostnadsfria provperioden. Microsoft MAI-Transcribe-2, modellen i de betalda planerna, stöder 60 språk enligt sitt modellkort och särskiljer även talare. Microsoft anger ett genomsnittligt ordfelsfrekvens på 5,2 procent på FLEURS-riktmärket. Det är ett genomsnitt: stora språk med mycket träningsdata gör det bättre, sällsyntare språk sämre.

Fallgrop 1: närbesläktade språk

Kroatiska, serbiska och bosniska; hindi och urdu; malajiska och indonesiska: de låter så lika att automatisk språkdetektering kan missa på korta klipp. En serbisk intervju kan bli skriven med kroatisk stavning, eller urdu i devanagari i stället för arabisk skrift. Lösningen är enkel: välj språket uttryckligen innan du startar.

Fallgrop 2: dialekter och slang

Arabiska är det tydligaste exemplet: egyptiska, levantinska och marockanska arabiska skiljer sig mycket åt, men det mesta skrivna materialet använder modern standardarabiska. Modeller tenderar att jämna ut talad dialekt mot standardspråket eller missuppfatta regionala ord. Detsamma gäller i mindre utsträckning schweizertyska, brasiliansk portugisiska eller kantonesiska.

Fallgrop 3: tonspråk och skrift utan mellanslag

I kinesiska, vietnamesiska eller thai ändrar tonhöjden betydelsen av en stavelse. Eko, musik och kraftig kompression suddar just det — ett rent inspelat ljud räknas dubbelt här. Kinesiska, japanska och thai separerar inte heller ord med mellanslag; modellen måste själv sätta ordgränser. Kontrollera namn och facktermer noggrant.

Fallgrop 4: språkbyte mitt i samtalet

I många familjer och team byter folk språk mitt i en mening. Om du tvingar fram ett språk måste modellen skriva allt på det språket. För blandade inspelningar är ”automatisk” det bättre valet; Microsoft säger att MAI-Transcribe-2 är byggd för just denna kodväxling.

Kort sagt

• Ett språk: välj det innan du startar, särskilt för korta klipp och närbesläktade språk.
• Flera språk i ett samtal: låt det stå på ”automatisk”.
• Dialekt: räkna med avvikelser och kontrollera citat vid tidsstämpeln.
• Tonspråk: spela in rent, utan bakgrundsmusik.