Transskribering på dansk: derfor hører værktøjerne forkert
Automatisk transskribering, altså tale til tekst, virker glimrende på engelsk og mærkbart dårligere på dansk. Det skyldes både sproget og mængden af data, modellerne er trænet på. Her er, hvad I kan forvente, og hvad I selv kan gøre for at få en bedre transskription.
Automatisk transskribering af dansk tale giver typisk 9–14 % ordfejl med de bedste danske modeller, og mere med engelske modeller, der kan dansk som tilvalg. Det er nok til et referat, fordi meningen overlever, men navne og tal skal tjekkes. Bedre lyd, én taler ad gangen og en deltagerliste på forhånd gør den største forskel.
Hvorfor er dansk svært at transskribere?
- Lidt data. Der findes tusindvis af timer transskriberet engelsk tale til træning af modeller, og langt mindre dansk. En model lærer det, den hører mest af.
- Vi udtaler ikke det, vi skriver. Dansk har mange stumme bogstaver, stød og sammentrukne ord. ”Det kan vi godt” bliver til to stavelser i hurtig tale.
- Mange ord lyder ens. ”Hver” og ”vær”, ”ved” og ”hvad”, tallene fra ti til tyve. Modellen må gætte ud fra sammenhængen.
- Navne og fagord. Et navn, modellen aldrig har hørt, bliver erstattet af et ord, den kender.
Engelske modeller med dansk som tilvalg
De store modeller, som de fleste værktøjer bygger på, er trænet på mange sprog på én gang, med engelsk som langt det største. De kan dansk, men de hører det gennem en engelsk linse. Resultatet er typisk et udmærket transskript af en tydelig nyhedsoplæser og et dårligt transskript af et rigtigt møde med fem personer omkring et bord.
De seneste år har danske forskningsmiljøer, blandt andre CoRal-projektet med Alexandra Instituttet, frigivet åbne modeller, der er videretrænet på dansk tale fra hele landet. De hører dansk markant bedre, og de er åbne, så et værktøj kan køre dem på sin egen server i EU. Agentis bruger den slags modeller.
Hvad betyder ordfejlsrate i praksis?
Talegenkendelse måles i ordfejlsrate: hvor mange ord ud af hundrede, der er forkerte, mangler eller er kommet til. På det åbne danske leaderboard ligger de bedste modeller omkring 9–14 % på svære testsæt med dialekt og spontan tale. Det lyder af meget, men det betyder i praksis:
- Omkring hvert tiende ord er forkert, ofte småord som ”jo”, ”så” og ”altså”, som ikke ændrer betydningen.
- Meningen overlever. Et referat bygger på, hvad der blev besluttet, ikke på hvert ord. En sprogmodel kan udmærket skrive ”rammen fastholdes” ud fra et transskript med ti procent fejl.
- Navne og tal overlever ikke altid. Det er dem, I skal tjekke, og derfor bør referatet vise, hvor i optagelsen hver linje kommer fra.
Sådan får I en bedre transskription
- Læg mikrofonen midt på bordet, ikke ved siden af en bærbar, der blæser. En telefon midt på bordet er bedre end en computer i den ene ende.
- Én ad gangen. Overlappende tale er det, der koster flest ord. Dirigenten kan hjælpe ved at give ordet.
- Brug headset i onlinemøder, så de andre deltagere ikke kommer med to gange gennem jeres højttaler.
- Giv værktøjet deltagernes navne og dagsordenen på forhånd. Så har sprogmodellen en liste at rette navnene efter.
- Sig tal tydeligt. ”Seksogtyve tusind”, ikke ”ca. seksogtyve”, når det er et beløb, der skal i referatet.
- Hold møder i rum uden ventilation lige over bordet. Konstant støj trækker ordfejlsraten op mere end et enkelt højt klirr.
Fire måder at transskribere dansk lyd
Transskription er ikke et referat
En transskription er alt, der blev sagt, i rækkefølge. Et times møde giver 8.000–10.000 ord. Ingen læser det. Referatet er den side, der står tilbage, når beslutninger, opgaver og åbne punkter er trukket ud. Et godt værktøj giver jer begge dele, så I kan slå op i transskriptionen, når referatet skal tjekkes.
Spørgsmål og svar
Kan Whisper transskribere dansk?
Ja. Whisper fra OpenAI kan dansk, men den er trænet med engelsk som hovedsprog. Danske modeller, der er videretrænet fra Whisper på dansk tale, hører dansk bedre, især i spontan tale og dialekt.
Hvad koster transskribering af dansk?
Manuel transskribering koster typisk flere hundrede kroner pr. times lyd og tager dage. Automatisk transskribering koster få kroner pr. time og tager minutter, men kræver, at I tjekker navne og tal.
Hvor lang tid tager automatisk transskribering?
Typisk et par minutter for en times lyd, afhængigt af værktøjet og serveren.
Kan transskriberingen kende forskel på talerne?
Delvist. Værktøjer kan markere skift mellem talere, og med en deltagerliste kan en sprogmodel sætte navne på de fleste. Det går galt, når to personer har ens stemmer, eller når flere taler samtidig.
Kan referatet skrive sig selv?
Agentis optager mødet og skriver et udkast på dansk med beslutninger, opgaver og en henvisning til det sted i mødet, hvor det blev sagt. Et menneske læser udkastet igennem, før det sendes ud. Optagelsen slettes, når referatet er skrevet, og data behandles i EU/EØS. Det er gratis i testperioden.
Prøv det på jeres egne møder →