Af whispertranscribe.ai's redaktion · Senest opdateret: november 2026 · 12 minutters læsning · Kategori: grundlæggende om transskription
Hvad er tale til tekst? Det er software, som lytter til talte ord og skriver dem som redigerbar tekst. Teknologien kaldes også talegenkendelse eller automatisk talegenkendelse (ASR). Den findes i to former: direkte, hvor ordene vises, mens nogen taler, og fra en optagelse, hvor en færdig lyd- eller videofil bliver til en transskription.
En kort oplysning: Vi står bag whispertranscribe.ai, en browserbaseret transskriptionstjeneste. Forklaringerne af teknologien henviser til Google, Microsoft, Apple, W3C eller en forskningsoversigt frem for vores markedsføring.
Kort svar: Hvad er tale til tekst?
Tale til tekst omdanner automatisk tale til tekst: Lyd kommer ind, en talegenkendelsesmodel vælger de mest sandsynlige ord, og softwaren tilføjer tegnsætning.
- Andre navne: speech to text, talegenkendelse, ASR, stemmeskrivning og talk-to-text.
- To tilstande: direkte (streaming) til skrivning og undertekster samt filbaseret (batch) til eksisterende optagelser.
- Begrænsningen: Nøjagtigheden afhænger stærkt af lyden. Støj, afstand til mikrofonen, stærke accenter, fagsprog og overlappende tale øger alle fejlene.
Tale til tekst, diktering og transskription
Voice to text og speech to text betyder det samme. Diktering er én opgave, teknologien kan udføre (at tale ind i et tekstfelt), og transskription er en anden (at omdanne en optagelse til skrift). "Stemmegenkendelse" er noget andet: Den identificerer, hvem der taler.
W3C's Web Accessibility Initiative bruger "speech recognition" om at omdanne ord til tekst og "voice recognition" eller "speaker recognition" om teknologi, der identificerer taleren frem for ordene.
| Term | Normal betydning | Typisk resultat |
|---|---|---|
| Voice to text | Daglig betegnelse for at omdanne tale til tekst | Tekst på skærmen eller i en fil |
| Speech to text (STT) | Samme idé; almindelig i softwaredokumentation | Tekst, ofte med tidsstempler |
| Automatisk talegenkendelse (ASR) | Det tekniske felt og modellen bag | Mest sandsynlige ordsekvens |
| Diktering eller stemmeskrivning | Tale ind i et tekstfelt i stedet for at skrive | Tekst ved markøren |
| Transskription | En skriftlig gengivelse af en optagelse eller begivenhed | En transskription, du kan redigere, søge i og eksportere |
| Direkte undertekster | Tekst i realtid mens lyd afspilles | Undertekster på skærmen, normalt ikke gemt |
| Stemme- eller talergenkendelse | Identifikation af, hvem der taler | En taleretiket, ikke ord |
Al diktering er tale til tekst, men ikke al tale til tekst er diktering. Et interview på 90 minutter kræver transskription; et håndfrit svar på en e-mail kræver diktering.
Hvordan virker tale til tekst?
Ethvert tale-til-tekst-system optager lyd, omdanner den til numeriske egenskaber, bruger en trænet model til at finde de mest sandsynlige ord og formaterer resultatet. Det, der har ændret sig gennem det seneste årti, er modellens opbygning.
- Optagelse. En mikrofon eller lydfil leverer et digitalt signal. Googles Cloud Speech-to-Text-dokumentation anbefaler optagelse ved 16.000 Hz, når du kan vælge. Lavere frekvenser kan forringe nøjagtigheden, mens højere ikke gør nogen mærkbar forskel.
- Udtrækning af egenskaber. Signalet opdeles i korte rammer og omdannes til egenskaber, normalt et spektrogram, der viser, hvordan lydenergien ændrer sig på tværs af frekvenser over tid.
- Genkendelse. En model knytter disse egenskaber til den mest sandsynlige ordsekvens.
- Formatering. Systemet tilføjer tegnsætning, store bogstaver og nogle gange tidsstempler eller taleretiketter.
Den klassiske tilgang: akustisk model og sprogmodel
I årtier blev talegenkendelse opdelt i separate dele. En forskningsoversigt fra 2023 beskriver fire komponenter i det klassiske system: udtrækning af akustiske egenskaber, akustisk modellering, sprogmodellering og en søgning, der vælger det bedste samlede svar.
- Den akustiske model vurderer, hvilke talelyde der findes i hvert lydudsnit. Klassiske systemer brugte skjulte Markov-modeller til at håndtere forskellige talehastigheder.
- Et udtaleleksikon forbinder lydene med ord.
- Sprogmodellen vurderer sandsynlige ordsekvenser, så systemet foretrækker meningsfuld tale frem for en lignende lydende række vrøvl.
Den moderne tilgang: end-to-end-modeller
Nyere systemer er overvejende end-to-end: Ét neuralt netværk lærer hele forbindelsen fra lyd til tekst ved hjælp af transskriberet tale. Samme oversigt rapporterer, at dyb læring reducerede ordfejlraten med over 50 % i forhold til tidligere modeller, og at end-to-end-modeller er blevet den fremherskende tilgang. OpenAI's Whisper er et kendt eksempel; vi forklarer det i guiden til hvad Whisper AI er.
| Klassisk proces | End-to-end-model | |
|---|---|---|
| Struktur | Separate akustiske modeller, udtaleleksikon og sprogmodel | Ét neuralt netværk fra lyd til tekst |
| Træningsbehov | Manuelt opbyggede ordlister og fonemsæt samt flere træningstrin | Store mængder transskriberet tale |
| Typisk svaghed | Separat trænede dele kan øge fejl og omkostninger | Kræver meget transskriberet tale; det er sværere at bruge rene tekstdata |
| Sprogviden | En separat sprogmodel | Læres i netværket; en ekstern model kan tilføjes |
Direkte versus filbaseret transskription: Hvad er forskellen?
Direkte (streaming) tale til tekst viser tekst, mens personen stadig taler, og passer til diktering og direkte undertekster. Filbaseret (batch) transskription behandler en færdig optagelse og leverer hele transskriptionen bagefter; det passer til interviews, møder og forelæsninger.
Googles Cloud Speech-to-Text har tre anmodningstyper: synkron for lyd på højst 1 minut, asynkron for filer på op til 480 minutter og streaming, som viser foreløbige resultater, mens brugeren taler. Microsofts Azure Speech-dokumentation skelner tilsvarende mellem realtids-, hurtig- og batchtransskription (begge kontrolleret november 2026).
| Direkte tale til tekst (streaming) | Filbaseret transskription (batch) | |
|---|---|---|
| Hvornår teksten vises | Mens du taler; foreløbige ord kan ændres med mere lyd | Efter behandling af optagelsen |
| Typisk brug | Diktering, direkte undertekster, stemmeassistenter | Interviews, møder, forelæsninger, podcasts, videoundertekster |
| Hvad du beholder | Det, der står i tekstfeltet eller undertekstvinduet | En transskription, du kan redigere og eksportere |
| Vigtigste afvejning | Hastighed frem for polering | Du venter, men kan behandle filen igen med andre indstillinger |
En praktisk regel: Hvis ingen behøver ordene før senere, så optag klar lyd og transskriber filen. Du beholder originalen og kan kontrollere enhver linje mod den.
Hvad bruges tale til tekst til?
Folk bruger tale til tekst til at skrive uden tastatur, gøre optagelser til søgbare noter, lave videoundertekster og gøre tale tilgængelig. Microsofts dokumentation nævner også kontaktcentre, eksempelvis analyse efter samtaler.
| Anvendelse | Normal tilstand |
|---|---|
| Skrive e-mails, beskeder og udkast med stemmen | Direkte diktering |
| Møde- og interviewnoter | Filtransskription eller direkte til hurtige noter |
| Noter fra forelæsninger og seminarer | Optagelse efterfulgt af filtransskription |
| Videoundertekster | Filtransskription med SRT- eller VTT-eksport |
| Stemmememoer og optagne opkald | Filtransskription |
| Tilgængelighed for døve, hørehæmmede eller personer, der ikke kan bruge tastatur | Direkte undertekster og diktering |
Vores guide til apps til optagelse af forelæsninger dækker undervisning.
Hvor finder du tale til tekst på telefon eller computer?
De fleste enheder har allerede tale til tekst til skrivning: Windows-logotasten + H på Windows 11, Diktering på Mac eller iPhone eller mikrofonen på Googles Gboard-tastatur på Android. Disse værktøjer skriver i det aktive felt; de transskriberer ikke eksisterende optagelser.
| Platform | Indbygget funktion | Sådan starter du (ifølge den officielle hjælpeside) | Kræves internet? (ifølge siden) |
|---|---|---|---|
| Windows 11 | Stemmeskrivning | Sæt markøren i et tekstfelt, og tryk Windows-logotasten + H | Ja. Microsoft siger, at funktionen bruger online talegenkendelse drevet af Azure Speech |
| Mac | Diktering | Slå til i Systemindstillinger, Tastatur, Diktering. Start med mikrofontasten, din genvej eller Rediger, Start diktering | Varierer. Tastaturindstillinger viser, om almindelig diktering behandles på din Mac |
| iPhone | Diktering | Indstillinger, Generelt, Tastatur, Aktivér diktering. Tryk derefter på mikrofonen på tastaturet | Ofte ikke. Apple siger, at diktering på mange sprog kører på iPhone uden internet |
| Android | Gboard-stemmeskrivning | Tryk på mikrofonen øverst på tastaturet i en app med tekstindtastning | Ikke angivet på Googles side |
Nogle detaljer fra de officielle sider:
- Windows: Microsofts guide til stemmeskrivning beskriver også valgfri automatisk tegnsætning.
- Mac: Ifølge Apples Mac-dikteringsguide stopper diktering efter 30 sekunder uden tale, og usikre ord understreges med blåt, eksempelvis "flour", når du mente "flower".
- iPhone: Apples iPhone-dikteringsguide viser talte kommandoer til tegnsætning og redigering.
- Android: Googles Gboard-hjælpeside bemærker, at tale til tekst ikke virker med alle sprog, og at visse trin kræver Android 7.0 eller nyere.
Menunavne ændres mellem versioner, så følg hjælpesiden til din enhed.
Hvor nøjagtig er tale til tekst, og hvad er begrænsningerne?
Med klar lyd fra én person tæt på mikrofonen genkender moderne tale til tekst de fleste ord korrekt. Nøjagtigheden falder ved støj, afstand, stærke accenter, specialiseret ordforråd og overlappende talere. Der findes ikke ét nøjagtighedstal; optagelsen betyder lige så meget som softwaren.
Standardmålet er ordfejlrate (WER): antallet af erstattede, udeladte eller tilføjede ord divideret med antallet af ord i en menneskekontrolleret transskription. Vores artikel om hvor nøjagtig Whisper er viser, hvor meget WER ændrer sig mellem rene lydbøger og mødeoptagelser med fjerne mikrofoner.
| Begrænsning | Hvorfor det sker | Hvad hjælper |
|---|---|---|
| Accenter og dialekter | Modeller møder nogle accenter langt sjældnere under træning | Vælg den rigtige regionale variant; test et kort klip |
| Baggrundsstøj og afstand | Støj og ekko gør talesignalet uklart | Gå tættere på mikrofonen, brug et stille rum eller et headset |
| Fagord, navne og sjældne ord | Modeller foretrækker almindelige ord | Brugerdefinerede ordlister (Microsoft kalder dem sætningslister), eller korrekturlæs navne og tal |
| Flere talere og overlappende tale | Overlappende stemmer er svære at adskille; taleropdeling er en separat opgave | Én person ad gangen; kontrollér taleretiketter |
| Telefon og lyd af lav kvalitet | Google bemærker, at ældre telefonlyd typisk er 8.000 Hz, hvilket kan give mindre nøjagtige resultater | Optag i højere kvalitet; opsampling reparerer ikke gammel lyd |
| Ord der lyder ens | "Flour" og "flower" lyder ens på engelsk | Læs teksten igennem før afsendelse |
To vaner fanger de fleste fejl: Kontrollér alle navne, tal og tekniske termer mod lyden, og brug direkte undertekster som vejledning, ikke som dokumentation.
Tale til tekst og tilgængelighed
Tale til tekst hjælper på to måder. Diktering lader folk skrive ved at tale; W3C nævner personer med fysiske handicap, belastningsskader og kognitive handicap eller indlæringsvanskeligheder blandt dem, der er afhængige af det. Undertekster og transskriptioner lader døve og hørehæmmede følge lyd.
W3C's side om hørenedsættelser siger, at lydindhold behøver alternativer som transskriptioner og undertekster. Den advarer også om, at automatiske undertekster normalt er for unøjagtige til at stå alene, fordi de overser fagtermer og sammenblander sætninger. Løsningen er at kontrollere og rette resultatet før udgivelse. Vores guide til subtitles versus captions forklarer de to typer.
Telefoner har også værktøjer i realtid. Apples Live Captions (iPhone 11 eller nyere) transskriberer lyd fra apps eller rummet direkte; Apple siger, at man ikke bør stole på funktionen i højrisiko- eller nødsituationer. Googles Live Transcribe på Android viser tale og lyde som tekst og kræver internet, medmindre du bruger et offlinesprog.
Sådan vælger du et tale-til-tekst-værktøj: 5 kriterier
Begynd med det resultat, du behøver. Til en hurtig besked er indbygget diktering nok. Til en lang optagelse bør du vurdere filtransskriptionsværktøjer på disse fem punkter.
- Direkte eller optaget? Stemmeskrivning kræver diktering i dine apps. Eksisterende optagelser kræver et værktøj, der accepterer filer og eventuelt links.
- Understøttelse af sprog og accent. Kontrollér, at sproget og den regionale variant er angivet til den ønskede tilstand; direkte og filbaserede tilstande er ikke altid ens.
- Hvor lyden sendes hen. Nogle værktøjer behandler tale på enheden, andre sender den til en server. Læs privatlivssiden før upload af følsomme optagelser, og indhent nødvendigt samtykke og værtens tilladelse før optagelse af andre.
- Hvad du får ud. Se efter taleretiketter, tidsstempler, en editor og eksportformater som DOCX, TXT, SRT eller VTT.
- Længdegrænser og pris. Kontrollér den længste fil, den største upload og hvordan prisen vokser med antal lydtimer.
Hvis budgettet kommer først, sammenligner vores oversigt over de bedste gratis transskriptionsprogrammer gratisniveauer.
Hvor passer whispertranscribe.ai ind?
whispertranscribe.ai er en browserbaseret tjeneste til at omdanne optagelser til tekst med direkte transskription fra mikrofonen. Det er ikke et dikteringsværktøj: Det skriver ikke i andre apps, og der findes ingen desktopapp. Fra vores produktsider:
- Upload optagelser. Brug tale til tekst online til lyd- og videofiler som MP3, WAV, M4A, MP4 og MOV, på op til 5 GB og 10 timer. Filtransskription dækker over 130 sprog med valgfri talergenkendelse.
- Transskriber fra et link. Indsæt et YouTube-, Vimeo-, Google Drive- eller Dropbox-link i Transcribe from URL.
- Optag i browseren. Optag og transskriber din stemme uden installation, eller upload stemmememoer.
- Direkte transskription. Siden for direkte transskription optager mikrofonen og viser tale som tekst i realtid. Du vælger sprog og mikrofon og kan slå talergenkendelse til. Sproglisten er kortere end ved upload.
- Eksport. DOCX, PDF, SRT, VTT, TXT og CSV; AI-undertekstgeneratoren laver undertekstfiler. Optagne samtaler kan også bruges: se transskription af telefonopkald.
Nøjagtigheden når op til 99 % ved klar lyd; baggrundsstøj, stærke accenter og overlappende tale reducerer den. Betalte abonnementer starter fra $9.99/måned ved årlig betaling (priser), og du kan starte gratis uden konto. Den fulde liste findes på funktionssiden.
Ofte stillede spørgsmål
Er voice to text det samme som speech to text?
Ja. De to navne dækker samme teknologi: software, der hører tale og laver redigerbar tekst. "Speech to text" er mere almindeligt i udviklerdokumentation fra Google og Microsoft, mens flere søger efter "voice to text". Begge bygger på automatisk talegenkendelse. Hold "voice recognition" adskilt: W3C bruger det om at identificere taleren frem for ordene.
Er tale til tekst det samme som diktering?
Ikke helt. Diktering er én anvendelse: Du taler ind i et tekstfelt, og ordene vises ved markøren, som med Windows-stemmeskrivning eller Apple Diktering. Tale til tekst omfatter også transskription, hvor en hel optagelse som et interview, en forelæsning eller et møde bliver til redigerbar tekst. Til ny tekst bruger du diktering; har du allerede lyd og behøver en skriftlig gengivelse, bruger du et transskriptionsværktøj.
Kræver tale til tekst internet?
Det afhænger af værktøjet. Microsoft siger, at Windows-stemmeskrivning kræver internet, fordi den bruger online talegenkendelse. Apple siger, at iPhone-diktering behandles på enheden på mange sprog uden internet, og Macs tastaturindstillinger viser, om diktering behandles på Mac. Googles Live Transcribe kræver internet, medmindre du bruger et offlinesprog. Cloudbaserede transskriptionstjenester, herunder browserbaserede, kræver forbindelse for at uploade og behandle lyd.
Er tale til tekst gratis?
Grundlæggende tale til tekst er gratis på de fleste enheder. Windows, macOS, iOS og Android indeholder alle stemmeskrivning eller diktering uden ekstra betaling, men sprogunderstøttelsen varierer. Ved transskription af lange optagelser opstår der normalt omkostninger: Mange tjenester har en gratis prøve eller et gratisniveau og tager derefter betaling pr. lydtime eller abonnement. Før du betaler, bør du kontrollere maksimal fillængde, uploadstørrelse, sprog og eksportformater på det valgte abonnement.
Hvor nøjagtig er tale til tekst?
Med klar lyd fra én taler tæt på mikrofonen genkender moderne tale til tekst de fleste ord korrekt, men der findes ikke et universelt nøjagtighedstal. Fejlene stiger ved baggrundsstøj, ekko, mikrofonafstand, stærke accenter, fagord og overlappende tale. Det normale mål er ordfejlrate, som tæller erstattede, manglende og ekstra ord. Kontrollér altid navne, tal og fagtermer mod lyden, før du stoler på en transskription.
Kan tale til tekst afgøre, hvem der taler?
Nogle værktøjer kan. Mærkning af, hvem der talte hvornår, er et separat trin kaldet taleropdeling, og ikke alle værktøjer har det. Indbygget diktering antager én taler: dig. Transskriptionstjenester tilføjer ofte taleretiketter; Microsofts Azure Speech dokumenterer eksempelvis taleropdeling for op til 35 talere. Etiketter virker bedst, når stemmerne er forskellige, og folk ikke taler i munden på hinanden, så kontrollér optagelser med lignende stemmer eller overlap.
Har du en optagelse, der skal blive til tekst? Upload den til whispertranscribe.ai, og få en transskription på over 130 sprog med eksport til DOCX, PDF, SRT og VTT.
Referencer
- Google Cloud: Oversigt over Cloud Speech-to-Text (kontrolleret november 2026)
- Microsoft Learn: Hvad er tale til tekst? (Azure Speech) (kontrolleret november 2026)
- Prabhavalkar, Hori, Sainath, Schlüter, Watanabe: End-to-End Speech Recognition: A Survey (arXiv 2303.03329)
- W3C WAI: Talegenkendelse og Hørenedsættelser
- Microsoft Support: Brug stemmeskrivning i stedet for at skrive på pc
- Apple Support: Dikter beskeder og dokumenter på Mac og Dikter tekst på iPhone
- Google: Gboard Hjælp, skriv med stemmen
