Warsztat pisania głosem. Testujemy narzędzia do automatycznej transkrypcji

82 proc. dziennikarzy wymienia automatyczną transkrypcję jako główne zastosowanie sztucznej inteligencji w ich codziennej pracy. Z jakich narzędzi warto korzystać?

Autor: Stanisław M. Stanuch

Historia technologii rozpoznawania mowy jest starsza, niż mogłoby się wydawać. Czytelnicy „Pierwszego kręgu” Aleksandra Sołżenicyna z pewnością pamiętają sceny z laboratorium pod Moskwą, gdzie więźniowie naukowcy pracują m.in. nad identyfikacją głosu. Powieść, wydana pod koniec lat 60. XX wieku, opierała się na autentycznych doświadczeniach autora – Sołżenicyn sam przebywał w takim obozie, gdzie rzeczywiście prowadzono badania nad akustycznym profilem ludzkiej mowy.

Komercyjne oprogramowanie do transkrypcji głosu na tekst istnieje od lat 90. poprzedniego wieku, jednak wczesne rozwiązania były obarczone licznymi ograniczeniami: niską skutecznością, błędami i obsługą wyłącznie języka angielskiego. Przełom nastąpił w XXI wieku, kiedy technologie rozpoznawania mowy, za sprawą nowych modeli sztucznej inteligencji, umożliwiły niemal bezbłędną konwersję głosu na tekst.

To przykład zmiany, która przekształca też warsztat dziennikarski. Technologia nie wynajduje nowego sposobu komunikacji – przywraca ten najbardziej naturalny. Zanim opanowaliśmy pisanie, ludzkość przez tysiąclecia przekazywała informacje ustnie. Dyktowanie, jeszcze nie tak dawno standard w biurach i redakcjach, wraca na salony – tym razem w wersji cyfrowej, która łączy szybkość mowy z precyzją tekstu.

Jeszcze kilka lat temu na pytanie o najbardziej żmudny element pracy dziennikarskiej wszyscy odpowiedzieliby chórem: spisywanie wywiadów i wypowiedzi. Tymczasem dziś, jak wskazują badania platformy Trint przeprowadzone wśród 28 czołowych światowych redakcji, aż 82 proc. dziennikarzy wymienia automatyczną transkrypcję jako główne zastosowanie sztucznej inteligencji w ich codziennej pracy.

WHISPER BEZ KODU

Narzędziem, dzięki któremu transkrypcja mowy stała się powszechnie dostępna, jest Whisper – model językowy opracowany przez OpenAI, służący do automatycznej zamiany mowy na tekst. Został udostępniony metodą otwartej licencji, co oznacza, że każdy może go pobrać i używać za darmo (dostępna jest również płatna wersja dla programistów udostępniania przez API). Whisper szybko stał się branżowym standardem dzięki wyjątkowo wysokiej dokładności transkrypcji, odporności na szumy i akcenty oraz możliwości transkrypcji w ponad stu językach.

Bezpośrednia instalacja kodu Whispera na swoim komputerze lub integracja przez API wymaga konfiguracji środowiska i podstawowej wiedzy programistycznej. W odpowiedzi na tę barierę powstały usługi online, które obsługują tę całą infrastrukturę za użytkownika. Poniżej je omówimy. Jednak dla dziennikarzy wyjątkowo ceniących prywatność, brak limitów i pracę offline powstała trzecia ścieżka: lokalne zainstalowanie i używanie modelu Whisper za pomocą darmowych, intuicyjnych programów takich jak LM Studio, Whisper Desktop czy Faster-Whisper. Dzięki nim silnik Whisper działa na naszym własnym komputerze bez konieczności pisania kodu, co łączy najwyższą jakość transkrypcji z pełną kontrolą nad przesyłanymi danymi, bo te nie są nigdzie przez internet wysyłane.

TURBOSCRIBE: DOBRY, ALE CZY BEZPIECZNY?

Jednym z najpopularniejszych wśród dziennikarzy i naukowców rozwiązań transkrypcyjnych jest TurboScribe (Turboscribe.ai). Po założeniu konta na portalu użytkownik wgrywa plik audio lub wideo, który chce spisać, a następnie wybiera jeden z trzech trybów transkrypcji:

• Cheetah – maksymalna szybkość, kosztem dokładności,

• Dolphin – balans między szybkością a dokładnością,

• Whale – najwyższa precyzja, kosztem czasu przetwarzania.

W przypadku materiałów z udziałem kilku osób warto aktywować funkcję diaryzacji (ang. speaker diarization), czyli automatycznego rozpoznawania mówców.

TurboScribe przetwarza dziesięciominutowy wywiad z diaryzacją w ciągu kilkudziesięciu sekund. Serwis w wersji płatnej obsługuje pliki o długości do 10 godzin i ciężarze do 5 GB, co czyni go użytecznym narzędziem do transkrypcji dłuższych materiałów, takich jak konferencje prasowe, panele dyskusyjne czy wykłady. Czas przetwarzania zależy od wybranego modelu: w trybie Cheetah godzina audio zostanie przetworzona w nieco ponad minutę, podczas gdy model Whale wymaga 4–8 minut, a z włączoną diaryzacją – dodatkowo około 2 minut.

Należy jednak pamiętać, że skuteczność diaryzacji zależy od kilku czynników. Po pierwsze, jakości nagrania, tempa, w jakim mówią rozmówcy, i kultury rozmowy. W spokojnych wywiadach, gdzie rozmówcy wypowiadają się naprzemiennie, rozróżnienie głosów działa poprawnie. W dynamicznych debatach, z częstymi przerywaniami i nakładającymi się wypowiedziami, algorytm może gubić momenty przejścia między mówcami. Sprawdziłem to na przykładzie jednego z odcinków „Debaty Gozdyry” i właściwie po zapowiedzi programu i wypowiedzi pierwszego polityka TurboScribe zaczął się gubić i nie wykrywał nowego mówcy albo przypisywał wypowiedź nie temu, kto mówił.

Po zakończeniu transkrypcji możemy ją wyeksportować jako plik .pdf, .docx, .txt oraz .srt (napisy), obejrzeć materiał w edytorze albo zlecić ChatGPT stworzenie podsumowania. Kluczową funkcją edytora jest synchronizacja tekstu z audio: każde zdanie opatrzone jest znacznikiem czasowym, a jego kliknięcie uruchamia odtworzenie odpowiadającego fragmentu nagrania. W edytorze zrobimy też ręczną korektę tekstu, wyszukamy i zamienimy wyraz lub frazę (np. błędnie rozpoznane nazwiska) oraz przypiszemy etykiety poszczególnym mówcom. Brakuje jednak możliwości dzielenia i scalania segmentów przypisanych mówcom. Można to oczywiście zrobić po eksporcie w edytorze tekstów, ale synchronizacja tekstu z audio bardzo by to ułatwiła.

Dla redakcji, ale również dziennikarzy tworzących swoje archiwum szczególnie użyteczna jest możliwość masowego przesyłania plików (do 50 jednocześnie w planach płatnych) i stworzenia na swoim dysku w komputerze przeszukiwalnych, bo tekstowych, archiwów transkrypcji. Gdy dodatkowo dziennikarz zainstaluje na swoim sprzęcie bezpłatne oprogramowanie typu LM Studio, które uruchamia modele językowe, lokalnie, czyli bez połączenia z internetem, zyskuje możliwość, wpisując prompt – jak do ChatGPT – że sztuczna inteligencja przeanalizuje zapisane na dysku archiwum transkrypcji i wydobędzie z nich interesujące go informacje na wskazany temat, co znacząco przyspiesza research.

TurboScribe oferuje plan bezpłatny (trzy transkrypcje dziennie, limit 30 minut na plik) oraz plany płatne, zaczynające się od 10 dolarów miesięcznie przy rozliczeniu rocznym. Płatne subskrypcje usuwają limity czasowe i umożliwiają wgrywanie i transkrypcję wielu plików naraz. Można też wkleić w okienku do przesyłania plików link do strony wideo i po chwili otrzymać transkrypcję dźwięku na tekst. Tę transkrypcję można następnie przetłumaczyć za pomocą popularnego internetowego tłumacza DeepL albo po prostu wklejając np. do ChatGPT i poprosić o tłumaczenie lub omówienie. To doskonały sposób na wstępny research.

Zanim jednak kupicie subskrypcję TurboScribe, zastanówcie się, czy materiały, które chcecie przetwarzać, są na tyle mało istotne, że można to zrobić, nawet ryzykując, że zostaną np. użyte do szkolenia sztucznej inteligencji. TurboScribe jest usługą amerykańską, a jego polityka prywatności wskazuje, że infrastruktura danych znajduje się w Stanach Zjednoczonych. Oznacza to, że wgrywane nagrania i generowane transkrypcje są przetwarzane poza obszarem Unii Europejskiej. Dla dziennikarzy śledczych, redakcji pracujących z wrażliwymi źródłami lub podmiotów podlegających restrykcyjnym regulacjom RODO może to stanowić istotne ryzyko prawne. Choć serwis umożliwia usunięcie plików po przetworzeniu, brak gwarancji trwałej eliminacji danych z kopii zapasowych serwera wymaga ostrożności.

TRINT: NARZĘDZIE CZOŁOWYCH NEWSROOMÓW

Historia Trint rozpoczęła się w listopadzie 2013 roku podczas Mozilla Festival w Londynie. Jeff Kaufman, nagradzany korespondent z ponad 30-letnim doświadczeniem w ABC, CBS i NBC News, poznał tam programistów: Marka Pankhursta, Marka Boaza i Loriana Gridinoka. Prezentowane przez nich oprogramowanie do automatycznej transkrypcji wzbudziło zainteresowanie Kaufmana, który jako reporter terenowy doskonale znał wyzwania pracy z materiałem audio i wideo.

Przez kolejne dwa lata zespół rozwijał prototyp, konsultując jego funkcjonalności z dziennikarzami i redaktorami wiodących światowych mediów, w tym CNN i BBC. Celem było stworzenie rozwiązania, które łączyłoby najwyższą użyteczność z rygorystycznymi standardami bezpieczeństwa wymaganymi w profesjonalnych redakcjach. 5 września 2015 roku Trint (Trint.com) zadebiutował jako produkt komercyjny.

Do głównych atutów platformy należy precyzyjna synchronizacja tekstu z nagraniem: każde słowo w transkrypcji powiązane jest z dokładnym znacznikiem czasowym, co umożliwia błyskawiczną nawigację po treści. Trint oferuje również unikatową funkcję transkrypcji i edycji w czasie rzeczywistym (Trint Live), pozwalającą wielu użytkownikom na jednoczesną pracę nad tym samym transkrybowanym materiałem – dodawanie komentarzy, oznaczanie fragmentów i korektę tekstu.

Wykorzystała to Agence France-Presse (AFP) podczas szczytu klimatycznego COP28. Dziennikarze obecni na konferencji przesyłali nagrania audio wraz z transkrypcją na żywo bezpośrednio do redakcji w Paryżu. Dzięki temu zespół w centrali nie musiał czekać na zakończenie wystąpień ani na ręczne przesłanie plików – tekst pojawiał się w systemie w czasie rzeczywistym, umożliwiając natychmiastowe zredagowanie i publikację depesz i wyprzedzenie konkurencji.

W przeciwieństwie do rozwiązań konsumenckich Trint spełnia rygorystyczne standardy bezpieczeństwa danych. Użytkownicy mogą wybierać lokalizację serwerów (Unia Europejska lub USA), a platforma posiada certyfikaty wymagane przez duże organizacje medialne. Choć podstawowy plan subskrypcji kosztuje około 60 euro miesięcznie, możliwości integracji z systemami CMS i skalowalność sprawiają, że z narzędzia korzystają czołowe newsroomy świata, takie jak AFP, Associated Press, CBS News, Al-Dżazira czy „The Washington Post”.

Dla kogo jest Trint? To rozwiązanie skierowane przede wszystkim do redakcji, które potrzebują współpracy wielu użytkowników nad jednym materiałem, gwarancji bezpieczeństwa danych i zgodności z RODO, integracji z istniejącym CMS, automatycznej obsługi wielu i nieraz dużych transkrypcji w wielu językach.

GOOD TAPE: OD LUNCHU W KOPENHADZE DO START-UPU

Podobnie jak Trint, duński serwis Good Tape (Goodtape.io) – jeden z najpopularniejszych wśród dziennikarzy w Europie – powstał z potrzeby praktycznej i jest produktem stworzonym przez dziennikarzy dla dziennikarzy.

Był rok 2022. Podczas lunchu w redakcji duńskiego portalu Zetland (Zetland.dk) dziennikarze, podobnie jak tysiące ich kolegów po fachu na całym świecie, narzekali, że tracą godziny na ręczne przepisywanie wywiadów. Jakob Steinn, obecny tech-leader i współzałożyciel Good Tape, przeglądając nowe projekty na platformie GitHub, natrafił na właśnie opublikowany przez OpenAI model Whisper.

Steinn w ciągu jednej nocy stworzył prosty prototyp konwertujący nagrania rozmów na tekst. Kilka dni później dziennikarze zaprezentowali działające rozwiązanie szefowi Zetlandu, który wyraził zgodę na dalszy rozwój projektu wewnątrz redakcji. Gdy się okazało, że prototyp przewyższa oczekiwania, podjęto decyzję o wydzieleniu go jako osobnej spółki. Tak narodził się start-up Good Tape.

Good Tape i TurboScribe wykorzystują ten sam silnik technologiczny – model Whisper od OpenAI. Oznacza to porównywalną dokładność transkrypcji: plan Pro w Good Tape oferuje jakość zbliżoną do trybu Whale w TurboScribe. Oba serwisy umożliwiają eksport do wielu formatów i charakteryzują się intuicyjnym interfejsem. Różnice dotyczą modelu biznesowego i polityki bezpieczeństwa danych (patrz tabelka powyżej).

Dla redakcji, w których ważne jest bezpieczeństwo materiałów, Good Tape ma istotną przewagę: wszystkie dane – nagrania i transkrypcje – są automatycznie usuwane z serwerów po zakończeniu przetwarzania, chyba że użytkownik zdecyduje się na ich przechowywanie. Serwery zlokalizowane w Europie zapewniają zgodność z regulacjami RODO, co dla dziennikarzy śledczych i redakcji pracujących z wrażliwymi źródłami może być czynnikiem decydującym.

KLAWIATURY GŁOSOWE: PRZYSZŁOŚĆ PISANIA TO MÓWIENIE

Tanay Kothari, dziś przedsiębiorca z Doliny Krzemowej, jako dziesięciolatek obejrzał serial „Iron Man” i od tamtej pory marzył o stworzeniu prawdziwego Jarvisa – asystenta rozumiejącego głos tak naturalnie jak człowiek. Początkowo wraz z Sahajem Gargiem, programistą z Indii, pracował nad sprzętowym rozwiązaniem do sterowania komputerem za pomocą głosu. Szybko jednak skoncentrowali się na aplikacji przetwarzającej mowę na tekst w czasie rzeczywistym, z uwzględnieniem kontekstu, edycji i integracji systemowej.

Efektem tej pracy jest Wispr Flow (Wisprflow.ai), aplikacja wykorzystywana dziś przez dziennikarzy oraz pracowników firm z listy Fortune 500. Skąd jej popularność? Badania wskazują, że dyktowanie pozwala pisać trzy–cztery razy szybciej niż na klawiaturze.

Wielu użytkowników ignoruje tzw. klawiatury głosowe, argumentując, że podstawową funkcję dyktowania oferuje każdy smartfon. Różnica tkwi w szczegółach. Klawiatury głosowe, wykorzystujące modele AI, oferują automatyczne usuwanie wypełniaczy typu „yyy”, „hmm”; inteligentną interpunkcję: kropki, przecinki i wielkie litery wstawiane są automatycznie na podstawie kontekstu; funkcję Backtrack: w przypadku pomyłki wystarczy powiedzieć „popraw”, aby aplikacja zastąpiła ostatnią frazę nową wersją; formatowanie na komendę: klawiatury głosowe pozwalają tworzyć listy punktowane, nagłówki czy akapity za pomocą poleceń słownych.

DYKTOWANIE NA SMARTFONIE

Na urządzeniach mobilnych klawiatury głosowe działają jako nakładki systemowe. Większość aplikacji do dyktowania ma najczęściej dwie wersje: jedną na komputer stacjonarny, np. Mac lub Windows, i jedną na smartfon, np. iPhone lub Android. W zasadzie w obu przypadkach działają tak samo. Różnica jest tylko w uruchamianiu samej klawiatury głosowej. Na desktopie najczęściej używamy skrótu klawiszowego. Natomiast na smartfonie najpierw pobieramy aplikację ze sklepu AppStore czy Google Play, instalujemy ją i by jej użyć, klikamy na ikonę zmiany klawiatury.

W praktyce wygląda to tak: na iPhonie otwieram dowolną aplikację, w której chcę umieścić tekst, np. Word, któryś komunikator lub aplikację do poczty elektronicznej.

Będąc w okienku, gdzie normalnie wpisuję tekst, wstukując go z klawiatury, klikam na ikonę globusa i aktywuję ściągniętą wcześniej z AppStore klawiaturę, np. Spokenly lub VoiceInk. Po naciśnięciu wyświetlonego na ekranie „Start dictation” mogę dyktować tekst, który po akceptacji pojawia się w treści. Pozornie wygląda to identycznie, jakbym nacisnął przycisk z mikrofonem na smartfonie i podyktował tekst. Różnica polega na tym, że tekst z klawiatury głosowej będzie pozbawiony np. wypełniaczy i jeśli podczas dyktowania wybierzemy zdefiniowany wcześniej prompt, to treść zostanie przetworzona zgodnie z zawartymi w nim poleceniami. Na przykład zdarza mi się, że muszę odpowiedzieć na mail w języku, który słabo znam. Zamiast pisać tekst po polsku, kopiować go do

DeepL i następnie gotowe tłumaczenie do treści maila, stworzyłem sobie prompt, który brzmi: Przetłumacz podyktowany tekst na język francuski. Gdy go potrzebuję, w treści maila uruchamiam głosową klawiaturę, dyktuję treść po polsku, a po skończeniu dyktowania program zamienia go na francuski i wkleja do treści maila.

Doświadczenia dziennikarzy na Reddit potwierdzają: intensywne korzystanie z klawiatur głosowych przyspiesza pracę z tekstem kilkukrotnie i redukuje liczbę błędów. Faktem jest, że trzeba się do tego sposobu przyzwyczaić i oczywiście go nauczyć. Jednak to trochę tak jak z przejściem kierowcy z manualnej na automatyczną skrzynię biegów: początkowo może być trudno, ale jak już człowiek opanuje nowy sposób, to nie chce wracać do starych przyzwyczajeń.

Na forum Reddit dziennikarze dzielą się sprawdzonymi przypadkami, gdy klawiatura głosowa się przydaje:

– Po wydarzeniach: powrót z konferencji czy reportażu to moment na szybkie podyktowanie szkicu artykułu – w redakcji pozostaje tylko dopracowanie tekstu,

– W terenie: podczas wydarzeń publicznych dyktowanie pozwala notować obserwacje i wrażenia równolegle z nagrywaniem materiału,

– W ruchu: pomysły przychodzą nie tylko przy biurku. Dyktowanie w samochodzie, podczas biegania czy spaceru pozwala uchwycić myśl w momencie jej narodzin.

SPOKENLY

Na rynku mamy kilka popularnych klawiatur głosowych. Oprócz wspomnianego Wispr Flow popularne są jeszcze VoiceInk (https://tryvoiceink.com), Superwhisper (https://superwhisper.com) i Spokenly (https://spokenly.app).

Większość z nich ma podobny zestaw podstawowych funkcji: transkrypcję w czasie rzeczywistym, automatyczną interpunkcję i integrację z systemem operacyjnym. Różnice dotyczą funkcji zaawansowanych (np. diaryzacja, komendy formatujące), modelu licencjonowania oraz ceny.

Sam, po paru miesiącach różnych prób i testów, zdecydowałem się na Spokenly (jest wersja tylko dla Macbook i IOS) i uważam, że na moje potrzeby jest w zupełności wystarczający, nawet w wersji bezpłatnej, czyli bez diaryzacji. Co prawda wersja bezpłatna wymaga wybrania i odpowiedniego skonfigurowania modeli do transkrypcji, np. Whisper, i ewentualnie korekty stylistycznej tekstu, np. bezpłatny Google Gemini Flash 2.5, ale nie powinno to sprawić nikomu problemu (patrz ramka: Instalowanie klawiatury głosowej).

W opisanej konfiguracji transkrypcja odbywa się lokalnie – na Twoim MacBooku lub iPhonie. Dodatkowa korekta stylistyczna („wygładzanie” tekstu) realizowana jest przez model Google Gemini w chmurze. Jeśli przetwarzasz materiały poufne, które nie powinny opuścić twojego urządzenia, w ustawieniach „AI Providers” odznacz Google Gemini. Transkrypcja pozostanie wtedy w pełni lokalna, choć bez automatycznej korekty stylistycznej opartej na LLM.

Po skonfigurowaniu modeli możesz nie tylko dyktować na żywo, ale także przetwarzać istniejące nagrania. W menu głównym wybierz opcję „Transcribe File”, wskaż plik audio lub wideo, a po chwili – zależnej od mocy obliczeniowej i ilości pamięci Twojego urządzenia – otrzymasz gotową transkrypcję.

W miarę oswajania się z narzędziem zwykła transkrypcja może przestać wystarczać. Wówczas warto stworzyć własne prompty, które będą automatycznie czyściły i formatowały tekst zgodnie z Twoimi potrzebami (patrz ramka: Przykład: Prompt do dyktowania e-maili).

Nie trzeba chyba nikogo przekonywać, że automatyczna transkrypcja jest szybsza od ręcznego przepisywania. Z dyktowaniem jest podobnie, choć różnice są subtelniejsze, no i trzeba się tego nauczyć.

Sprawny piszący może pisać średnio 50 słów na minutę. Tymczasem tempo naturalnej rozmowy to około 130 słów na minutę. Nawet po uwzględnieniu czasu potrzebnego narzędziom AI na korektę stylu, gramatyki i interpunkcji – oraz naszych własnych przerw, by się zastanowić – realna szybkość dyktowania wynosi średnio 110 słów na minutę.

Oznacza to, że praca z klawiaturą głosową jest około dwukrotnie szybsza niż tradycyjne pisanie.

Są też trzy kluczowe zalety: dyktując, formułujemy myśli w naturalny sposób. Nie męczymy rąk, a sztuczna inteligencja robi podstawową korektę tekstu. Dyktowanie nie przykuwa do biurka. Można chodzić, robić kawę czy jechać na rowerze.

Podczas zbierania materiałów i prowadzenia researchu mam na komputerze zawsze otwarty dokument edytora. Po ustawieniu kursora w wybranym miejscu i naciśnięciu skrótu klawiszowego (np. Command na macOS lub Ctrl na Windows) mogę rozpocząć dyktowanie. Aplikacje słuchają od trzech do 30 minut (można to ustawić w aplikacji), pozwalając na naturalne pauzy w wypowiedzi. Efekt? Tekst, który po minimalnej korekcie jest gotowy do publikacji.

Trzeba jednak wziąć pod uwagę, że dyktowania dłuższych treści trzeba się nauczyć i wyćwiczyć. Mnie zajęło to mniej więcej tydzień. Najpierw robię (dyktuję) plan tego, co chcę napisać, to znaczy podyktować, a następnie dyktuję każdy punkt osobno. Być może nie tworzę trzy razy szybciej, niż gdybym pisał, ale dwukrotnie szybciej z pewnością.

***

Ten tekst Stanisława M. Stanucha pochodzi z magazynu „Press” – wydanie nr 05-06/2026. Teraz udostępniliśmy go do przeczytania w całości.

„Press” do nabycia w salonach prasowych, App Store, Google Play, e-Kiosku lub online na E-sklep.press.pl.

Czytaj też: Nowy "Press": rozmowa z Poczobutem, zmiany w Tok FM i odzyskiwanie mediów na Węgrzech

Stanisław M. Stanuch