Video till text: så får du en transkription

Vad är det egentligen som blir text när du konverterar en video?

Video till text konverterar talet på ljudspåret. I praktiken är det ljud till text: verktyget öppnar filen, lyssnar och skriver ner det som sägs. Bilden i sig läses aldrig.

Två saker följer av det:

Text som bara finns på skärmen – en slide, en namnskylt, undertexter som bränts in i bilden – hamnar inte i transkriptionen.
En video utan ljud ger ingenting. Om mikrofonen var avstängd eller exporten tappade ljudet finns det inget att hämta.

Det betyder också att du inte behöver konvertera videon till mp3 först. Alla verktyg som tar emot video plockar ut ljudet själva; att göra det för hand kostar bara tid.

En sista skillnad: en transkription är inte en undertextfil. En transkription är löpande text som du läser som ett dokument. Undertexter är samma ord uppdelade i korta, tidsatta rader, vilket är en helt annan export.

Vilka videofiler går att transkribera, och hur långa får de vara?

De vanliga formaten fungerar nästan överallt: mp4, mov, mkv och avi. Mobilinspelningar, skärminspelningar och exporter från en kamera eller ett mötesverktyg hamnar oftast i något av dem.

Det som avgör är vad som finns inuti:

Det finns ett ljudspår. Vissa exporter tappar det utan att säga till, så spela upp filen med volymen på innan du sätter igång.
Talet går att höra. Om du själv har svårt att uppfatta ett parti får verktyget också svårt.
Längden ryms inom gränsen. Zeepit tar emot videofiler på upp till fyra timmar per inspelning och använder bara ljudet, så en två timmar lång mp4 går in som den är.

Filstorleken spelar mindre roll än längden, eftersom bilderna sorteras bort tidigt: ett tungt tiominutersklipp i 4K är ett kort jobb, en lätt tvåtimmarsföreläsning ett långt. Har du ett ovanligt format, en gammal .wmv eller en filtyp från en viss kameratillverkare, exportera om den som mp4 i programmet som skapade den.

Steg för steg

Kontrollera att videon har användbart ljud
Spela upp filen med volymen på. Om du själv har svårt att uppfatta ett parti får alla verktyg det också. Exportera om eller spela in på nytt nu, inte när transkriptionen har gjort dig besviken.
Öppna filen i mobilen eller dela den
Välj videon inne i din transkriberingsapp, från Filer på iPhone eller filväljaren och Google Drive på Android. Eller öppna den i Foton, WhatsApp eller Drive, tryck på Dela och välj appen.
Låt verktyget läsa ljudspåret
Ingen konvertering behövs: mp4, mov, mkv och avi går in som de är, och bara ljudet används. Språket känns av automatiskt. Långa filer tar längre tid, så starta dem tidigt.
Läs transkriptionen och rätta namn och siffror
Skumma texten mot videon. Rätta egennamn, tal och datum – de tre sakerna som är värda en kontroll innan någon annan läser dokumentet.
Sammanfatta, kopiera eller exportera
Gör en timmes film till några läsbara stycken, kopiera sedan texten med ett tryck eller exportera den som PDF, Word eller ren text till den som behöver den.

Mobil, dator eller webbverktyg – var ska du transkribera?

De flesta träffarna på video till text är webbverktyg som du öppnar på en dator: dra in filen, vänta, kopiera resultatet. Det fungerar bra när videon redan ligger på en laptop.

Det kluriga fallet är det vanligaste: videon ligger i mobilen. Att mejla den till sig själv, vänta på överföringen och sedan ladda upp den igen är tre steg för mycket för ett femminutersklipp.

I mobilen finns två vägar:

Välj filen inne i appen, från Filer på iPhone eller filväljaren och Google Drive på Android.
Använd delningsmenyn: öppna videon i Foton, WhatsApp, Telegram eller Drive, tryck på Dela och välj din transkriberingsapp.

Zeepit är byggt för den andra vägen på iPhone och Android, utan datorversion, utan något att ladda upp från en dator, och de första konverteringarna är gratis direkt efter installationen. Samma handgrepp fungerar för röstmeddelanden i WhatsApp, och flödet visas på sidan om hur det går till. Ligger dina filer på en laptop är ett webbverktyg ett bättre val.

Hur får du en korrekt transkription av verkliga inspelningar?

Träffsäkerheten avgörs mest innan du trycker på inspelning. Ett verktyg kan bara skriva det som går att höra.

Avståndet slår allt annat. En mobil på bordet bredvid den som pratar ger en långt bättre transkription än samma mobil två meter bort i ett rum med hårda väggar.
Musik är det svåraste fallet. Ett soundtrack under en speakerröst försämrar resultatet mer än ett jämnt brus från en ventilation.
Röster som pratar i mun på varandra blir rörigt i texten, och det går inte att rädda i efterhand. På ett möte är det värt att be om en i taget.

Läs sedan igenom resultatet. Tre saker förtjänar en kontroll innan texten går vidare till någon annan: egennamn, siffror och skiljetecknen i slutet av meningarna, som gissas fram snarare än hörs. Att skumma transkriptionen en gång medan du spolar genom videon fångar det mesta som spelar roll, och det går fortfarande långt snabbare än att skriva av allt.

Vad gör du med transkriptionen när du väl har den?

Råtexten är sällan det du ska leverera. Det som behövs är oftast något av det här:

En sammanfattning. En timmes video blir några stycken: beslut, frågor, nästa steg.
Ett sökbart dokument. När orden väl är text hittar en sökning det där stället du bara halvt minns.
En översättning. En video inspelad på portugisiska, spanska eller japanska går att läsa på ett annat språk utan att något spelas in på nytt.
En fil att skicka. PDF eller Word till en kund eller en lärare, ren text att klistra in i anteckningarna.

Språket känns av automatiskt i de flesta moderna verktyg, så du behöver sällan tala om vad som talades, och transkription, sammanfattning och översättning fungerar på dussintals språk.

I Zeepit kommer transkriptionen med en sammanfattning direkt – kort, mellan eller lång – och att kopiera texten eller sammanfattningen tar ett tryck; export till PDF, Word eller ren text ingår i Zeepit Pro. På funktionssidan ser du vad som följer med.

Vad händer med videofilen medan den transkriberas?

En video är mer personlig än ett dokument: ansikten, hem, kollegor, ett kundmöte. Innan du skickar en känslig fil någonstans är fyra frågor värda att ställa.

Sparas filen efter bearbetningen, och i så fall hur länge?
Kan du radera den själv, och gäller det även säkerhetskopior?
Används innehållet för att förbättra tjänsten?
Stannar transkriptionen i din telefon eller hamnar den i ett konto online?

Svaren skiljer sig mycket åt, och varje seriöst verktyg skriver ut dem på sin integritetssida. Läs den en gång för det verktyg du bestämmer dig för.

En rimlig utgångspunkt: filen ska raderas direkt efter transkriberingen, inte arkiveras, inte återanvändas, och ingen AI-träning på dina inspelningar. Och om transkriptionen stannar i telefonen i stället för i ett konto – kom ihåg att texten försvinner tillsammans med appen om du avinstallerar den, så exportera det du vill behålla.

Vanliga frågor

Måste jag konvertera videon till mp3 innan jag transkriberar den?

Nej. Verktyg som tar emot video läser ljudspåret direkt ur mp4, mov, mkv eller avi. Att konvertera för hand lägger till ett steg och kan kosta kvalitet. Kontrollera bara att filen har ljud först: en stum export ger en tom transkription.

Kan ett video till text-verktyg läsa texten som syns på skärmen?

Nej. Transkribering utgår bara från ljudet, så slides, namnskyltar och undertexter som bränts in i bilden kommer inte med. Behöver du det som syns på skärmen, ta en skärmbild – eller läs upp de viktigaste punkterna högt medan du spelar in, så hamnar de i ljudet.

Sparas min video på servern efter att den har transkriberats?

Det beror på verktyget, så läs dess integritetssida. I Zeepit skickas filen, transkriberas och raderas direkt efteråt: inget arkiv, ingen återanvändning, ingen AI-träning på dina inspelningar. Transkriptionen och sammanfattningen stannar i telefonen, så exportera det du vill spara.

Fungerar det om videon är på portugisiska, spanska, tyska eller japanska?

Ja. Språket känns av automatiskt i de flesta verktyg, och transkribering fungerar på dussintals språk – portugisiska, spanska, tyska, franska, italienska, japanska och turkiska inkluderat. En översättning går att göra efteråt utan att spela in något på nytt. Träffsäkerheten beror ändå på hur tydligt talet fångades.

Varför blir namn och facktermer fel i transkriptionen?

För att ovanliga ord gissas fram enbart utifrån ljudet. Namn, förkortningar, varumärken och facktermer är de vanligaste felen, tillsammans med siffror. En genomläsning av transkriptionen rättar dem långt snabbare än att skriva av allt för hand, och det är steget du aldrig bör hoppa över.