Etusivu › Näin puhe muuttuu tekstiksi

Opas · Vaihe vaiheelta

Näin puhe muuttuu tekstiksi Macilla

Puhe tekstiksi Macilla etenee aina saman kaavan mukaan, olipa kyse yhdestä saneltavasta lauseesta tai kahden tunnin palaverista: ääni sisään, tunnistus omalla koneella, teksti ulos. Alla koko ketju vaihe vaiheelta, mukaan lukien ne kaksi kohtaa, joissa macOS kysyy käyttöoikeutta.

Tarkista ensin: mille koneille tämä toimii

Tämä kannattaa lukea ennen muuta, ettei ohjeen loppuosaa lue turhaan. Apple Silicon (M1 tai uudempi) on pakollinen vaatimus, ei suositus — sovellus on rakennettu yksinomaan Apple Siliconille eikä käynnisty Intel-Macilla lainkaan. Paikallinen tunnistus nojaa Apple Siliconin grafiikkasuorittimeen ja yhtenäiseen muistiin, joiden ansiosta malli pyörii tavallisessa kannettavassa järkevää vauhtia. Käyttöjärjestelmän on oltava macOS 13 (Ventura) tai uudempi. Omat tietonsa löytää valikosta Omenavalikko › Tietoja tästä Macista.

Kulku pähkinänkuoressa

Riippumatta siitä, saneletko vai litteroitko tallenteen, vaiheet ovat samat. Ainoa ero on äänen lähde.

Missään vaiheessa äänitiedostoa ei lähetetä palvelimelle. Käyttäjätiliä ei tarvita eikä käytöstä veloiteta minuuteittain — ilmaisversion määrälliset rajat on kerrottu alempana.

1. Asennus ja mallin lataus

Sovellus asennetaan Mac App Storesta ja se jää valikkoriville pieneksi kuvakkeeksi. Ensimmäisellä käynnistyksellä valitset puheentunnistusmallin ja lataat sen kerran. Tämä on koko ketjun ainoa kohta, jossa verkkoyhteyttä tarvitaan. Kun malli on levyllä, kaikki muu toimii ilman nettiä — junassa, lentokoneessa, mökillä tai organisaation verkossa, joka estää ulkoiset pilvipalvelut.

Malli on kooltaan satojen megatavujen luokkaa, joten lataus kannattaa tehdä kiinteässä verkossa eikä jaetulla mobiiliyhteydellä.

2. Mikrofonin ja näytön tallennuksen käyttöoikeudet

macOS kysyy kaksi lupaa, ja on hyvä tietää, mihin kumpaakin käytetään.

• Mikrofoni. Tarvitaan aina, kun puhut itse — siis saneluun ja siihen, että oma ääni tallentuu palaverin nauhoituksessa.
• Näytön tallennus. Tarvitaan vain silloin, kun haluat mukaan järjestelmän äänen eli sen, mitä kuulet kaiuttimista tai kuulokkeista: verkkopalaverin muut osallistujat, videon puheraidan tai Macin kautta soitetun puhelun. Tämä hämmentää monia, koska luvan nimi puhuu näytöstä. macOS niputtaa järjestelmän äänen kaappaamisen samaan oikeuteen kuin ruudun tallentamisen, joten lupaa on pakko pyytää sitä kautta. Jos nauhoitat vain omaa puhettasi, tätä lupaa ei tarvita lainkaan.

Luvat annetaan Järjestelmäasetuksissa kohdassa Tietosuoja ja turvallisuus. Ne voi myöhemmin ottaa pois yhtä helposti kuin ne annettiin.

3. Sanelu: pikanäppäin, puhu, ⌘V

Sanelussa pidät pohjassa pikanäppäintä ⌥ Väli ja puhut. Näytön reunaan ilmestyy pieni ilmaisin, josta näet äänitason — siitä huomaa heti, saako mikrofoni oikeasti signaalia. Kun päästät näppäimen irti, nauhoitus loppuu ja tunnistus käynnistyy. Pikanäppäimen voi vaihtaa asetuksista, jos ⌥ ja välilyönti ovat jo muussa käytössä.

Tunnistus ajetaan Macin grafiikkasuorittimella, ja valmis teksti kopioituu leikepöydälle. Sen jälkeen sinä painat ⌘V ja liität tekstin siihen kohtaan, johon sen haluat (Applen suomenkielisessä valikossa komennon nimi on Sijoita). Sovellus ei kirjoita itse mitään toisiin ohjelmiin eikä näpyttele mitään taustalla.

Tämä ei ole puute vaan valinta, ja siinä on kaksi käytännön etua. Näet jokaisen sanelun ennen kuin se päätyy mihinkään, ja koska leikepöytä toimii kaikkialla, sama työnkulku pätee sähköpostiin, Muistiinpanoihin, Pagesiin ja Wordiin, Slackiin ja Teamsiin, koodieditoriin sekä asiakas- ja potilastietojärjestelmän tekstikenttään.

Ennen kuin teksti päätyy leikepöydälle, siihen ajetaan vielä omat tekstinkorvaukset. Ne kannattaa ottaa käyttöön heti, jos sanelet toistuvasti samoja hankalia sanoja: oman organisaation tai järjestelmän nimen, asiakkaan nimen tai vakiofraasin. Näin toistuvin korjaus jää kokonaan pois työnkulusta.

4. Nauhoitus ja litterointi: puhujittain jaettu teksti

Toinen polku on tallenteen litterointi. Aloitat nauhoituksen sovelluksesta, ja se tallentaa mikrofonin ja järjestelmän äänen yhdessä — siksi alusta ei ratkaise: Teams, Zoom, Google Meet tai Macin kautta soitettu puhelu käyvät kaikki samalla tavalla, eikä kokoukseen liity ylimääräistä bottiosallistujaa.

Kun lopetat nauhoituksen, sovellus tekee tunnistuksen ja jakaa tallenteen puhujiin. Kirjastoon syntyy teksti, jossa on aikaleimat ja puhujakohtaiset jaksot; puhujille voi antaa nimet ja tekstistä voi hakea. Aikaleimasta pääsee takaisin tallenteen oikeaan kohtaan, mikä on käytännössä se, mitä epäselvän kohdan tarkistaminen vaatii — koneellinen litterointi on raakaversio, jossa erisnimet ja alan termit menevät säännöllisesti väärin. Sama polku toimii myös valmiiseen tiedostoon: raahaat äänitiedoston tai videon sovellukseen. Puhujien erottelu on käsitelty tarkemmin sivulla puhujien erottelu ja tiedostojen käsittely sivulla äänitiedosto tekstiksi.

Jos nauhoitat muita ihmisiä, kerro siitä ennen aloitusta ja pyydä lupa. Suomessa sellaisen keskustelun nauhoittaminen, johon itse osallistut, ei lähtökohtaisesti ole salakuuntelua (rikoslaki 24:5), mutta tallenteen jakaminen voi silti olla rangaistavaa (RL 24:8), ja työpaikalla nauhoittamisen käyttöönotossa on omat sääntönsä. Tämä on yleistä tietoa, ei oikeudellinen neuvo.

Mikrofoni ratkaisee enemmän kuin asetukset

Ketjun heikoin lenkki on lähes aina ääni, ei ohjelma. Macin sisäinen mikrofoni riittää hyvin hiljaisessa työhuoneessa käsivarren mitan päästä. Meluisassa avokonttorissa, kaikuisassa neuvotteluhuoneessa tai pöydän toisesta päästä tulos heikkenee selvästi, ja langattomat kuulokkeet puhelutilassa pudottavat äänenlaatua sekin. Jos tunnistus tuottaa jatkuvasti puuroa, kokeile ensin lyhentää etäisyyttä mikrofoniin — se auttaa enemmän kuin mikään asetus.

Toinen yleinen tilanne on se, ettei mikrofoni saa signaalia lainkaan. Sen huomaa saneluilmaisimen äänitasosta: jos palkki ei liiku puhuessa, mikrofoni on väärä. Tarkista silloin Järjestelmäasetuksista äänen syöttölaite ja se, että mikrofonin käyttöoikeus on annettu.

Kielen tunnistus ja suosikkikielet

Kieliä tunnistetaan 99, ja kieli tunnistetaan automaattisesti. Tunnistus tehdään tallennekohtaisesti, ei lause lauseelta: jos palaveri vaihtaa kieltä pitkiksi jaksoiksi, tulos sekoittuu.

Yksi asetus kannattaa säätää heti, ja se on Suomessa aidosti hyödyllinen: rajaa suosikkikielet kahteen, suomeen ja englantiin. Suomalaisessa työpuheessa englanninkieliset termit vilahtavat jatkuvasti — deadline, brief, demo, sparrata — eikä lyhyitä tai epäselviä jaksoja kannata päästää tunnistumaan kolmanneksi kieleksi. Kun valittavien kielten joukko on kahden kokoinen, tunnistin ei enää eksy vaikkapa viroon tai ruotsiin muutaman lainasanan takia.

Siitä, miten suomen sijamuodot ja yhdyssanat käyttäytyvät tunnistuksessa, on oma sivunsa: toimiiko puheentunnistus suomeksi.

Mitä ilmaisversiolla tekee

Sovelluksen lataus on ilmainen, ja ilmaisversiolla koko yllä kuvattu ketju on käytettävissä — mutta siinä on määrälliset rajat, jotka on reilua sanoa ääneen etukäteen:

• Sanelua 5 minuuttia päivässä.
• Yhteensä 5 äänen ja 5 videon litterointia. Nämä ovat kokonaismääriä, eivät päivittäisiä.
• Nauhoittaminen on rajatonta eikä kulu kiintiöstä.
• Jo kertaalleen litteroidun tallenteen litterointi uudelleen on ilmaista eikä kuluta kiintiötä.

Rajat poistuvat Pro-avauksella, joka on kertaosto 49,99 $ — ei tilausmaksua, ei kuukausilaskua (App Store näyttää summan euroina). Ilmaisversio riittää hyvin sen selvittämiseen, tunnistuuko oma puhetapasi ja oman alasi sanasto riittävän hyvin.

Usein kysyttyä

Aiheeseen liittyvää