超車雅婷、記者用了淚流滿面　語音轉檔軟體Good Tape神在哪？

《天下》記者實地轉過印度腔英文、中文，甚至台語，結果超乎預期，和更早推出的知名同類語音轉文字軟體如台灣雅婷、中國科大訊飛，可說勢均力敵，有超車之姿。

Good Tape母公司是搭上訂閱制風潮而生的丹麥網路新聞媒體Zetland，Good Tape是在2022年12月分離出來的獨立公司，目前約有7名人員。

但為什麼一間出身新聞網媒的小型科技公司，在2022年10月才推出的語音辨識轉文字服務，短時間能彎道超車？

答案就是最近紅遍半邊天的OpenAI，旗下推出的「Whisper」模型。

OpenAI發表Whisper，再催生神物

陽明交大終身講座教授簡仁宗分析，Whisper屬於語音辨識（ASR）模型，高精準度的主因，應來自其參數數量較市場過去類似產品明顯提升。

去年9月OpenAI發表Whisper神經網路模型，聲稱英文辨識能力接近人類程度。當時令OpenAI一夕爆紅的ChatGPT尚未推出，這則消息並沒有引起廣泛關注。

廣告

然而，接手Zetland執行長兩年的克里嘉特，在公司午餐時間常聽到記者們抱怨，採訪回來想寫稿，卻要先處理完一堆令人頭大的錄音檔轉檔。

「我付錢聘用的人應該要發揮創意，而不是像機器人似的整理錄音檔，」克里嘉特說。

Zetland是一間大約有30名記者的訂閱制原生網路新聞媒體，目前有4萬訂戶，當中3萬名都是付費。它在丹麥當地僅是排行前十的數位新聞媒體，卻因創意的商業模式，在丹麥聲名大噪。Zetland擅長長篇新聞分析及專題報導，還有舉辦對外開放的「Zetland現場」，記者輪流上台分享、脫口秀講故事，公開售票往往十分鐘內「秒殺」，甚至還有「記者讀新聞」app。

大學主修軟體的克里嘉特，在跨入商界前當過爵士鼓手，曾待過幼教類新創，他也因此往返丹麥和美國矽谷，不但了解矽谷模式，也貼近科技脈動。

2015年在Zetland對外群眾募資那年，克里嘉特進入Zetland，陸續擔任數位長、產品長，主導Zetland的發行通路，在2020年接任執行長。

廣告

聽多了記者的抱怨，善於產品開發的克里嘉特決定解決大家的苦惱。

去年9月，當OpenAI發表號稱辨識力驚人的Whisper模型後，他認為解決記者們困擾的工具出現了，就和Zetland內部的IT工程師著手使用Whisper模型，前後不到3個月時間，打造出專門服務媒體記者的Good Tape逐字稿軟體平台。

超巨量資料訓練，準確率變高

克里嘉特分析，OpenAI已打造出強大的開源軟體平台，Good Tape在Whisper的既有基礎模型上，進行改善，便能很快推出產品。

當這個軟體在Zetland編輯台出現，記者們開始使用時，「大家簡直淚流滿面，鬆了一口氣，」克里嘉特笑著說。

這麼好用的軟體，克里嘉特沒打算藏私，去年12月，Good Tape從Zetland分離出來成立公司，由克里嘉特自己擔任執行長。除了將軟體平台開放，給全世界免費使用，同時遵守歐盟嚴格的GDPR個資規範，讓Zetland和Good Tape之間有一道防火牆，即便母公司Zetland也不能隨意進入Good Tape雲端平台上的資料。

廣告

一名台灣研究語音辨識軟體的AI工程師觀察，Good Tape是把Whisper模型接出來，「就是單純扮演一個入口，不對使用者上傳的資料做任何訓練，特別記者上傳的檔案有隱私考量，」這名工程師說。

但為什麼Good Tape的準確率這麼高？

這名研究過雅婷、科大訊飛的工程師指出，關鍵就在Whisper是新一代AI語音辨識架構模式。

首先是比過去更大量的未標示資料訓練。當時OpenAI的研究團隊透過網路，蒐集了68萬小時多語音和多任務型態同步做數據訓練。這麼做的好處，是讓龐大且多樣化的資料庫能提高口音、背景噪音和技術語言的辨識力。

這種方式讓OpenAI發現，Whisper比其他模型更穩定，錯誤率降低50%。

Good Tape首席開發人員Jakob Steinn與 Zetland主編Lea Korsgaard。（Rasmus Smedstrup攝）

另外，Whisper支援多種語言轉錄，將其翻譯成英文。根據OpenAI自己公布的數據，總共有68萬小時音頻、11.7萬小時涵蓋96種語言，和12.5萬小時轉錄和翻譯的數據，大約有三分之一是屬於非英語系。Whisper會交替執行原始語言轉錄或翻譯成英語的任務。

廣告

「這對語音轉文本的翻譯很有效，」這名工程師表示。

等於Whisper不只做一個單純的語音辨識工作，還同時在模型上做多種語言翻譯及語意認知的任務，透過AI深度學習。

OpenAI創始人蘇茨克維（Ilya Sutskever）就曾讚嘆Whisper，「終於有一個能理解我說話的可靠語音辨識系統。」

Good Tape執行長：不會用AI的記者才會消失

台灣AI Labs推出的語音辨識服務——雅婷逐字稿，在不同語言上自己開發模型，尚未架接Whisper模型。

針對媒體圈普遍認為雅婷精確度不如Good Tape，AI Labs實測後否認此事，該基金會告訴《天下》，乾淨音檔狀況下，兩者精確度不相上下。但在嘈雜真實音檔狀況下，雅婷優於Good Tape。

目前Good Tape每個月有超過5萬個訪談檔案做語音轉文字，超過1萬5000名用戶上傳檔案，成長迅速。隨著Whisper開放API，未來勢必走向收費制，克里嘉特不諱言，Good Tape也在研擬收費方案，但他強調，免費版本仍會保留。

在數位媒體領域打滾多年，他坦言當ChatGPT橫空出世，自己和Zetland的記者們認真辯論過AI帶來的衝擊。他更學著在生活和工作中擁抱AI，嘗試用Midjourney作圖，用ChatGPT來做簡報、整理資料。

「我認為AI不會取代記者，」克里嘉特笑著說，「記者不會消失，不會用AI的記者才會消失。」

 （責任編輯：吳廷勻）