AI- regel og gjennomsikt
Kva for kunstig intelligens vi bruker, kvar den køyrer, og korleis vi oppfyller krav til offentleggjering (EU AI Act Article 50, gjeldande 2026-08-02).
TL;DR
- Alle transkripsjonar er AI-genererte. Kvar utdata har ein maskinlesbar avsløring.
- Vi sender IKKJE lyd eller tekst til OpenAI, Anthropic, Google eller nokon tredjeparts LLM API, men vi sender lyd og tekst til ein tredjepart som kan hjelpe oss med å utvikle LLM API.
- Vi trenar IKKJE nokon modell på transkripsjonane dine. Alle modellane vi køyrer er open kjeldekode-modeller. Korreksjonar du eksplisitt gjer blir berre samla inn dersom du vel å delta.
- Syntetiske stemmeklonar (TTS) er tydeleg merket som AI-generert i filnamn, metadata og på sida.
Modellar vi brukar
| Modell | Bruka til | Lisens | Køyrer på |
|---|---|---|---|
| Whisper large-v3-turbo (faster-whisper) | Transkripsjon (standard) | MIT | Grafikkprosessoren vår |
| Whisper large-v3 (faster-whisper) — branded “STT.ai Enhanced” | Transkripsjon (betalt plan) | MIT | Grafikkprosessoren vår |
| Vosk | Ordstraum i sanntid | Apache 2.0 | Grafikkprosessoren vår |
| SpeechBrain ECAPA-TDNN | Høgtalardialog | Apache 2.0 | Grafikkprosessoren vår |
| MadLAD-400 3B | Omsetjing (450+ språk) | Apache 2.0 | Grafikkprosessoren vår |
| Qwen2.5-1.5B (llama.cpp) | Oppsummering, analyse, innhaldsgenerering, RAG-prat | Apache 2.0 | Grafikkprosessoren vår |
| Chatterbox (Resemble AI) | Talekloning / tekst-til-tale | MIT | Grafikkprosessoren vår |
| all-MiniLM-L6-v2 | Innebyggjarar for RAG- søk | Apache 2.0 | Grafikkprosessoren vår |
«STT.ai Enhanced» er produktnamnet vårt for Whisper large-v3 som køyrer på vår eigen GPU. Det er ikkje ei tilpassa modell, ein finjustering eller proprietære vektar – det er det største og mest nøyaktige Whisper-kontrollpunktet. Det er meir nøyaktig enn standard Whisper large-v3-turbo, og om lag 1,5 gonger tregare på ein journalisert jobb, målt på vår eigen maskinvare.
Vi brukar ikkje OpenAI, Anthropic, Google Cloud eller andre tredjeparts LLM API for nokon funksjon. Alle modellane ovanfor køyrer på maskinvare vi eig og driv. Den einaste eksterne AI-tenesta vi brukar er translateapi.ai (også Muddy Holdings) for å omsetje UI-strengar – dette rører aldri det transkriberte innhaldet ditt.
Korleis vi gjev informasjon om AI-generering
- HTML-sider: include <meta name=\
- Teksteksport (TXT, SRT, VTT, JSON, CSV, DOCX, PDF): inkluder ei « AI-generert transkripsjon » - overskriftslinje øvst i kvar fil.
- Syntetisk stemme / TTS- utdata: WAV-filer har ein «syntetisk stemme»-merkelapp i metadata og ein tydeleg merknad på nedlastingssida. Ein høyrbar ansvarsfraskriving er på vegkartet.
- API-svar: inkluder eit _ai_generated: true-felt i kvart JSON-svar som inneheld transkribert innhald.
Treningsdata
- Basismodellene (Whisper, MadLAD, Qwen, osv.) er førehandsopplærde frå dei respektive utgjevarane, og vi brukar dei som dei er.
- Avskriftane dine vert IKKJE brukte til å trene opp basismodeller.
- Dersom du korrigerer eit transkripsjonssegment (blyant-ikonet) eller markerer det som feil (flagg-ikonet), OG du har valt å bruke denne funksjonen i personverninnstillingane (vel «Modelltrening», som standard av), kan paret (feil tekst → rett tekst) bli samla inn for å trene ein framtidig tekstkorreksjonsmodell. Berre tekstparet – aldri lydene rundt – blir brukt av denne stien. Det finst ingen slik modell i dag: para blir berre lagra, og ingenting vi no har trent på dei.
- I tillegg kan du med funksjonen Bidra med rettingar og lyd til Talelaboratorium (også i /privacy-settings/, også av som standard) velje å bidra med lyd frå segmenta du korrigerer, saman med den korrigerte teksten, til Talelaboratorium-datasettet vårt under CC-BY-SA-4.0. Dei to funksjonane er uavhengige av kvarandre — du kan velje å tillate enten, begge, eller ingen av dei.
- Lyd du lastar opp vert sletta innanfor 24 timar ved ein oppryddingsjobb kvar time, med to unntak som berre gjeld dersom du vel dei. Dersom du har valt «Bidra med rettingar + lyd til Voice Lab» i /privacy-settings/, vert lydarkivet arkivert i opptil 90 dagar slik at Voice Lab kan trekke ut det korrigerte segmentet. Når det er gjort (eller etter 90 dagar, avhengig av kva som skjer først), vert kjeldelyden sletta. Dersom du er logga inn og inkluderer lydopptaket i ei delt lenkje, vert denne lydopptakslenkja bevart så lenge lenkja er aktiv (opptil 30 dagar på ein gratiskonto; 30 dagar, 90 dagar eller uavgrensa med Forever på ein betalt plan), og vert sletta innanfor 24 timar etter at lenkja utgår. Delt lyd blir ikkje brukt til trening. Teksten i transkripsjonen følgjer oppbevaringsreglene til planen din (anonym 24 timar, gratis 30 dagar, Pro+ permanent).
Nøyaktigheit og feil
AI-transkripsjon er ikkje perfekt. Ordfeil varierer etter aksent, lydkvalitet, språk og ordforråd. For kritisk bruk (juridisk, medisinsk, regulerte bransjar) må du sjekke mot originallyden. Våre offentlege WER-målestokkar per modell er på /models/.
Spørsmål om samsvar
For EU AI Act, GDPR eller andre spørsmål om samsvar: hello@stt.ai eller bruk kontaktskjema.
Sist oppdatert: 2026-08-05.