Fokusgrupptranskription — transkriber en fokusgruppe med talerlabels for alle deltagere

Fokusgrupptranskription.Alle talere mærket, hvert ord.

Slip en fokusgruppe-optagelse med 6, 8, eller helt 10 stemmer. Få et ordret transkribet med hver deltager mærket, tale-overlap markeret, og en DOCX der går direkte ind i NVivo.

Drop a file, or pick one

MP3 · WAV · M4A · MP4 · MOV · MKV · OGG · OPUS · FLAC · WEBM — up to 100 MB anonymously

Paste a link, we’ll fetch the audio

YouTube · TikTok · Vimeo · Twitter · SoundCloud · Spotify · 50+ more

Record straight from your browser

No card required~90s per 60-min fileSRT · VTT · DOCX · TXTFiles auto-deleted in 24h

8 deltagere ind. Mærket ordret ud.

Fokusgrupper er det sværeste talergenkendelsestilfælde i vores kø — ens demografi, ens stemmer, hyppigt tale-overlap. Vi markerer overlapningen inline i stedet for at droppe den, og så omdøber du Taler 3 → 'Participant_F2' en gang og det propagerer.

Fokusgruppe-optagelseREC Moderator + 7 deltagere · 1:23:14

auto-detekteret en-US44 kHz boundary mic · WAV

~90s

Transkribet · streaming91% nøjagtighed · 8 talere

Så da du først åbnede emballagen — gå mig gennem hvad du bemærkede.

Ærligt? Det første var lugten. Som et hospital, ret klinisk —

Ja, det samme. Jeg troede det skulle være den lavendelduftende.

Ja, og etiketten siger lavendel, men det er det virkelig ikke —

91% på 8-taler-rummicDOCX (QDA-klar) · SRT · TXT · JSON

This is what loads when the job finishes.

Same layout as the real dashboard — Summary, full Transcript, Speakers tab, Exports. Key points and action items extracted automatically. Auto-tags on every job.

app.transcription.solutions / interview-202.mp3Export

Summary 5Transcript 1,420Speakers 2Exports

interview-202.mp347:08128 kbps CBR2 speakersen-US auto-detected

Founders need post-call content, not just transcripts. Tools force them to stitch 5 apps together.

Sample preview from a founder interview about post-call workflow. Real transcripts look exactly like this — same tabs, same summary block, same key-points / action-items split, same auto-tag chips.

Key points

Gap exists between raw recordings and shippable content — tools stop at transcript.

Show notes, social clips, blog drafts all expected by call's end, not next-day.

Current tooling fragmented across 5 apps — no single pipeline.

Conversion-rate signal flipped a buyer-segment assumption at week 3.

40% of original hypothesis survived — the shape held, mechanics rebuilt.

Action items

Speaker 1Investigate single-pipeline approach to replace 5-app stitch.

Speaker 2Mock how show-notes draft could flow from the transcript.

Speaker 2Pull conversion-rate by segment, Monday EOD.

Speaker 1Map the 5-app stitch & list which steps actually need a human.

Auto-taggedfounder interviewpost-call contenttooling fragmentationsingle pipeline

Try it on your own file — it's free

Rev-menneske. Generisk AI. Eller os.

Forskere vælger typisk mellem at betale en menneskelig transkribar (langsom, præcis, dyr) eller at køre filen gennem et generisk AI-værktøj der ikke var bygget til 8-stemmede rum. Vi sidder midt i mellem — AI-hastighed, talergenkendelse afstemt til forskningsoptagelser, og en DOCX der går ind i NVivo uden operation.

Option 01

Rev menneskeligt ordret

En menneske skriver det. Høj nøjagtighed, men 24-timers omløb og prisen skaleres lineært med timer.

Nøjagtighed~99% (menneske)

Omløb12–24 timer typisk

Tale-overlapMarkeret [crosstalk]

QDA-eksportDOCX, manuel oprydning

Omkostning · pr. minut$1.50 ordret

90-min gruppe~$135

Best forAfhandlingsarbejde eller reguleret forskning hvor hver disfluens skal menneske-verificeres.

Option 02

Transcription.Solutions

Talergenkendelse justeret til 6-10 stemmer, tale-overlap markeret inline, DOCX-eksport konstrueret til NVivo, ATLAS.ti og Dedoose.

Nøjagtighed88–94% på gruppelyd

Omløb~1× realtid

Tale-overlapMarkeret, ikke droppet

QDA-eksportDOCX med talerfølger

Omkostning · pr. minut$0.03

90-min gruppe~$2.70

Best forForskere der kører flere grupper og har brug for et første-pass-transkribet i NVivo i morgen, ikke næste uge.

Option 03

Otter / Sonix

Generisk AI bygget til møder. Ikke dårligt på 2-3 talere, falder efter 5 — og eksporter forudser ikke QDA-software.

NøjagtighedFalder efter 5 talere

OmløbHurtigt

Tale-overlapOfte droppet

QDA-eksportIntet indbygget NVivo-format

TalerloftBlødt loft ~6

Omkostning$17–22/bruger/md

Best forSmå interviews og 1-til-1'ere hvor optagelsen har 2-3 stemmer og ligger i et kalenderarbejdsflow.

Prissætning nøjagtig fra maj 2026. Nøjagtighdsintervaller kommer fra vores interne stikprøve af kunders fokusgruppefiler, ikke syntetiske benchmarks.

94% på lavaliermikrofon per deltager. Holder ved 82% på en enkelt rummic.

Fokusgruppers nøjagtighed er afgrænset af mikrofontopologi, ikke modellen. En lavalier på hver deltager giver os rene per-taler-kanaler — talergenkendelse bliver triviel. En grænseflademikrofon på et konferencebord med 8 stemmer er det vanskelige tilfælde. Tal nedenfor kommer fra rigtige forsøgsoptagelser i vores pipeline.

8 ting folk spørger om fokusgrupptranskription.

01Kan jeg omdøbe Taler 1 til en deltagers rigtige navn eller ID?+

Ja. Klik på ethvert talerkort i editoren, skriv navn eller screener ID (f.eks. 'P04_F_34'), og det propagerer til hver tur fra den taler i transkribet. DOCX-eksport bruger de omdøbte labels.

02Hvordan håndterer du tale-overlap og overlappende tale?+

Vi markerer det inline med `[overlap]` markører og holder begge talers ytringer i transkribet. Generiske værktøjer vælger typisk en stemme og dropper den anden — vi gør det ikke, fordi overlap-øjeblikke ofte er hvor det egentlige fokusgruppe-dynamik lever.

03Importeres DOCX'en virkeligt rent ind i NVivo og ATLAS.ti?+

Ja. Vi eksporterer med talerlabels som afsnit-stil-overskrifter, som NVivo auto-koder ved import og ATLAS.ti erkender som talerfølger. Dedoose tager samme DOCX via dens transkribet-import-sti.

04Hvor mange talere kan du talergenkende i en fil?+

Blødt loft omkring 12. Derudover løber akustisk klyngning sammen med ens stemmer — som regel betyder det et 10-15 minutters omdøb-pas på din side. Sæt 'Forventede talere' eksplicit i job-formularen for bedste resultater.

05Ordret eller opryddet — kan jeg vælge?+

Begge. Ordret tilstand holder hvert 'um', falsk start og gentaget ord til diskursanalyse. Opryddet fjerner disfluenser for læsbarhed. Du vælger per-job; standardvalg for research-skabelonen er ordret.

06Hvad med IRB-krav og deltager-fortrolighed?+

Filer processeres i vores infrastruktur, ikke sendt til tredjepartsAPI'er. Vi tilbyder et per-job auto-slet-efter-N-dage flag til IRB-protokoller. Vi er SOC 2 Type II og GDPR-kompatibel; DPA'en er på den juridiske side hvis din IRB har brug for det.

07Skal jeg optage video eller kun lyd?+

Kun lyd er fint — vi bruger ikke video til talergenkendelse. Hvis du har video til deltager-identification, hold den lokalt til din egen kodning; upload af bare lydspor er hurtigere og billigere.

08Hvordan sammenligner omkostningen med Rev menneskeligt ordret?+

En 90-minutters fokusgruppe løber omkring $2.70 her mod cirka $135 på Rev ordret. Afvejning er nøjagtighed: vi lander på 86-94% afhængig af mic-opsætning, Rev's menneske-talere rammer ~99%. De fleste forskere bruger os til første-pass og trapezerer kun specifikke grupper til menneske hvis nødvendigt.