Text != Ton
"I didn't say she stole the money." Testa att säga det högt några gånger och betona ett nytt ord varje gång. Det är ett exempel som språkvetare och engelsklärare älskar, eftersom det är sju ord och betyder sju helt olika saker beroende på vilket du lägger tryck på:
Det här exemplet fungerar bara på engelska, så det får vara på engelska.
Skriv det nu. Det är samma mening alla sju gångerna, och om jag inte orkar med kursiv stil (vilket jag sällan gör, och jag gissar att du inte heller gör det) så får du gissa vad jag menade. Och det är så vi pratar med i stort sett varenda AI-assistent just nu, genom en liten ruta som behåller orden och slänger allt annat.
Så... vad är det som försvinner?
Betoningen är en sak. Tonfallet är den större grejen. Det finns en bra historia om filosofen J. L. Austin som höll en föreläsning där han sa att i engelskan kan ett dubbelt nekande bilda ett jakande, men inget språk använder ett dubbelt jakande för att bilda ett nekande. Sidney Morgenbesser, som satt i publiken, svarade "Yeah, yeah". I skrift ser det ut som att två personer håller med varandra. Sagt högt hade han precis motbevisat hela poängen med två ord.
Och vi är sämre på att märka det här än vi tror. I en studie från 2005 om e-post lyckades personer som läste sarkastiska eller allvarliga meningar pricka rätt ungefär lika ofta som ren slump, medan personer som hörde samma meningar hade rätt i nästan tre fjärdedelar av fallen. Det är som att singla slant, och de som skickade mejlen hade ingen aning: i ett annat experiment från samma rapport förväntade sig avsändarna att deras tonläge skulle gå fram i cirka 89 % av fallen via e-post, men det gick bara fram i ungefär 63 %.
Internet hittade visserligen på nödlösningar: /s, "lol" i slutet av en mening så att den inte låter elak, versaler när man skriker. Modellerna har läst hela internet, så de fattar sånt utan problem. Problemet är att du bara lägger till dem när du redan misstänker att du kommer att misstolkas, och den där studien visar ju att vi är usla på att veta när det sker. Ingen skriver "ok fine /trött".
Sedan har vi avbrott. När du pratar med någon säger du "mhm" så att de fortsätter, eller "nej vänta, inte så" i samma sekund som de börjar gå åt fel håll. I en chatt skriver du ett helt meddelande, väntar på ett helt svar och upptäcker inte att den missförstått dig förrän den är klar. Om du någonsin har sett en AI självsäkert skriva 600 ord om helt fel sak så vet du hur det känns.
Tänk om det INTE är engelska?
Engelskan använder tonhöjd mest för attityd, vilket är precis varför så mycket går förlorat i skrift. Andra språk drar den gränsen på helt andra ställen, och ärligt talat är det rätt fascinerande.
I mandarinkinesiska är tonhöjden en del av själva ordet. mā uttalat platt är 妈, mamma. má, stigande, är 麻, hampa. mǎ, fallande-stigande, är 马, häst. mà, fallande, är 骂, att skälla på. Samma stavelse, fyra olika ord, och den enda skillnaden är hur du modulerar rösten. Men skriften bevarar det, eftersom vart och ett får ett eget tecken. Språkvetaren Yuen Ren Chao drog detta till sin spets med en dikt, "Lion-Eating Poet in the Stone Den", där varje enskild stavelse är någon variant av shi. Den inleds med 石室诗士施氏,嗜狮,誓食十狮 (Shíshì shīshì Shī Shì, shì shī, shì shí shí shī): en poet vid namn Shi, i en stenhåla, som älskade lejon och svor att äta tio stycken. Läser man tecknen går det ihop. Läser man den högt är det shi shi shi shi ett helt stycke och ingen kan hänga med.
Arabiskan gör tvärtom. Korta vokaler skrivs oftast inte alls, så كتب är bara konsonanterna k-t-b. Med vokalmarkeringarna utsatta kan det vara كَتَبَ (kataba, han skrev), كُتِبَ (kutiba, det skrevs) eller كُتُب (kutub, böcker), och vana läsare fyller i rätt vokal utifrån sammanhanget utan att ens tänka på det.
Talspråk packar också information med olika densitet. En studie från 2019 i Science Advances jämförde 17 språk och fann att snabba språk som spanska och japanska packar mindre i varje stavelse medan långsammare som vietnamesiska packar mer, och alla landar till slut på runt 39 bitar i sekunden.
Så varje skriftsystem gör ett val om vad som ska behållas och vad som lämnas till läsaren. Kinesiskan behåller tonerna i tecknen. Arabiskan utelämnar vokalerna och förlitar sig på att du förstår sammanhanget. Engelskan behåller varenda bokstav och kastar bort betoning och tonfall helt, och låter dig gissa.
Att skriva på tangentbord är rätt långsamt
Den största studien om skrivhastighet jag kunde hitta undersökte 136 miljoner tangenttryckningar och genomsnittet var 52 ord i minuten, runt 1 token i sekunden, och det var från personer som frivilligt ställde upp på ett skrivtest. Att prata ligger runt 150 ord i minuten, drygt 3 tokens i sekunden. Modellen i andra änden svarar med 50 till 200 tokens i sekunden. Så den långsammaste delen av hela loopen är dina fingrar.
cirka 1 token i sekunden
cirka 3 tokens i sekunden
visas vid 100
Folk som skriver snabbt klarar sig fint. Men de flesta skriver inte snabbt, och många kan inte skriva bekvämt alls: barn, äldre, alla med motoriska funktionsnedsättningar, alla som känner sig mer hemma med att prata ett språk än att stava det. Alla lär sig prata flera år innan de lär sig skriva. Om vi faktiskt vill att AI ska kunna användas av fler än dem som redan lever vid ett tangentbord är tal den självklara vägen in.
Kan vi inte bara använda röst då?
Det irriterande är att många röstlägen fortfarande kastar bort tonfallet. De transkriberar det du säger till text, skickar texten till modellen och läser upp svaret högt. Betoningen är borta redan i första steget, och du är tillbaka i den lilla rutan med några extra steg.
Modeller som tar ljud direkt borde väl fungera bättre? En artikel från 2025 vid namn StressTest undersökte just det med meningar som den högst upp, och de flesta röstmodeller presterade knappt bättre än slumpmässiga gissningar när det gällde vilken innebörd som avsågs. gpt-4o-audio fick 59 %. Den bästa, Gemini 2.5 Pro, fick 78 %. Människor fick 93 %. Så även när modellen bokstavligen kan höra dig kan den ofta inte avgöra vilket ord du betonade.
Men varför bry sig?
Ett tag var inget av det här någon stor grej. En chatbot missförstod dig, du fick ett dåligt svar, du himlade med ögonen och frågade igen.
Det är inte så det fungerar längre. Assistenter redigerar kod, öppnar pull requests, skickar mejl och kör i timmar på egen hand. Jag bygger några sådana själv, flocc plockar upp en issue och jobbar på det utan att jag är inblandad. När något sådant misstolkar dig får du inte bara ett dåligt stycke text, utan en fil ändras eller ett mejl skickas iväg.
Säg att en agent frågar om den ska köra vidare på en stor refaktorering och du skriver "ok fine". Om du menade ja, kanon. Om du menade "jag orkar inte tjafsa om det här", ville du antagligen att den skulle stoppa, och det finns ingenting i de två orden som talar om det för den.
Jag säger inte att text borde försvinna. Du kan redigera innan du skickar, du kan ta god tid på dig, du kan använda det på ett bibliotek. Och ibland vill du inte att en maskin ska snappa upp hur du mår, vilket är fullt rimligt.
Men om vi ska låta de här sakerna agera åt oss behöver de mer än bara orden. De behöver höra hur du sa ja och inte bara att du sa det, de behöver låta dig avbryta dem tidigt, och när de genuint inte kan avgöra vilken av de sju du menade borde de göra vad en människa skulle göra och fråga.