Към основното съдържание

Стенограма

Настройки → Стенограма изброява разпознавачите: услугите, които превръщат звука в текст, за приключилите разговори и, за суфльора, докато разговорът тече.

Разговорът се превръща в стенограма, когато поискате това в прозореца Записи, или сам, ако в Обработка е включено Обработвай разговорите автоматично. Разпознавач на вашата собствена машина не струва нищо; облачният таксува минутата звук.

Разпознавачи​

Разпознавачът е услуга за разпознаване на реч, на която телефонът изпраща звука. Добави добавя нов; бутонът Провери в картата му проверява дали услугата наистина отговаря. Всеки е в списъка с името си, а под него — с модела и адреса на услугата си. Таблицата изброява всеки вид услуга, която телефонът поддържа, както ги предлага Вид в картата, с адреса и моделите, които получава нов разпознавач от този вид; последната колона показва петте, настроени на картинката:

ВидАдрес за стенограмиАдрес за суфльораМоделНа картинката
Съвместим с OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, на живо gpt-live-transcribeOpenAI · gpt-4o-transcribe
Deepgramhttps://api.deepgram.com/v1wss://api.deepgram.comnova-3Deepgram · nova-2
ElevenLabs (Scribe)https://api.elevenlabs.io/v1wss://api.elevenlabs.ioscribe_v1, на живо scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com или eu., us., au. вместо global. за регионenhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(празно: моделът по подразбиране на услугата), на живо grok-voice-transcribe-2.0X.ai · на живо grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(празно: моделът по подразбиране на услугата), на живо stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(празно: моделът по подразбиране на услугата)—
Vosk (на вашата собствена машина)вашият сървър, например ws://localhost:2700(същият сървър)(задава се на сървъра)Vosk · ws://localhost:2700
WhisperLive (на вашата собствена машина)вашият сървър, например ws://localhost:9090(същият сървър)на живо small—
NVIDIA Riva (на вашата собствена машина)вашият сървър, например localhost:50051(същият сървър)(задава се на сървъра)—

Полето Адрес за суфльора обикновено съдържа WebSocket адрес: wss:// за услуга в облака, ws:// за сървър във вашата мрежа; за NVIDIA Riva се задава хост:порт.

Двата знака вдясно на реда показват за какво разпознавачът е по подразбиране. Часовникът свети при този по подразбиране за стенограми — на картинката X.ai —, който се използва, когато не изберете друг. Светкавицата свети при този по подразбиране за суфльора — на картинката Vosk. Можете да държите няколко разпознавача; падащият списък над стенограмата в прозореца Записи показва стенограмите, направени от всеки от тях.

Картата на разпознавача​

Натискането на разпознавач отваря картата му.

ПолеКакво е
ИмеИмето в списъците.
ВидВидът на услугата, от който зависи как телефонът говори с нея: Съвместим с OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics и три, които работят на вашата собствена машина — Vosk, WhisperLive и NVIDIA Riva.
Адрес за стенограмиКъде се изпращат приключилите разговори.
Адрес за суфльораКъде отива звукът на живо, докато разговорът тече. Обикновено това е WebSocket адрес: wss:// за услуга в облака, като wss://api.x.ai на картинката, ws:// за сървър във вашата мрежа. Празно се извлича от адреса до него.
КлючКлючът на услугата. Стои в ключодържателя на този компютър, никога във файл с настройки.
ПровериПита услугата и казва какво е отговорила, например Отговори и предлага 3 модела.
Модел за стенограми и Модел за суфльораМоделът точно както го нарича услугата. Празно не изпраща име на модел, и услугата използва своя по подразбиране; където доставчикът го публикува, картата го посочва. За вид без избор полето не се показва. На картинката xAI няма поле Модел за стенограми, а в Модел за суфльора е зададен grok-voice-transcribe-2.0.
По подразбиране за стенограмиПрави този разпознавач онзи, който се използва, когато не изберете друг.
По подразбиране за суфльораПрави този разпознавач онзи, с който слуша нов помощник на суфльора.
ВключенИзключен, разпознавачът остава в списъка, но не се използва.

Разширени настройки отваря останалата част от картата. Стойностите, които имат най-голямо значение:

ПолеКакво прави
РегионРегионът на услугата, ако има няколко.
Изпращай двете страни поотделноОбаждането се записва с двамата души на два канала, и точно по това разпознавачът знае кой какво е казал. Изключете го за сървър, който твърди, че може това, а не може.
Питай кой говориРазличава хората в един канал, когато в него говорят няколко.
Числата с цифриСумите, датите и телефонните номера се връщат така, както се пишат, а не изписани с думи.
Граница за качване, Граница за дължинаНай-големият файл в байтове и най-дългият запис в секунди, които този телефон ще изпрати.
Заявки едновременноКолко заявки могат да се изпълняват по едно и също време.
Завършване на реплика след, Сливане на кратки реплики в рамките на, Пауза между репликитеЗа суфльора: колко време без нови думи завършва репликата, колко кратката реплика чака следващата, за да се слее с нея, и колко тишина завършва изказване, когато разпознавачът сам не го отбелязва. В милисекунди.
ЕзикДвубуквен код на език по ISO 639-1 (en, de, es, fr, sr…). Оставете го празно и разпознавачът решава — това е правилно, освен ако разговорите ви не са на език, който той все чува погрешно.
ДопълненияПо едно name = value на ред, предава се на услугата както е. Оставете празно, освен ако сървърът не документира нещо.
Изчакване, минутиКолко да се чака стенограмата. Празно го изчислява от дължината на записа.
Цена на минутаКолко струва минута звук на живо според ценоразписа на услугата. Суфльорът показва колко е струвала сесията и спира при своя месечен таван.

Разпознаване на живо за суфльора​

Суфльорът се нуждае от разпознавач, който слуша, докато някой говори — с поток, а не с готов файл. Това могат тези видове: Deepgram, ElevenLabs (Scribe), xAI (Grok), Съвместим с OpenAI (с транскрипцията на OpenAI в реално време), AssemblyAI, Soniox и Speechmatics в облака и Vosk, WhisperLive и NVIDIA Riva на вашата собствена машина. Разпознавач на вашата собствена машина държи гласа на събеседника в сградата и не струва нищо.

Как да го използвате: отворете картата му, проверете полето Адрес за суфльора — обикновено WebSocket адрес, например wss://api.x.ai за X.ai, wss://api.deepgram.com за Deepgram или ws://localhost:2700 за Vosk; ако е празно, се извежда от полето Адрес за стенограми. После изберете Модел за суфльора: моделите на живо често се различават от тези за файлове — grok-voice-transcribe-2.0 за X.ai, както на картата на картинката, scribe_v2_realtime за ElevenLabs, gpt-live-transcribe за OpenAI, stt-rt-v5 за Soniox. Натиснете Провери. Отметнете По подразбиране за суфльора, за да слушат новите помощници с него.

Кой модел да изберете​

Таблицата изброява моделите за разпознаване на реч на всеки вид от списъка Вид. Моделите в получер шрифт са настроените на картинката; при разпознавача X.ai моделът е празен, затова се използва моделът по подразбиране на услугата, grok-voice-transcribe-2.0. Празно там е полето Модел за стенограми; в Модел за суфльора е зададен същият модел. За какво казва за какво е направен моделът: за готови записи (стенограми), за реч на живо за суфльора (суфльор) или за двете.

Вид и адресМоделЗа каквоЗа какво служи
Съвместим с OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribeстенограмиМоделът, който OpenAI препоръчва за записана реч на оригиналния ѝ език.
gpt-4o-transcribeдветеТранскрипция с общо предназначение. Получава го нов разпознавач от този вид.
gpt-4o-mini-transcribeдветеПо-лек и по-евтин вариант на горния.
gpt-4o-transcribe-diarizeстенограмиОтбелязва кой кога говори. Използвайте го само ако ви трябва.
whisper-1стенограмиПо-старият модел Whisper, запазен за специални нужди като времеви маркери на думи и субтитри.
gpt-live-transcribeсуфльорМоделът на живо на OpenAI: думите идват, докато се изричат. Телефонът го предлага за суфльора.
Deepgram
https://api.deepgram.com/v1
nova-3дветеНай-добрият модел с общо предназначение на Deepgram, за срещи, шумен и многоезичен звук. Получава го нов разпознавач от този вид.
nova-2дветеПредишното поколение; запазете го за езици, които nova-3 още не поддържа.
nova-2-phonecallдветеnova-2, настроен за тесния звук на телефонна линия. Английски.
flux-general-enсуфльорНаправен за разговор: чува кога някой е спрял да говори. Английски.
flux-general-multiсуфльорСъщото на десет езика, а разговорът може да преминава от един на друг.
enhanced, baseстенограмиПо-стари нива; base е за големи обеми.
whisperстенограмиWhisper, пускан от Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2стенограмиТранскрипция с общо предназначение на над 90 езика, с разделяне на говорещите.
scribe_v2_realtimeсуфльорВерсията на живо на scribe_v2. Телефонът я предлага за суфльора.
scribe_v2_medicalстенограмиscribe_v2, настроен за клиничен звук.
scribe_v1стенограмиПървото поколение; остаряло, използвайте scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedдветеНай-точният, за разговор на един език. Получава го нов разпознавач от този вид.
standardдветеПо-бърз и по-евтин, малко по-малко точен.
melia-1стенограмиРазговор на няколко езика, който сменя езика по средата на изречението, се връща като една стенограма. Само за записи, в регионите ЕС и САЩ; засега без собствен речник и етикети на говорещите.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0дветеЕдинственият текущ модел и моделът по подразбиране: 38 езика, които разпознава сам. Файлове до 500 MB; речта на живо отива към wss://api.x.ai.
grok-voice-transcribe-1.0стенограмиОстарял: услугата го пренасочва към 2.0.
Soniox
https://api.soniox.com
stt-async-v5стенограмиНад 60 езика, с разделяне на говорещите.
stt-rt-v5суфльорНа живо, на същите над 60 езика, и чува къде свършва изказването. Телефонът го предлага за суфльора.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proдветеНай-точният модел за записи; 18 езика, а разговорът може да преминава от един на друг.
universal-2стенограми99 езика, по-евтин; AssemblyAI преминава към него за език, който universal-3-5-pro не познава.
universal-3-6-proсуфльорНай-новият модел на живо на AssemblyAI, 32 езика; услугата го използва, когато моделът е празен.
universal-streaming-multilingualсуфльорПо-евтино разпознаване на живо на английски, испански, немски, френски, португалски и италиански.
universal-streaming-englishсуфльорПо-евтино разпознаване на живо, само на английски.
Vosk (на вашата собствена машина)
ws://localhost:2700
(задава се на сървъра)дветеБезплатен и лек; работи без видеокарта. Моделът е онзи, с който е пуснат сървърът, по един за всеки език, например vosk-model-en-us-0.22 или малкият vosk-model-small-en-us-0.15.
WhisperLive (на вашата собствена машина)
ws://localhost:9090
smallдветеWhisper в поток на живо. Размерът се избира в картата: tiny, base, small (него предлага телефонът), medium, large-v3; колкото по-голям, толкова по-точен и толкова повече иска видеокарта.
NVIDIA Riva (на вашата собствена машина)
localhost:50051
(задава се на сървъра)дветеРечевият сървър на NVIDIA за компютър с видеокарта NVIDIA. Предлага модели като Parakeet и Canary.

Какво е добре да знаете, преди да изберете:

  • Стенограми или суфльор. Модел за реч на живо не приема готов файл, а повечето модели за файлове не могат да слушат на живо. Затова картата има две полета — Модел за стенограми и Модел за суфльора.
  • Размер на файла. OpenAI приема файлове до 25 MB, X.ai — до 500 MB. Дълъг разговор може да е по-голям, отколкото приема облачната услуга.
  • Цена. Облачните услуги таксуват минутата звук, а тарифите зависят от модела и се променят; прочетете ги на страницата на самата услуга, преди да смените. Разпознавач на вашата собствена машина не струва нищо.
  • Езици. Всяка услуга има свой списък; проверете своя и задайте кода в Език в разширените настройки на разпознавача, ако той познава грешно.

Списъкът с модели на услугата се променя често. Ако тук липсва модел, който искате, актуалният списък е в документацията на самата услуга — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — а Модел е името точно така, както го дава услугата.

Вашите собствени модели​

Разпознавачът не е задължително да е облачна услуга. Телефонът може да използва всеки модел, достъпен чрез API, съвместим с OpenAI — интерфейса POST /v1/audio/transcriptions, — независимо дали работи локално на компютъра ви или на ваш собствен сървър. Звукът никога не напуска вашите помещения, нищо не се таксува по минути и няма ограничение за обема.

За да добавите такъв, натиснете Добави и посочете:

  • адреса на сървъра, до /v1 включително, например http://localhost:8000/v1 за самия компютър или http://asr.local:8080/v1 за сървър във вашата мрежа;
  • името на модела точно така, както го изброява сървърът, например openai/whisper-large-v3-turbo.

Какво може да се използва​

Обичайният избор е Whisper, отвореният модел за разпознаване на реч на OpenAI. Използването му е безплатно, разбира около сто езика и се предлага в няколко размера: малкият модел работи на обикновен компютър, а големите са забележимо по-точни и е най-добре да им се даде графична карта.

МоделБележки
whisper-large-v3Най-точният Whisper. За сървър с GPU.
openai/whisper-large-v3-turboПо-бърза версия на large-v3 с малка загуба на точност.
Systran/faster-whisper-large-v3large-v3, преобразуван за двигателя faster-whisper; по-бърз и по-икономичен откъм памет.
medium, small, baseПо-малки модели Whisper, за компютър без графична карта.

Whisper е моделът, около който са изградени тези сървъри. Някои от тях могат да обслужват и други модели за разпознаване на реч, например NVIDIA Parakeet.

Сървъри, които предлагат API, съвместим с OpenAI​

Моделът трябва да се изпълнява от сървър, който предлага съвместимата с OpenAI крайна точка /v1/audio/transcriptions. Такива са:

СървърКакво е
vLLMВисокопроизводителен сървър за модели. След стартиране обслужва Whisper на http://localhost:8000/v1.
SpeachesСървър за речеви модели, „Ollama за реч“, изграден върху faster-whisper. Зарежда модел, когато той бъде поискан за първи път.
whisper.cppИзпълнява Whisper ефективно на процесора, включително на Apple silicon. Неговият whisper-server се стартира с --inference-path /v1/audio/transcriptions.
LocalAIДиректен заместител на OpenAI, който изпълнява модели локално.

Всеки друг сървър, който предлага същата крайна точка, работи по същия начин. Ако сървърът изисква ключ, въведете го както за облачна услуга.

Преди да разчитате на сървър, направете пробен запис и погледнете стенограмата в прозореца Записи: разговор на език, който моделът познава слабо, го показва веднага.