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:
| Вид | Адрес за стенограми | Адрес за суфльора | Модел | На картинката |
|---|---|---|---|---|
| Съвместим с OpenAI (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, на живо gpt-live-transcribe | OpenAI · gpt-4o-transcribe |
| Deepgram | https://api.deepgram.com/v1 | wss://api.deepgram.com | nova-3 | Deepgram · nova-2 |
| ElevenLabs (Scribe) | https://api.elevenlabs.io/v1 | wss://api.elevenlabs.io | scribe_v1, на живо scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com или eu., us., au. вместо global. за регион | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (празно: моделът по подразбиране на услугата), на живо grok-voice-transcribe-2.0 | X.ai · на живо grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (празно: моделът по подразбиране на услугата), на живо stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://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.
| Поле | Какво е |
|---|---|
| Име | Името в списъците. |
| Вид | Видът 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 стенограми | Къде се изпращат приключилите разговори. |
| Адрес за суфльора | Къде 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. |
| Ключ | Ключът на услугата. Стои в ключодържателя на този компютър, никога във файл с настройки. |
| Провери | Пита услугата и казва какво е отговорила, например Отговори и предлага 3 модела. |
| Модел за стенограми и Модел за суфльора | Моделът 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 стенограми | Прави този разпознавач онзи, който се използва, когато не изберете друг. |
| По подразбиране за суфльора | Прави този разпознавач онзи, с който слуша нов помощник на суфльора. |
| Включен | Изключен, разпознавачът остава в списъка, но не се използва. |
Разширени настройки отваря останалата част от картата. Стойностите, които имат най-голямо значение:
| Поле | Какво прави |
|---|---|
| Регион | Регионът на услугата, ако има няколко. |
| Изпращай двете страни поотделно | Обаждането 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 говори | Различава хората в един канал, когато в него говорят няколко. |
| Числата с цифри | Сумите, датите и телефонните номера се връщат така, както се пишат, а не изписани с думи. |
| Граница за качване, Граница за дължина | Най-големият файл в байтове и най-дългият запис в секунди, които този телефон ще изпрати. |
| Заявки едновременно | Колко заявки могат да се изпълняват по едно и също време. |
| Завършване на реплика след, Сливане на кратки реплики в рамките на, Пауза между репликите | За 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. |
| Език | Двубуквен 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. |
| Допълнения | По едно name = value на ред, предава се на услугата както е. Оставете празно, освен ако сървърът не документира нещо. |
| Изчакване, минути | Колко да се чака стенограмата. Празно го изчислява от дължината на записа. |
| Цена на минута | Колко 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 адрес | Модел | За какво | За какво служи |
|---|---|---|---|
Съвместим с OpenAI (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | стенограми | Моделът, който OpenAI препоръчва за записана реч на оригиналния ѝ език. |
gpt-4o-transcribe | двете | Транскрипция с общо предназначение. Получава го нов разпознавач от този вид. | |
gpt-4o-mini-transcribe | двете | По-лек и по-евтин вариант на горния. | |
gpt-4o-transcribe-diarize | стенограми | Отбелязва кой кога говори. Използвайте го само ако ви трябва. | |
whisper-1 | стенограми | По-старият модел Whisper, запазен за специални нужди като времеви маркери на думи и субтитри. | |
gpt-live-transcribe | суфльор | Моделът на живо на OpenAI: думите идват, докато се изричат. Телефонът го предлага за суфльора. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | двете | Най-добрият модел с общо предназначение на Deepgram, за срещи, шумен и многоезичен звук. Получава го нов разпознавач от този вид. |
nova-2 | двете | Предишното поколение; запазете го за езици, които nova-3 още не поддържа. | |
nova-2-phonecall | двете | nova-2, настроен за тесния звук на телефонна линия. Английски. | |
flux-general-en | суфльор | Направен за разговор: чува кога някой е спрял да говори. Английски. | |
flux-general-multi | суфльор | Същото на десет езика, а разговорът може да преминава от един на друг. | |
enhanced, base | стенограми | По-стари нива; base е за големи обеми. | |
whisper | стенограми | Whisper, пускан от Deepgram. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | стенограми | Транскрипция с общо предназначение на над 90 езика, с разделяне на говорещите. |
scribe_v2_realtime | суфльор | Версията на живо на scribe_v2. Телефонът я предлага за суфльора. | |
scribe_v2_medical | стенограми | scribe_v2, настроен за клиничен звук. | |
scribe_v1 | стенограми | Първото поколение; остаряло, използвайте scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | двете | Най-точният, за разговор на един език. Получава го нов разпознавач от този вид. |
standard | двете | По-бърз и по-евтин, малко по-малко точен. | |
melia-1 | стенограми | Разговор 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-2.0 | двете | Единственият 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-1.0 | стенограми | Остарял: услугата го пренасочва към 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | стенограми | Над 60 езика, с разделяне на говорещите. |
stt-rt-v5 | суфльор | На живо, на същите над 60 езика, и чува къде свършва изказването. Телефонът го предлага за суфльора. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | двете | Най-точният модел за записи; 18 езика, а разговорът може да преминава от един на друг. |
universal-2 | стенограми | 99 езика, по-евтин; AssemblyAI преминава към него за език, който universal-3-5-pro не познава. | |
universal-3-6-pro | суфльор | Най-новият модел на живо на AssemblyAI, 32 езика; услугата го използва, когато моделът е празен. | |
universal-streaming-multilingual | суфльор | По-евтино разпознаване на живо на английски, испански, немски, френски, португалски и италиански. | |
universal-streaming-english | суфльор | По-евтино разпознаване на живо, само на английски. | |
Vosk (на вашата собствена машина)ws://localhost:2700 | (задава се на сървъра) | двете | Безплатен 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 | small | двете | Whisper 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) | двете | Речевият 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
/v1включително, напримерhttp://localhost:8000/v1за самия компютър илиhttp://asr.local:8080/v1за 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.
| Модел | Бележки |
|---|---|
whisper-large-v3 | Най-точният Whisper. За сървър с GPU. |
openai/whisper-large-v3-turbo | По-бърза версия на large-v3 с малка загуба на точност. |
Systran/faster-whisper-large-v3 | large-v3, преобразуван за двигателя faster-whisper; по-бърз и по-икономичен откъм памет. |
medium, small, base | По-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:
| Сървър | Какво е |
|---|---|
| vLLM | Високопроизводителен сървър за модели. След стартиране обслужва Whisper на http://localhost:8000/v1. |
| Speaches | Сървър за речеви модели, „Ollama за реч“, изграден върху faster-whisper. Зарежда модел, когато той бъде поискан за първи път. |
| whisper.cpp | Изпълнява Whisper ефективно на процесора, включително на Apple silicon. Неговият whisper-server се стартира с --inference-path /v1/audio/transcriptions. |
| LocalAI | Директен 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.