# Стенограма

> Изборът на разпознавача, който превръща звука в текст: адресът му, моделът му и таблица с моделите на всеки вид услуга.

**Настройки → Стенограма** изброява разпознавачите: услугите, които превръщат звука в текст, за приключилите разговори и, за [суфльора](https://docs.ai-softphone.com/bg/interface/prompter/index.md), докато разговорът тече.

![Настройки → Стенограма: пет разпознавача](https://docs.ai-softphone.com/screenshots/macos/bg/25_transcription.png)

Разговорът се превръща в стенограма, когато поискате това в [прозореца Записи](https://docs.ai-softphone.com/bg/interface/recordings/index.md), или сам, ако в [Обработка](https://docs.ai-softphone.com/bg/ai-processing/processing/index.md) е включено **Обработвай разговорите автоматично**. Разпознавач на вашата собствена машина не струва нищо; облачният таксува минутата звук.

## Разпознавачи {#recognisers}
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](https://docs.ai-softphone.com/bg/interface/recordings/index.md#transcript-or-write-up-the-drop-down) показва стенограмите, направени от всеки от тях.

## Картата на разпознавача {#the-recognisers-card}
Натискането на разпознавач отваря картата му.

![Картата на разпознавача X.ai: вид, двата адреса, ключ, Провери и стойностите по подразбиране](https://docs.ai-softphone.com/screenshots/macos/bg/43_recogniser_card.png)

| 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:

![Разширените настройки на разпознавач: граници, как се режат репликите, езикът](https://docs.ai-softphone.com/screenshots/macos/bg/43b_recogniser_advanced.png)

| 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](https://docs.ai-softphone.com/bg/ai-processing/prompter/index.md#spending). |

## Разпознаване на живо за суфльора {#live-recognition-for-the-prompter}
[Суфльорът](https://docs.ai-softphone.com/bg/interface/prompter/index.md) 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 {#which-model-to-choose}
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](#live-recognition-for-the-prompter) (*суфльор*) или за *двете*.

| Вид и адрес | Модел | За какво | За какво служи |
| --- | --- | --- | --- |
| **Съвместим с OpenAI (Whisper, OpenAI)**<br />`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. |
| **Deepgram**<br />`https://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)**<br />`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`. |
| **Speechmatics**<br />`https://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)**<br />`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`. |
| **Soniox**<br />`https://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. |
| **AssemblyAI**<br />`https://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)**<br />`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)**<br />`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)**<br />`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](https://developers.openai.com/api/docs/guides/speech-to-text), [Deepgram](https://developers.deepgram.com/docs/models-languages-overview), [ElevenLabs](https://elevenlabs.io/docs/capabilities/speech-to-text), [Speechmatics](https://docs.speechmatics.com/speech-to-text/models), [X.ai](https://docs.x.ai/developers/model-capabilities/audio/speech-to-text), [Soniox](https://soniox.com/docs/stt/models), [AssemblyAI](https://www.assemblyai.com/docs/getting-started/models), [Vosk](https://alphacephei.com/vosk/models), [WhisperLive](https://github.com/collabora/WhisperLive), [NVIDIA Riva](https://docs.nvidia.com/deeplearning/riva/user-guide/docs/asr/asr-overview.html) — а **Модел** е името точно така, както го дава услугата.

## Вашите собствени модели {#your-own-models}

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 {#what-can-be-used}

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 {#servers-that-offer-the-openai-compatible-api}

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

| Сървър | Какво е |
| --- | --- |
| [vLLM](https://docs.vllm.ai/en/latest/serving/online_serving/speech_to_text/) | Високопроизводителен сървър за модели. След стартиране обслужва Whisper на `http://localhost:8000/v1`. |
| [Speaches](https://github.com/speaches-ai/speaches) | Сървър за речеви модели, „Ollama за реч“, изграден върху faster-whisper. Зарежда модел, когато той бъде поискан за първи път. |
| [whisper.cpp](https://github.com/ggml-org/whisper.cpp) | Изпълнява Whisper ефективно на процесора, включително на Apple silicon. Неговият `whisper-server` се стартира с `--inference-path /v1/audio/transcriptions`. |
| [LocalAI](https://localai.io/) | 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](https://docs.ai-softphone.com/bg/interface/recordings/index.md): разговор на език, който моделът познава слабо, го показва веднага.
