Přepis
Nastavení → Přepis uvádí rozpoznávače: služby, které mění zvuk v text, pro skončené hovory a pro našeptávače i během hovoru.
Hovor se přepíše, když o to požádáte v okně nahrávek, nebo sám, pokud je v části Zpracování zapnuto Zpracovávat hovory automaticky. Rozpoznávač na vašem vlastním stroji nestojí nic; ten v cloudu si účtuje za minutu zvuku.
Rozpoznávače
Rozpoznávač je služba pro rozpoznávání řeči, které telefon posílá zvuk. Přidat přidá nový; tlačítko Vyzkoušet na jeho kartě ověří, že služba opravdu odpovídá. Každý je v seznamu se svým názvem a pod ním s modelem a adresou své služby. Tabulka uvádí každý druh služby, který telefon podporuje, tak jak je nabízí Druh na kartě, s adresou a modely, které dostane nový rozpoznávač tohoto druhu; poslední sloupec ukazuje pět nastavených na obrázku:
| Druh | Adresa pro přepisy | Adresa pro našeptávače | Model | Na obrázku |
|---|---|---|---|---|
| Kompatibilní s OpenAI (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, živě 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, živě scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, pro region eu., us. nebo au. místo global. | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (prázdné: výchozí model služby), živě grok-voice-transcribe-2.0 | X.ai · živě grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (prázdné: výchozí model služby), živě stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://streaming.assemblyai.com | (prázdné: výchozí model služby) | — |
| Vosk (na vašem vlastním stroji) | váš server, například ws://localhost:2700 | (tentýž server) | (nastavuje se na serveru) | Vosk · ws://localhost:2700 |
| WhisperLive (na vašem vlastním stroji) | váš server, například ws://localhost:9090 | (tentýž server) | živě small | — |
| NVIDIA Riva (na vašem vlastním stroji) | váš server, například localhost:50051 | (tentýž server) | (nastavuje se na serveru) | — |
Pole Adresa pro našeptávače obvykle obsahuje adresu WebSocket: wss:// pro službu v cloudu, ws:// pro server ve vaší síti; NVIDIA Riva se zadává jako hostitel:port.
Dvě značky vpravo v řádku říkají, pro co je rozpoznávač výchozí. Hodiny svítí u výchozího pro přepisy — na obrázku X.ai —, který se použije, když nezvolíte jiný. Blesk svítí u výchozího pro našeptávače — na obrázku Vosk. Rozpoznávačů můžete mít několik; rozbalovací seznam nad přepisem v okně nahrávek ukazuje přepisy, které udělal každý z nich.
Karta rozpoznávače
Klepnutí na rozpoznávač otevře jeho kartu.
| Pole | Co to je |
|---|---|
| Název | Název v seznamech. |
| Druh | Druh služby, podle kterého telefon ví, jak s ní mluvit: Kompatibilní s OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics a tři, které běží na vašem vlastním stroji — Vosk, WhisperLive a NVIDIA Riva. |
| Adresa pro přepisy | Kam se posílají skončené hovory. |
| Adresa pro našeptávače | Kam jde živý zvuk během hovoru. Obvykle jde o adresu WebSocket: wss:// pro službu v cloudu, jako wss://api.x.ai na obrázku, ws:// pro server ve vaší síti. Prázdné se odvodí z adresy vedle. |
| Klíč | Klíč služby. Leží v klíčence tohoto počítače, nikdy v souboru nastavení. |
| Vyzkoušet | Zeptá se služby a řekne, co odpověděla, například Odpověděl a nabízí 3 modely. |
| Model pro přepisy a Model pro našeptávače | Model přesně tak, jak ho služba nazývá. Prázdné neposílá žádné jméno modelu, a služba použije svůj výchozí; kde ho dodavatel zveřejňuje, karta ho uvádí. U druhu bez výběru se pole nezobrazuje. Na obrázku xAI nemá pole Model pro přepisy a pole Model pro našeptávače je nastaveno na grok-voice-transcribe-2.0. |
| Výchozí pro přepisy | Udělá z tohoto rozpoznávač, který se použije, když nezvolíte jiný. |
| Výchozí pro našeptávače | Udělá z tohoto rozpoznávač, kterým poslouchá nový pomocník našeptávače. |
| Zapnuto | Vypnutý rozpoznávač zůstává v seznamu, ale nepoužívá se. |
Pokročilé nastavení otevře zbytek karty. Hodnoty, na kterých záleží nejvíc:
| Pole | Co dělá |
|---|---|
| Region | Region služby, pokud jich má několik. |
| Posílat obě strany zvlášť | Hovor se nahrává se dvěma lidmi na dvou kanálech, a právě podle toho rozpoznávač pozná, kdo co řekl. Vypněte to u serveru, který tvrdí, že to umí, a neumí. |
| Ptát se, kdo mluví | Rozliší lidi uvnitř jednoho kanálu, když na něm mluví několik osob. |
| Psát čísla číslicemi | Částky, data a telefonní čísla se vracejí tak, jak se píšou, ne vypsané slovy. |
| Mez odesílání, Mez délky | Největší soubor v bajtech a nejdelší nahrávka v sekundách, které tento telefon odešle. |
| Požadavků najednou | Kolik požadavků smí běžet současně. |
| Ukončit repliku po, Spojovat krátké repliky do, Pauza mezi replikami | Pro našeptávače: jak dlouho bez nových slov ukončí repliku, jak dlouho krátká replika čeká na další, aby se s ní spojila, a jak dlouhé ticho ukončí slovo jednoho mluvčího, kde ho rozpoznávač sám neoznačí. V milisekundách. |
| Jazyk | Dvoupísmenný kód jazyka podle ISO 639-1 (en, de, es, fr, sr…). Nechte ho prázdný a rozhodne rozpoznávač — to je správně, pokud vaše hovory nejsou v jazyce, který stále špatně slyší. |
| Doplňky | Jedno name = value na řádek, předané službě beze změny. Nechte prázdné, pokud server něco nedokumentuje. |
| Čekání, minuty | Jak dlouho čekat na přepis. Prázdné to spočítá z délky nahrávky. |
| Cena za minutu | Kolik stojí minuta živého zvuku podle ceníku služby. Našeptávač ukazuje, kolik sezení stálo, a zastaví se na svém měsíčním stropu. |
Živé rozpoznávání pro našeptávače
Našeptávač potřebuje rozpoznávač, který poslouchá, zatímco někdo mluví — proudem, ne hotovým souborem. Umějí to tyto druhy: Deepgram, ElevenLabs (Scribe), xAI (Grok), Kompatibilní s OpenAI (s přepisem OpenAI v reálném čase), AssemblyAI, Soniox a Speechmatics v cloudu a Vosk, WhisperLive a NVIDIA Riva na vašem vlastním stroji. Rozpoznávač na vašem vlastním stroji drží hlas protistrany v domě a nic nestojí.
Jak ho použít: otevřete jeho kartu, zkontrolujte pole Adresa pro našeptávače — obvykle adresu WebSocket, například wss://api.x.ai pro X.ai, wss://api.deepgram.com pro Deepgram nebo ws://localhost:2700 pro Vosk; prázdné se odvodí z pole Adresa pro přepisy. Pak zvolte Model pro našeptávače: živé modely se často liší od modelů pro soubory — grok-voice-transcribe-2.0 pro X.ai jako na kartě na obrázku, scribe_v2_realtime pro ElevenLabs, gpt-live-transcribe pro OpenAI, stt-rt-v5 pro Soniox. Stiskněte Vyzkoušet. Zaškrtněte Výchozí pro našeptávače, aby noví pomocníci poslouchali právě jím.
Jaký model vybrat
Tabulka uvádí modely rozpoznávání řeči každého druhu ze seznamu Druh. Tučně jsou modely nastavené na obrázku; u rozpoznávače X.ai je model prázdný, takže se použije výchozí model služby, grok-voice-transcribe-2.0. Prázdné je tam pole Model pro přepisy; pole Model pro našeptávače je nastaveno na tentýž model. Pro co říká, k čemu je model určen: pro hotové nahrávky (přepisy), pro živou řeč našeptávače (našeptávač), nebo pro obojí.
| Druh a adresa | Model | Pro co | K čemu slouží |
|---|---|---|---|
Kompatibilní s OpenAI (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | přepisy | Model, který OpenAI doporučuje pro nahranou řeč v jejím původním jazyce. |
gpt-4o-transcribe | obojí | Přepis pro obecné použití. Dostane ho nový rozpoznávač tohoto druhu. | |
gpt-4o-mini-transcribe | obojí | Lehčí a levnější varianta předchozího. | |
gpt-4o-transcribe-diarize | přepisy | Označí, kdo kdy mluví. Použijte ho, jen pokud to potřebujete. | |
whisper-1 | přepisy | Starší model Whisper, ponechaný pro zvláštní účely, jako jsou časové značky slov a titulky. | |
gpt-live-transcribe | našeptávač | Živý model OpenAI: slova přicházejí, jak jsou vyslovena. Telefon ho nabízí pro našeptávače. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | obojí | Nejlepší model Deepgramu pro obecné použití, pro schůzky, hlučný a vícejazyčný zvuk. Dostane ho nový rozpoznávač tohoto druhu. |
nova-2 | obojí | Předchozí generace; ponechte ji pro jazyky, které nova-3 zatím nepodporuje. | |
nova-2-phonecall | obojí | nova-2 vyladěná na úzký zvuk telefonní linky. Angličtina. | |
flux-general-en | našeptávač | Udělaný pro rozhovor: slyší, kdy někdo domluvil. Angličtina. | |
flux-general-multi | našeptávač | Totéž v deseti jazycích, a rozhovor mezi nimi smí přecházet. | |
enhanced, base | přepisy | Starší úrovně; base je pro velké objemy. | |
whisper | přepisy | Whisper provozovaný Deepgramem. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | přepisy | Přepis pro obecné použití ve více než 90 jazycích, s rozlišením mluvčích. |
scribe_v2_realtime | našeptávač | Živá verze scribe_v2. Telefon ji nabízí pro našeptávače. | |
scribe_v2_medical | přepisy | scribe_v2 vyladěný na klinický zvuk. | |
scribe_v1 | přepisy | První generace; zastaralá, použijte scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | obojí | Nejpřesnější, pro hovor v jednom jazyce. Dostane ho nový rozpoznávač tohoto druhu. |
standard | obojí | Rychlejší a levnější, o něco méně přesný. | |
melia-1 | přepisy | Hovor ve více jazycích, který jazyk mění uprostřed věty, se vrátí jako jeden přepis. Jen nahrávky, v regionech EU a USA; zatím bez vlastního slovníku a označení mluvčích. | |
xAI (Grok)https://api.x.ai/v1 | grok-voice-transcribe-2.0 | obojí | Jediný současný model a zároveň výchozí: 38 jazyků, které pozná sám. Soubory do 500 MB; živá řeč jde na wss://api.x.ai. |
grok-voice-transcribe-1.0 | přepisy | Zastaralý: služba ho přesměruje na 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | přepisy | Přes 60 jazyků, s rozlišením mluvčích. |
stt-rt-v5 | našeptávač | Živě, ve stejných 60+ jazycích, a slyší, kde končí slovo mluvčího. Telefon ho nabízí pro našeptávače. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | obojí | Nejpřesnější model pro nahrávky; 18 jazyků, a hovor mezi nimi smí přecházet. |
universal-2 | přepisy | 99 jazyků, levnější; AssemblyAI na něj sáhne u jazyka, který universal-3-5-pro nezná. | |
universal-3-6-pro | našeptávač | Nejnovější živý model AssemblyAI, 32 jazyků; služba ho použije, když je model prázdný. | |
universal-streaming-multilingual | našeptávač | Levnější živé rozpoznávání v angličtině, španělštině, němčině, francouzštině, portugalštině a italštině. | |
universal-streaming-english | našeptávač | Levnější živé rozpoznávání, jen v angličtině. | |
Vosk (na vašem vlastním stroji)ws://localhost:2700 | (nastavuje se na serveru) | obojí | Zdarma a nenáročný; běží bez grafické karty. Model je ten, se kterým byl server spuštěn, jeden pro každý jazyk, například vosk-model-small-cs-0.4-rhasspy nebo vosk-model-en-us-0.22. |
WhisperLive (na vašem vlastním stroji)ws://localhost:9090 | small | obojí | Whisper v živém proudu. Velikost se volí na kartě: tiny, base, small (tu nabízí telefon), medium, large-v3; čím větší, tím přesnější a tím víc chce grafickou kartu. |
NVIDIA Riva (na vašem vlastním stroji)localhost:50051 | (nastavuje se na serveru) | obojí | Řečový server NVIDIA pro počítač s grafickou kartou NVIDIA. Poskytuje modely jako Parakeet a Canary. |
Co je dobré vědět před výběrem:
- Přepisy, nebo našeptávač. Model pro živou řeč nepřijme hotový soubor a většina modelů pro soubory neumí poslouchat živě. Proto má karta dvě pole, Model pro přepisy a Model pro našeptávače.
- Velikost souboru. OpenAI přijímá soubory do 25 MB, X.ai do 500 MB. Dlouhý hovor může být větší, než cloudová služba přijme.
- Cena. Cloudové služby účtují za minutu zvuku a sazby se liší podle modelu a mění se; přečtěte si je na stránce služby, než přejdete. Rozpoznávač na vašem vlastním stroji nestojí nic.
- Jazyky. Každá služba má svůj seznam; ověřte si ten svůj a nastavte kód v poli Jazyk v pokročilém nastavení rozpoznávače, pokud hádá špatně.
Seznam modelů služby se často mění. Pokud tu model, který chcete, chybí, aktuální seznam je v dokumentaci samotné služby — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — a Model je název přesně tak, jak ho služba uvádí.
Vlastní modely
Rozpoznávač nemusí být cloudová služba. Telefon může použít jakýkoli model zpřístupněný přes API kompatibilní s OpenAI — rozhraní POST /v1/audio/transcriptions — ať běží lokálně na vašem počítači, nebo na vlastním serveru. Zvuk nikdy neopustí vaše prostory, nic se neúčtuje za minutu a objem není omezen.
Při přidání stiskněte Přidat a zadejte:
- adresu serveru včetně
/v1, napříkladhttp://localhost:8000/v1pro tento počítač nebohttp://asr.local:8080/v1pro server ve vaší síti; - název modelu přesně tak, jak ho server uvádí, například
openai/whisper-large-v3-turbo.
Co lze použít
Obvyklou volbou je Whisper, otevřený model rozpoznávání řeči od OpenAI. Používá se zdarma, rozumí asi stovce jazyků a má několik velikostí: malý model běží na běžném počítači, velké jsou znatelně přesnější a nejlépe jim je dát grafickou kartu.
| Model | Poznámky |
|---|---|
whisper-large-v3 | Nejpřesnější Whisper. Pro server s GPU. |
openai/whisper-large-v3-turbo | Rychlejší verze large-v3 s malou ztrátou přesnosti. |
Systran/faster-whisper-large-v3 | large-v3 převedený pro engine faster-whisper; rychlejší a šetrnější k paměti. |
medium, small, base | Menší modely Whisper pro počítač bez grafické karty. |
Kolem Whisperu jsou tyto servery postavené. Některé z nich umí obsluhovat i jiné modely rozpoznávání řeči, například NVIDIA Parakeet.
Servery s API kompatibilním s OpenAI
Model musí provozovat server, který nabízí koncový bod /v1/audio/transcriptions kompatibilní s OpenAI. Tyto ho nabízejí:
| Server | Co to je |
|---|---|
| vLLM | Výkonný server modelů. Po spuštění obsluhuje Whisper na http://localhost:8000/v1. |
| Speaches | Server pro řečové modely, „Ollama pro řeč“, postavený na faster-whisper. Model načte, když je o něj poprvé požádán. |
| whisper.cpp | Efektivně provozuje Whisper na CPU, včetně Apple silicon. Jeho whisper-server se spouští s --inference-path /v1/audio/transcriptions. |
| LocalAI | Náhrada OpenAI, která provozuje modely lokálně. |
Stejně funguje každý jiný server, který nabízí stejný koncový bod. Pokud server vyžaduje klíč, zadejte ho jako u cloudové služby.
Než se na server spolehnete, pořiďte zkušební nahrávku a podívejte se na přepis v okně nahrávek: rozhovor v jazyce, který model zná špatně, to prozradí hned.