Přeskočit na hlavní obsah

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:

DruhAdresa pro přepisyAdresa pro našeptávačeModelNa obrázku
Kompatibilní s OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, živě 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, živě scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, pro region eu., us. nebo au. místo global.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(prázdné: výchozí model služby), živě grok-voice-transcribe-2.0X.ai · živě grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(prázdné: výchozí model služby), živě stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://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.

PoleCo to je
NázevNázev v seznamech.
DruhDruh 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 přepisyKam se posílají skončené hovory.
Adresa pro našeptávačeKam 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.
KlíčKlíč služby. Leží v klíčence tohoto počítače, nikdy v souboru nastavení.
VyzkoušetZeptá se služby a řekne, co odpověděla, například Odpověděl a nabízí 3 modely.
Model pro přepisy a Model pro našeptávačeModel 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 přepisyUdělá z tohoto rozpoznávač, který se použije, když nezvolíte jiný.
Výchozí pro našeptávačeUdělá z tohoto rozpoznávač, kterým poslouchá nový pomocník našeptávače.
ZapnutoVypnutý rozpoznávač zůstává v seznamu, ale nepoužívá se.

Pokročilé nastavení otevře zbytek karty. Hodnoty, na kterých záleží nejvíc:

PoleCo dělá
RegionRegion služby, pokud jich má několik.
Posílat obě strany zvlášťHovor 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 mluvíRozliší lidi uvnitř jednoho kanálu, když na něm mluví několik osob.
Psát čísla číslicemiČástky, data a telefonní čísla se vracejí tak, jak se píšou, ne vypsané slovy.
Mez odesílání, Mez délkyNejvětší soubor v bajtech a nejdelší nahrávka v sekundách, které tento telefon odešle.
Požadavků najednouKolik požadavků smí běžet současně.
Ukončit repliku po, Spojovat krátké repliky do, Pauza mezi replikamiPro 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.
JazykDvoupísmenný 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.
DoplňkyJedno name = value na řádek, předané službě beze změny. Nechte prázdné, pokud server něco nedokumentuje.
Čekání, minutyJak dlouho čekat na přepis. Prázdné to spočítá z délky nahrávky.
Cena za minutuKolik 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 adresaModelPro coK čemu slouží
Kompatibilní s OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribepřepisyModel, který OpenAI doporučuje pro nahranou řeč v jejím původním jazyce.
gpt-4o-transcribeobojíPřepis pro obecné použití. Dostane ho nový rozpoznávač tohoto druhu.
gpt-4o-mini-transcribeobojíLehčí a levnější varianta předchozího.
gpt-4o-transcribe-diarizepřepisyOznačí, kdo kdy mluví. Použijte ho, jen pokud to potřebujete.
whisper-1přepisyStarší model Whisper, ponechaný pro zvláštní účely, jako jsou časové značky slov a titulky.
gpt-live-transcribenašeptávačŽivý model OpenAI: slova přicházejí, jak jsou vyslovena. Telefon ho nabízí pro našeptávače.
Deepgram
https://api.deepgram.com/v1
nova-3obojíNejlepší model Deepgramu pro obecné použití, pro schůzky, hlučný a vícejazyčný zvuk. Dostane ho nový rozpoznávač tohoto druhu.
nova-2obojíPředchozí generace; ponechte ji pro jazyky, které nova-3 zatím nepodporuje.
nova-2-phonecallobojínova-2 vyladěná na úzký zvuk telefonní linky. Angličtina.
flux-general-ennašeptávačUdělaný pro rozhovor: slyší, kdy někdo domluvil. Angličtina.
flux-general-multinašeptávačTotéž v deseti jazycích, a rozhovor mezi nimi smí přecházet.
enhanced, basepřepisyStarší úrovně; base je pro velké objemy.
whisperpřepisyWhisper provozovaný Deepgramem.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2přepisyPřepis pro obecné použití ve více než 90 jazycích, s rozlišením mluvčích.
scribe_v2_realtimenašeptávačŽivá verze scribe_v2. Telefon ji nabízí pro našeptávače.
scribe_v2_medicalpřepisyscribe_v2 vyladěný na klinický zvuk.
scribe_v1přepisyPrvní generace; zastaralá, použijte scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedobojíNejpřesnější, pro hovor v jednom jazyce. Dostane ho nový rozpoznávač tohoto druhu.
standardobojíRychlejší a levnější, o něco méně přesný.
melia-1přepisyHovor 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-2.0obojíJediný 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-1.0přepisyZastaralý: služba ho přesměruje na 2.0.
Soniox
https://api.soniox.com
stt-async-v5přepisyPřes 60 jazyků, s rozlišením mluvčích.
stt-rt-v5našeptávačŽivě, ve stejných 60+ jazycích, a slyší, kde končí slovo mluvčího. Telefon ho nabízí pro našeptávače.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proobojíNejpřesnější model pro nahrávky; 18 jazyků, a hovor mezi nimi smí přecházet.
universal-2přepisy99 jazyků, levnější; AssemblyAI na něj sáhne u jazyka, který universal-3-5-pro nezná.
universal-3-6-pronašeptávačNejnovější živý model AssemblyAI, 32 jazyků; služba ho použije, když je model prázdný.
universal-streaming-multilingualnašeptávačLevnější živé rozpoznávání v angličtině, španělštině, němčině, francouzštině, portugalštině a italštině.
universal-streaming-englishnašeptávačLevnější živé rozpoznávání, jen v angličtině.
Vosk (na vašem vlastním stroji)
ws://localhost:2700
(nastavuje se na serveru)obojíZdarma 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
smallobojíWhisper 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)obojíŘečový 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, například http://localhost:8000/v1 pro tento počítač nebo http://asr.local:8080/v1 pro 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.

ModelPoznámky
whisper-large-v3Nejpřesnější Whisper. Pro server s GPU.
openai/whisper-large-v3-turboRychlejší verze large-v3 s malou ztrátou přesnosti.
Systran/faster-whisper-large-v3large-v3 převedený pro engine faster-whisper; rychlejší a šetrnější k paměti.
medium, small, baseMenší 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:

ServerCo to je
vLLMVýkonný server modelů. Po spuštění obsluhuje Whisper na http://localhost:8000/v1.
SpeachesServer pro řečové modely, „Ollama pro řeč“, postavený na faster-whisper. Model načte, když je o něj poprvé požádán.
whisper.cppEfektivně provozuje Whisper na CPU, včetně Apple silicon. Jeho whisper-server se spouští s --inference-path /v1/audio/transcriptions.
LocalAINáhrada 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.