Gå til hovedindholdet

Transskription

Indstillinger → Transskription viser genkenderne: de tjenester, der gør lyd til tekst, for afsluttede samtaler og, for suffløren, mens en samtale foregår.

En samtale bliver transskriberet, når du beder om det i vinduet Optagelser, eller af sig selv, hvis Behandl samtaler automatisk er slået til under Behandling. En genkender på din egen maskine koster intet at køre; en i skyen tager betaling pr. minut lyd.

Genkendere​

En genkender er en talegenkendelsestjeneste, som telefonen sender lyden til. Tilføj tilføjer en; knappen Prøv på dens kort tjekker, at tjenesten virkelig svarer. Hver står i listen med sit navn og under det modellen og adressen på sin tjeneste. Tabellen viser hver slags tjeneste, telefonen understøtter, sådan som Slags på kortet tilbyder dem, med adressen og de modeller, en ny genkender af den slags får; den sidste kolonne viser de fem, der er sat op på billedet:

SlagsAdresse til udskrifterAdresse til sufflørenModelPå billedet
OpenAI-kompatibel (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, levende 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, levende scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, eller eu., us., au. i stedet for global. for en regionenhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(tom: tjenestens standard), levende grok-voice-transcribe-2.0X.ai · levende grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(tom: tjenestens standard), levende stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(tom: tjenestens standard)—
Vosk (på din egen maskine)din server, for eksempel ws://localhost:2700(samme server)(sat på serveren)Vosk · ws://localhost:2700
WhisperLive (på din egen maskine)din server, for eksempel ws://localhost:9090(samme server)levende small—
NVIDIA Riva (på din egen maskine)din server, for eksempel localhost:50051(samme server)(sat på serveren)—

Feltet Adresse til suffløren er som regel en WebSocket-adresse: wss:// for en tjeneste i skyen, ws:// for en server i dit eget netværk; NVIDIA Riva angives som vært:port.

De to mærker til højre i en række fortæller, hvad genkenderen er standard for. Uret lyser ved standarden for udskrifter — X.ai på billedet —, som bruges, når du ikke vælger en anden. Lynet lyser ved standarden for suffløren — Vosk på billedet. Du kan beholde flere genkendere; rullelisten over en udskrift i vinduet Optagelser viser de udskrifter, hver af dem har lavet.

Genkenderens kort​

Et klik på en genkender åbner dens kort.

FeltHvad det er
NavnNavnet i listerne.
SlagsTjenestens slags, som afgør, hvordan telefonen taler med den: OpenAI-kompatibel (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics og tre, der kører på din egen maskine — Vosk, WhisperLive og NVIDIA Riva.
Adresse til udskrifterHvor afsluttede samtaler sendes hen.
Adresse til sufflørenHvor den levende lyd går hen, mens en samtale foregår. Som regel en WebSocket-adresse: wss:// for en tjeneste i skyen, som wss://api.x.ai på billedet, ws:// for en server i dit eget netværk. Tomt udledes af adressen ved siden af.
NøgleTjenestens nøgle. Det ligger i denne computers nøglering, aldrig i en indstillingsfil.
PrøvSpørger tjenesten og fortæller, hvad den svarede, for eksempel Svarede, og tilbyder 3 modeller.
Model til udskrifter og Model til sufflørenModellen, præcis som tjenesten kalder den. Tomt sender intet modelnavn, og tjenesten bruger sin egen standard; hvor udbyderen offentliggør en, nævner kortet den. Feltet vises ikke for en slags uden valg. På billedet har xAI intet felt Model til udskrifter, og Model til suffløren er sat til grok-voice-transcribe-2.0.
Standard for transskriptionerGør denne til den genkender, der bruges, når du ikke vælger en anden.
Standard for sufflørenGør denne til den genkender, en ny hjælper i suffløren lytter med.
TilSlået fra bliver genkenderen stående i listen og bruges ikke.

Avancerede indstillinger åbner resten af kortet. De værdier, der betyder mest:

FeltHvad det gør
RegionTjenestens region, for en tjeneste, der har flere.
Send de to sider hver for sigEt opkald optages med de to personer på to kanaler, og det er det, der fortæller genkenderen, hvem der sagde hvad. Slå det fra for en server, der påstår, at den kan det, og ikke kan.
Spørg, hvem der talerSkelner mellem personerne inden for én kanal, hvor flere taler på den.
Skriv tal med cifreBeløb, datoer og telefonnumre kommer tilbage, som de skrives, i stedet for udskrevet med bogstaver.
Uploadgrænse, LængdegrænseDen største fil i byte og den længste optagelse i sekunder, som denne telefon sender.
Forespørgsler ad gangenHvor mange forespørgsler der må være i gang på samme tid.
Afslut et svar efter, Saml korte svar inden for, Pause mellem tureFor suffløren: hvor længe uden nye ord der afslutter et svar, hvor længe et kort svar venter på det næste for at blive sat sammen med det, og hvor lang en stilhed der afslutter en tur, hvor genkenderen ikke markerer nogen. I millisekunder.
SprogEn sprogkode på to bogstaver efter ISO 639-1 (en, de, es, fr, sr…). Lad den være tom, så bestemmer genkenderen — det er det rigtige, medmindre dine opkald er på et sprog, den bliver ved med at høre forkert.
EkstraÉn name = value pr. linje, sendt uændret til tjenesten. Lad det være tomt, medmindre serveren dokumenterer noget.
Ventetid, minutterHvor længe der ventes på en udskrift. Tomt beregner det ud fra optagelsens længde.
Pris per minutHvad et minut levende lyd koster, efter tjenestens prisliste. Suffløren viser, hvad en session har kostet, og stopper ved sit månedlige loft.

Levende genkendelse til suffløren​

Suffløren har brug for en genkender, der lytter, mens nogen taler, via en strøm i stedet for med en færdig fil. Disse slags kan: Deepgram, ElevenLabs (Scribe), xAI (Grok), OpenAI-kompatibel (med OpenAI's realtidstransskription), AssemblyAI, Soniox og Speechmatics i skyen og Vosk, WhisperLive og NVIDIA Riva på din egen maskine. En genkender på din egen maskine holder den anden parts stemme inden for murene og koster intet.

Sådan bruger du en: åbn dens kort, tjek feltet Adresse til suffløren — som regel en WebSocket-adresse, fx wss://api.x.ai for X.ai, wss://api.deepgram.com for Deepgram eller ws://localhost:2700 for Vosk; tomt udledes det af feltet Adresse til udskrifter. Vælg derefter Model til suffløren: livemodellerne er ofte andre end dem til filer — grok-voice-transcribe-2.0 for X.ai, som på kortet på billedet, scribe_v2_realtime for ElevenLabs, gpt-live-transcribe for OpenAI, stt-rt-v5 for Soniox. Tryk på Prøv. Sæt flueben ved Standard for suffløren for at nye hjælpere lytter med den.

Hvilken model du skal vælge​

Tabellen viser talegenkendelsesmodellerne for hver slags i listen Slags. Modellerne med fed er dem, der er sat op på billedet; for genkenderen X.ai er modellen tom, så tjenestens standard, grok-voice-transcribe-2.0, er den, der bruges. Tomt er dér feltet Model til udskrifter; Model til suffløren er sat til samme model. Til fortæller, hvad en model er lavet til: færdige optagelser (udskrifter), levende tale til suffløren (sufflør) eller begge.

Slags og adresseModelTilHvad den er til
OpenAI-kompatibel (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribeudskrifterDen model, OpenAI anbefaler til optaget tale på originalsproget.
gpt-4o-transcribebeggeTransskription til almindeligt brug. En ny genkender af denne slags får den.
gpt-4o-mini-transcribebeggeEn lettere og billigere variant af den forrige.
gpt-4o-transcribe-diarizeudskrifterMarkerer, hvem der taler hvornår. Brug den kun, hvis du har brug for det.
whisper-1udskrifterDen ældre Whisper-model, bevaret til særlige formål som tidsstempler pr. ord og undertekster.
gpt-live-transcribesufflørOpenAI's levende model: ordene kommer, mens de bliver sagt. Telefonen tilbyder den til suffløren.
Deepgram
https://api.deepgram.com/v1
nova-3beggeDeepgrams bedste model til almindeligt brug, til møder, støjende og flersproget lyd. En ny genkender af denne slags får den.
nova-2beggeDen forrige generation; behold den til sprog, som nova-3 endnu ikke understøtter.
nova-2-phonecallbeggenova-2 tilpasset den smalle lyd fra en telefonlinje. Engelsk.
flux-general-ensufflørLavet til samtale: den hører, når nogen er færdig med at tale. Engelsk.
flux-general-multisufflørDet samme på ti sprog, og en samtale må skifte mellem dem.
enhanced, baseudskrifterÆldre niveauer; base er til store mængder.
whisperudskrifterWhisper, kørt af Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2udskrifterTransskription til almindeligt brug på over 90 sprog, med adskillelse af talere.
scribe_v2_realtimesufflørDen levende udgave af scribe_v2. Telefonen tilbyder den til suffløren.
scribe_v2_medicaludskrifterscribe_v2 tilpasset klinisk lyd.
scribe_v1udskrifterFørste generation; forældet, brug scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedbeggeDen mest præcise, til en samtale på ét sprog. En ny genkender af denne slags får den.
standardbeggeHurtigere og billigere, lidt mindre præcis.
melia-1udskrifterEn samtale på flere sprog, der skifter midt i en sætning, kommer tilbage som én udskrift. Kun optagelser, i regionerne EU og USA; endnu uden egen ordbog og talermærker.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0beggeDen eneste aktuelle model og standarden: 38 sprog, som den selv genkender. Filer op til 500 MB; levende tale går til wss://api.x.ai.
grok-voice-transcribe-1.0udskrifterForældet: tjenesten sender den videre til 2.0.
Soniox
https://api.soniox.com
stt-async-v5udskrifterOver 60 sprog, med adskillelse af talere.
stt-rt-v5sufflørLevende, på de samme 60+ sprog, og hører, hvor en tur slutter. Telefonen tilbyder den til suffløren.
AssemblyAI
https://api.assemblyai.com
universal-3-5-probeggeDen mest præcise model til optagelser; 18 sprog, og en samtale må skifte mellem dem.
universal-2udskrifter99 sprog, billigere; AssemblyAI falder tilbage på den for et sprog, universal-3-5-pro ikke kender.
universal-3-6-prosufflørAssemblyAI's nyeste levende model, 32 sprog; tjenesten bruger den, når modellen er tom.
universal-streaming-multilingualsufflørBilligere levende genkendelse på engelsk, spansk, tysk, fransk, portugisisk og italiensk.
universal-streaming-englishsufflørBilligere levende genkendelse, kun engelsk.
Vosk (på din egen maskine)
ws://localhost:2700
(sat på serveren)beggeGratis og let; kører uden grafikkort. Modellen er den, serveren blev startet med, én pr. sprog, for eksempel vosk-model-en-us-0.22 eller den lille vosk-model-small-en-us-0.15.
WhisperLive (på din egen maskine)
ws://localhost:9090
smallbeggeWhisper over en levende strøm. Størrelsen vælges på kortet: tiny, base, small (det, telefonen tilbyder), medium, large-v3; jo større, jo mere præcis, og jo mere vil den have et grafikkort.
NVIDIA Riva (på din egen maskine)
localhost:50051
(sat på serveren)beggeNVIDIA's taleserver, til en computer med et NVIDIA-grafikkort. Den leverer modeller som Parakeet og Canary.

Godt at vide, før du vælger:

  • Udskrifter eller sufflør. En model til levende tale tager ikke imod en færdig fil, og de fleste modeller til filer kan ikke lytte levende. Derfor har et kort to felter, Model til udskrifter og Model til suffløren.
  • Filstørrelse. OpenAI tager filer op til 25 MB; X.ai op til 500 MB. En lang samtale kan være større, end en skytjeneste tager imod.
  • Pris. Skytjenester tager betaling pr. minut lyd, og taksterne afhænger af modellen og ændrer sig; læs dem på tjenestens egen side, før du skifter. En genkender på din egen maskine koster intet at køre.
  • Sprog. Hver tjeneste har sin egen liste; tjek din, og sæt koden under Sprog i genkenderens avancerede indstillinger, hvis den gætter forkert.

En tjenestes liste over modeller ændrer sig ofte. Mangler en model, du ønsker, her, har tjenestens egen dokumentation den aktuelle liste — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — og Model er navnet præcis, som tjenesten angiver det.

Dine egne modeller​

En genkender behøver ikke være en skytjeneste. Telefonen kan bruge enhver model, der stilles til rådighed via det OpenAI-kompatible API — grænsefladen POST /v1/audio/transcriptions —, uanset om den kører lokalt på din computer eller på din egen server. Lyden forlader aldrig dine lokaler, der betales intet per minut, og der er ingen grænse for mængden.

For at tilføje en skal du trykke på Tilføj og angive:

  • serverens adresse til og med /v1, for eksempel http://localhost:8000/v1 for selve computeren eller http://asr.local:8080/v1 for en server i dit netværk;
  • modellens navn præcis, som serveren viser det, for eksempel openai/whisper-large-v3-turbo.

Hvad der kan bruges​

Det sædvanlige valg er Whisper, OpenAIs åbne model til talegenkendelse. Den er gratis at bruge, forstår omkring hundrede sprog og findes i flere størrelser: en lille model kører på en almindelig computer, de store er mærkbart mere præcise og har bedst af et grafikkort.

ModelBemærkninger
whisper-large-v3Den mest præcise Whisper. Til en server med GPU.
openai/whisper-large-v3-turboEn hurtigere udgave af large-v3 med et lille tab af præcision.
Systran/faster-whisper-large-v3large-v3 konverteret til motoren faster-whisper; hurtigere og lettere for hukommelsen.
medium, small, baseMindre Whisper-modeller, til en computer uden grafikkort.

Whisper er den model, disse servere er bygget op omkring. Nogle af dem kan også stille andre talegenkendelsesmodeller til rådighed, som NVIDIA Parakeet.

Servere, der tilbyder det OpenAI-kompatible API​

Modellen skal køres af en server, der tilbyder det OpenAI-kompatible endepunkt /v1/audio/transcriptions. Disse gør:

ServerHvad den er
vLLMEn højtydende modelserver. Stiller Whisper til rådighed på http://localhost:8000/v1, når den er startet.
SpeachesEn server til talemodeller, „Ollama til tale”, bygget på faster-whisper. Indlæser en model, første gang den efterspørges.
whisper.cppKører Whisper effektivt på en CPU, også Apple silicon. Dens whisper-server startes med --inference-path /v1/audio/transcriptions.
LocalAIEn direkte erstatning for OpenAI, der kører modeller lokalt.

Enhver anden server, der tilbyder det samme endepunkt, virker på samme måde. Kræver en server en nøgle, så indtast den som for en skytjeneste.

Før du stoler på en server, så lav en testoptagelse og se på udskriften i vinduet Optagelser: en samtale på et sprog, modellen kender dårligt, afslører det med det samme.