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:
| Slags | Adresse til udskrifter | Adresse til suffløren | Model | På billedet |
|---|---|---|---|---|
| OpenAI-kompatibel (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, levende 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, levende scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, eller eu., us., au. i stedet for global. for en region | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (tom: tjenestens standard), levende grok-voice-transcribe-2.0 | X.ai · levende grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (tom: tjenestens standard), levende stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://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.
| Felt | Hvad det er |
|---|---|
| Navn | Navnet i listerne. |
| Slags | Tjenestens 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 udskrifter | Hvor afsluttede samtaler sendes hen. |
| Adresse til suffløren | Hvor 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. |
| Nøgle | Tjenestens nøgle. Det ligger i denne computers nøglering, aldrig i en indstillingsfil. |
| Prøv | Spørger tjenesten og fortæller, hvad den svarede, for eksempel Svarede, og tilbyder 3 modeller. |
| Model til udskrifter og Model til suffløren | Modellen, 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 transskriptioner | Gør denne til den genkender, der bruges, når du ikke vælger en anden. |
| Standard for suffløren | Gør denne til den genkender, en ny hjælper i suffløren lytter med. |
| Til | Slået fra bliver genkenderen stående i listen og bruges ikke. |
Avancerede indstillinger åbner resten af kortet. De værdier, der betyder mest:
| Felt | Hvad det gør |
|---|---|
| Region | Tjenestens region, for en tjeneste, der har flere. |
| Send de to sider hver for sig | Et 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 taler | Skelner mellem personerne inden for én kanal, hvor flere taler på den. |
| Skriv tal med cifre | Beløb, datoer og telefonnumre kommer tilbage, som de skrives, i stedet for udskrevet med bogstaver. |
| Uploadgrænse, Længdegrænse | Den største fil i byte og den længste optagelse i sekunder, som denne telefon sender. |
| Forespørgsler ad gangen | Hvor mange forespørgsler der må være i gang på samme tid. |
| Afslut et svar efter, Saml korte svar inden for, Pause mellem ture | For 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. |
| Sprog | En 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. |
| Ekstra | Én name = value pr. linje, sendt uændret til tjenesten. Lad det være tomt, medmindre serveren dokumenterer noget. |
| Ventetid, minutter | Hvor længe der ventes på en udskrift. Tomt beregner det ud fra optagelsens længde. |
| Pris per minut | Hvad 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 adresse | Model | Til | Hvad den er til |
|---|---|---|---|
OpenAI-kompatibel (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | udskrifter | Den model, OpenAI anbefaler til optaget tale på originalsproget. |
gpt-4o-transcribe | begge | Transskription til almindeligt brug. En ny genkender af denne slags får den. | |
gpt-4o-mini-transcribe | begge | En lettere og billigere variant af den forrige. | |
gpt-4o-transcribe-diarize | udskrifter | Markerer, hvem der taler hvornår. Brug den kun, hvis du har brug for det. | |
whisper-1 | udskrifter | Den ældre Whisper-model, bevaret til særlige formål som tidsstempler pr. ord og undertekster. | |
gpt-live-transcribe | sufflør | OpenAI's levende model: ordene kommer, mens de bliver sagt. Telefonen tilbyder den til suffløren. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | begge | Deepgrams bedste model til almindeligt brug, til møder, støjende og flersproget lyd. En ny genkender af denne slags får den. |
nova-2 | begge | Den forrige generation; behold den til sprog, som nova-3 endnu ikke understøtter. | |
nova-2-phonecall | begge | nova-2 tilpasset den smalle lyd fra en telefonlinje. Engelsk. | |
flux-general-en | sufflør | Lavet til samtale: den hører, når nogen er færdig med at tale. Engelsk. | |
flux-general-multi | sufflør | Det samme på ti sprog, og en samtale må skifte mellem dem. | |
enhanced, base | udskrifter | Ældre niveauer; base er til store mængder. | |
whisper | udskrifter | Whisper, kørt af Deepgram. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | udskrifter | Transskription til almindeligt brug på over 90 sprog, med adskillelse af talere. |
scribe_v2_realtime | sufflør | Den levende udgave af scribe_v2. Telefonen tilbyder den til suffløren. | |
scribe_v2_medical | udskrifter | scribe_v2 tilpasset klinisk lyd. | |
scribe_v1 | udskrifter | Første generation; forældet, brug scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | begge | Den mest præcise, til en samtale på ét sprog. En ny genkender af denne slags får den. |
standard | begge | Hurtigere og billigere, lidt mindre præcis. | |
melia-1 | udskrifter | En 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-2.0 | begge | Den 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-1.0 | udskrifter | Forældet: tjenesten sender den videre til 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | udskrifter | Over 60 sprog, med adskillelse af talere. |
stt-rt-v5 | sufflør | Levende, på de samme 60+ sprog, og hører, hvor en tur slutter. Telefonen tilbyder den til suffløren. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | begge | Den mest præcise model til optagelser; 18 sprog, og en samtale må skifte mellem dem. |
universal-2 | udskrifter | 99 sprog, billigere; AssemblyAI falder tilbage på den for et sprog, universal-3-5-pro ikke kender. | |
universal-3-6-pro | sufflør | AssemblyAI's nyeste levende model, 32 sprog; tjenesten bruger den, når modellen er tom. | |
universal-streaming-multilingual | sufflør | Billigere levende genkendelse på engelsk, spansk, tysk, fransk, portugisisk og italiensk. | |
universal-streaming-english | sufflør | Billigere levende genkendelse, kun engelsk. | |
Vosk (på din egen maskine)ws://localhost:2700 | (sat på serveren) | begge | Gratis 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 | small | begge | Whisper 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) | begge | NVIDIA'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 eksempelhttp://localhost:8000/v1for selve computeren ellerhttp://asr.local:8080/v1for 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.
| Model | Bemærkninger |
|---|---|
whisper-large-v3 | Den mest præcise Whisper. Til en server med GPU. |
openai/whisper-large-v3-turbo | En hurtigere udgave af large-v3 med et lille tab af præcision. |
Systran/faster-whisper-large-v3 | large-v3 konverteret til motoren faster-whisper; hurtigere og lettere for hukommelsen. |
medium, small, base | Mindre 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:
| Server | Hvad den er |
|---|---|
| vLLM | En højtydende modelserver. Stiller Whisper til rådighed på http://localhost:8000/v1, når den er startet. |
| Speaches | En server til talemodeller, „Ollama til tale”, bygget på faster-whisper. Indlæser en model, første gang den efterspørges. |
| whisper.cpp | Kører Whisper effektivt på en CPU, også Apple silicon. Dens whisper-server startes med --inference-path /v1/audio/transcriptions. |
| LocalAI | En 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.