Zum Hauptinhalt springen

Transkription

Einstellungen → Transkription listet die Spracherkenner: die Dienste, die Ton in Text verwandeln — für abgeschlossene Gespräche und, für den Souffleur, während ein Gespräch läuft.

Ein Gespräch wird transkribiert, wenn Sie es im Aufnahmefenster verlangen, oder von selbst, wenn Gespräche automatisch verarbeiten unter Verarbeitung eingeschaltet ist. Ein Spracherkenner auf Ihrer eigenen Maschine kostet im Betrieb nichts; einer in der Cloud berechnet je Minute Ton.

Spracherkenner​

Ein Spracherkenner ist ein Dienst für Spracherkennung, an den das Telefon den Ton schickt. Mit Hinzufügen fügen Sie einen hinzu; die Schaltfläche Prüfen auf seiner Karte prüft, ob der Dienst wirklich antwortet. Jeder steht mit seinem Namen in der Liste und darunter mit dem Modell und der Adresse seines Dienstes. Die Tabelle zeigt jede Art von Dienst, die das Telefon unterstützt, so wie Art auf der Karte sie anbietet, mit der Adresse und den Modellen, die ein neuer Spracherkenner dieser Art bekommt; die letzte Spalte zeigt die fünf im Bild eingerichteten:

ArtAdresse für TranskripteAdresse für den SouffleurModellIm Bild
OpenAI-kompatibel (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, live 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, live scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, für eine Region eu., us. oder au. statt global.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(leer: die Vorgabe des Dienstes), live grok-voice-transcribe-2.0X.ai · live grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(leer: die Vorgabe des Dienstes), live stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(leer: die Vorgabe des Dienstes)—
Vosk (auf Ihrer eigenen Maschine)Ihr Server, zum Beispiel ws://localhost:2700(derselbe Server)(auf dem Server eingestellt)Vosk · ws://localhost:2700
WhisperLive (auf Ihrer eigenen Maschine)Ihr Server, zum Beispiel ws://localhost:9090(derselbe Server)live small—
NVIDIA Riva (auf Ihrer eigenen Maschine)Ihr Server, zum Beispiel localhost:50051(derselbe Server)(auf dem Server eingestellt)—

Die Adresse für den Souffleur ist meist eine WebSocket-Adresse: wss:// für einen Dienst in der Cloud, ws:// für einen Server im eigenen Netz; NVIDIA Riva wird als Host:Port angegeben.

Die zwei Zeichen rechts in einer Zeile sagen, wofür der Spracherkenner die Vorgabe ist. Die Uhr leuchtet bei der Vorgabe für Transkripte — im Bild X.ai —, die verwendet wird, wenn Sie keinen anderen wählen. Der Blitz leuchtet bei der Vorgabe für den Souffleur — im Bild Vosk. Sie können mehrere Spracherkenner behalten; die Auswahlliste über einem Transkript im Aufnahmefenster zeigt die Transkripte, die jeder von ihnen gemacht hat.

Die Karte des Spracherkenners​

Ein Klick auf einen Spracherkenner öffnet seine Karte.

FeldWas es ist
NameDer Name in den Listen.
ArtDie Art des Dienstes, die bestimmt, wie das Telefon mit ihm spricht: OpenAI-kompatibel (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics und drei, die auf Ihrer eigenen Maschine laufen — Vosk, WhisperLive und NVIDIA Riva.
Adresse für TranskripteWohin abgeschlossene Gespräche geschickt werden.
Adresse für den SouffleurWohin der Live-Ton geht, während ein Gespräch läuft. Meist eine WebSocket-Adresse: wss:// für einen Dienst in der Cloud, wie wss://api.x.ai im Bild, ws:// für einen Server im eigenen Netz. Leer wird aus der Adresse daneben ermittelt.
SchlüsselDer Schlüssel des Dienstes. Es liegt im Schlüsselbund dieses Rechners, nie in einer Einstellungsdatei.
PrüfenFragt den Dienst und sagt, was er geantwortet hat, zum Beispiel Hat geantwortet und bietet 3 Modelle an.
Modell für Transkripte und Modell für den SouffleurDas Modell, genau so, wie der Dienst es nennt. Leer sendet keinen Modellnamen, und der Dienst nimmt seine eigene Vorgabe; wo der Anbieter eine veröffentlicht, nennt die Karte sie. Für eine Art ohne Auswahl wird das Feld nicht gezeigt. Im Bild hat xAI kein Feld Modell für Transkripte, und das Modell für den Souffleur ist auf grok-voice-transcribe-2.0 gesetzt.
Vorgabe für TranskripteMacht diesen zum Spracherkenner, der verwendet wird, wenn Sie keinen anderen wählen.
Vorgabe für den SouffleurMacht diesen zum Spracherkenner, mit dem ein neuer Helfer des Souffleurs zuhört.
EingeschaltetAusgeschaltet bleibt der Spracherkenner in der Liste und wird nicht verwendet.

Erweiterte Einstellungen öffnet den Rest der Karte. Die wichtigsten Werte:

FeldWas es bewirkt
RegionDie Region des Dienstes, bei einem, der mehrere hat.
Die beiden Seiten getrennt sendenEin Anruf wird mit den beiden Personen auf zwei Kanälen aufgenommen — daran erkennt der Spracherkenner, wer was gesagt hat. Schalten Sie es bei einem Server aus, der behauptet, das zu können, und es nicht kann.
Fragen, wer sprichtUnterscheidet die Personen innerhalb eines Kanals, wenn mehrere darauf sprechen.
Zahlen als Ziffern schreibenBeträge, Daten und Telefonnummern kommen so zurück, wie man sie schreibt, statt ausgeschrieben.
Upload-Grenze, LängengrenzeDie größte Datei in Bytes und die längste Aufnahme in Sekunden, die dieses Telefon schickt.
Anfragen gleichzeitigWie viele Anfragen zur selben Zeit laufen dürfen.
Antwort beenden nach, Kurze Antworten zusammenfassen binnen, SprecherpauseFür den Souffleur: wie lange ohne neue Worte eine Antwort beendet, wie lange eine kurze Antwort auf die nächste wartet, um mit ihr verbunden zu werden, und wie lange eine Stille einen Sprecherwechsel beendet, wo der Spracherkenner keinen markiert. In Millisekunden.
SpracheEin zweibuchstabiger Sprachcode nach ISO 639-1 (en, de, es, fr, sr…). Lassen Sie ihn leer, und der Spracherkenner entscheidet — das ist richtig, sofern Ihre Gespräche nicht in einer Sprache geführt werden, die er immer wieder falsch versteht.
ZusätzeEin name = value je Zeile, unverändert an den Dienst übergeben. Lassen Sie es leer, sofern der Server nichts dokumentiert.
Warten, MinutenWie lange auf ein Transkript gewartet wird. Leer berechnet es aus der Länge der Aufnahme.
Preis je MinuteWas eine Minute Live-Ton kostet, aus der Preisliste des Dienstes. Der Souffleur zeigt, was eine Sitzung gekostet hat, und hält an seiner Monatsgrenze an.

Live-Erkennung für den Souffleur​

Der Souffleur braucht einen Spracherkenner, der zuhört, während jemand spricht — über einen Datenstrom statt mit einer fertigen Datei. Diese Arten können das: Deepgram, ElevenLabs (Scribe), xAI (Grok), OpenAI-kompatibel (mit der Echtzeit-Transkription von OpenAI), AssemblyAI, Soniox und Speechmatics in der Cloud und Vosk, WhisperLive und NVIDIA Riva auf Ihrer eigenen Maschine. Ein Spracherkenner auf Ihrer eigenen Maschine behält die Stimme der Gegenseite im Haus und kostet nichts.

So nutzen Sie einen: Öffnen Sie seine Karte, prüfen Sie die Adresse für den Souffleur — meist eine WebSocket-Adresse, etwa wss://api.x.ai für X.ai, wss://api.deepgram.com für Deepgram oder ws://localhost:2700 für Vosk; leer wird sie aus der Adresse für Transkripte ermittelt. Wählen Sie dann das Modell für den Souffleur: Die Live-Modelle sind oft andere als die für Dateien — grok-voice-transcribe-2.0 für X.ai, wie auf der Karte im Bild, scribe_v2_realtime für ElevenLabs, gpt-live-transcribe für OpenAI, stt-rt-v5 für Soniox. Drücken Sie Prüfen. Haken Sie Vorgabe für den Souffleur an, damit neue Helfer mit ihm zuhören.

Welches Modell wählen​

Die Tabelle listet die Spracherkennungsmodelle jeder Art aus der Liste Art. Die fett gedruckten Modelle sind die im Bild eingerichteten; beim Spracherkenner X.ai ist das Modell leer, also wird die Vorgabe des Dienstes, grok-voice-transcribe-2.0, verwendet. Leer ist dort das Modell für Transkripte; das Modell für den Souffleur ist auf dasselbe Modell gesetzt. Wofür sagt, wofür ein Modell gemacht ist: für fertige Aufnahmen (Transkripte), für Live-Sprache für den Souffleur (Souffleur) oder für beides.

Art und AdresseModellWofürWozu es dient
OpenAI-kompatibel (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribeTranskripteDas Modell, das OpenAI für aufgenommene Sprache in ihrer Originalsprache empfiehlt.
gpt-4o-transcribebeidesTranskription für allgemeine Zwecke. Ein neuer Spracherkenner dieser Art bekommt es.
gpt-4o-mini-transcribebeidesEine leichtere, günstigere Variante davon.
gpt-4o-transcribe-diarizeTranskripteMarkiert, wer wann spricht. Nehmen Sie es nur, wenn Sie das brauchen.
whisper-1TranskripteDas ältere Whisper-Modell, für Sonderzwecke wie Zeitstempel je Wort und Untertitel.
gpt-live-transcribeSouffleurDas Live-Modell von OpenAI: Die Worte kommen, während sie gesagt werden. Das Telefon bietet es für den Souffleur an.
Deepgram
https://api.deepgram.com/v1
nova-3beidesDas beste allgemeine Modell von Deepgram, für Besprechungen, lauten und mehrsprachigen Ton. Ein neuer Spracherkenner dieser Art bekommt es.
nova-2beidesDie vorige Generation; behalten Sie sie für Sprachen, die nova-3 noch nicht unterstützt.
nova-2-phonecallbeidesnova-2, abgestimmt auf den schmalen Klang einer Telefonleitung. Englisch.
flux-general-enSouffleurFür Gespräche gemacht: Es hört, wann jemand ausgeredet hat. Englisch.
flux-general-multiSouffleurDasselbe in zehn Sprachen, und ein Gespräch darf zwischen ihnen wechseln.
enhanced, baseTranskripteÄltere Stufen; base ist für große Mengen.
whisperTranskripteWhisper, betrieben von Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2TranskripteAllgemeine Transkription in über 90 Sprachen, mit Sprechertrennung.
scribe_v2_realtimeSouffleurDie Live-Fassung von scribe_v2. Das Telefon bietet sie für den Souffleur an.
scribe_v2_medicalTranskriptescribe_v2, abgestimmt auf klinischen Ton.
scribe_v1TranskripteDie erste Generation; veraltet, nehmen Sie scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedbeidesDas genaueste, für ein Gespräch in einer Sprache. Ein neuer Spracherkenner dieser Art bekommt es.
standardbeidesSchneller und günstiger, etwas weniger genau.
melia-1TranskripteEin Gespräch in mehreren Sprachen, mit Wechseln mitten im Satz, kommt als ein Transkript zurück. Nur für Aufnahmen, in den Regionen EU und USA; noch ohne eigenes Wörterbuch und Sprecherkennzeichnung.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0beidesDas einzige aktuelle Modell und die Vorgabe: 38 Sprachen, die es selbst erkennt. Dateien bis 500 MB; Live-Sprache geht an wss://api.x.ai.
grok-voice-transcribe-1.0TranskripteVeraltet: Der Dienst leitet es auf 2.0 um.
Soniox
https://api.soniox.com
stt-async-v5TranskripteÜber 60 Sprachen, mit Sprechertrennung.
stt-rt-v5SouffleurLive, in denselben über 60 Sprachen, und hört, wo ein Sprecherwechsel endet. Das Telefon bietet es für den Souffleur an.
AssemblyAI
https://api.assemblyai.com
universal-3-5-probeidesDas genaueste Modell für Aufnahmen; 18 Sprachen, und ein Gespräch darf zwischen ihnen wechseln.
universal-2Transkripte99 Sprachen, günstiger; AssemblyAI weicht darauf aus, wenn universal-3-5-pro eine Sprache nicht kennt.
universal-3-6-proSouffleurDas neueste Live-Modell von AssemblyAI, 32 Sprachen; der Dienst nimmt es, wenn das Modell leer ist.
universal-streaming-multilingualSouffleurGünstigere Live-Erkennung auf Englisch, Spanisch, Deutsch, Französisch, Portugiesisch und Italienisch.
universal-streaming-englishSouffleurGünstigere Live-Erkennung, nur Englisch.
Vosk (auf Ihrer eigenen Maschine)
ws://localhost:2700
(auf dem Server eingestellt)beidesKostenlos und leicht; läuft ohne Grafikkarte. Das Modell ist das, mit dem der Server gestartet wurde, eines je Sprache, zum Beispiel vosk-model-de-0.21 oder das kleine vosk-model-small-de-0.15.
WhisperLive (auf Ihrer eigenen Maschine)
ws://localhost:9090
smallbeidesWhisper über einen Live-Datenstrom. Die Größe wird auf der Karte gewählt: tiny, base, small (was das Telefon anbietet), medium, large-v3; je größer, desto genauer, und desto mehr will es eine Grafikkarte.
NVIDIA Riva (auf Ihrer eigenen Maschine)
localhost:50051
(auf dem Server eingestellt)beidesDer Sprachserver von NVIDIA, für einen Rechner mit NVIDIA-Grafikkarte. Er stellt Modelle wie Parakeet und Canary bereit.

Was Sie vor der Wahl wissen sollten:

  • Transkripte oder Souffleur. Ein Modell für Live-Sprache nimmt keine fertige Datei, und die meisten Modelle für Dateien können nicht live zuhören. Deshalb hat eine Karte zwei Felder, Modell für Transkripte und Modell für den Souffleur.
  • Dateigröße. OpenAI nimmt Dateien bis 25 MB an, X.ai bis 500 MB. Ein langes Gespräch kann größer sein, als ein Cloud-Dienst annimmt.
  • Preis. Cloud-Dienste berechnen je Minute Ton, und die Tarife unterscheiden sich je Modell und ändern sich; lesen Sie sie auf der Seite des Dienstes nach, bevor Sie wechseln. Ein Spracherkenner auf Ihrer eigenen Maschine kostet im Betrieb nichts.
  • Sprachen. Jeder Dienst hat seine eigene Liste; prüfen Sie Ihre und setzen Sie den Code unter Sprache in den erweiterten Einstellungen des Spracherkenners, wenn er falsch rät.

Die Modellliste eines Dienstes ändert sich oft. Fehlt hier ein Modell, das Sie möchten, steht die aktuelle Liste in der Dokumentation des Dienstes — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — das Modell ist der Name genau so, wie der Dienst ihn angibt.

Eigene Modelle​

Ein Spracherkenner muss kein Cloud-Dienst sein. Das Telefon kann jedes Modell verwenden, das über die OpenAI-kompatible API bereitgestellt wird — die Schnittstelle POST /v1/audio/transcriptions —, ob es lokal auf Ihrem Rechner oder auf einem eigenen Server läuft. Der Ton verlässt nie Ihre Räume, nichts wird pro Minute berechnet, und die Menge ist unbegrenzt.

Um eines hinzuzufügen, drücken Sie Hinzufügen und geben an:

  • die Adresse des Servers bis einschließlich /v1, zum Beispiel http://localhost:8000/v1 für den Rechner selbst oder http://asr.local:8080/v1 für einen Server in Ihrem Netz;
  • den Namen des Modells genau so, wie der Server ihn auflistet, zum Beispiel openai/whisper-large-v3-turbo.

Was sich verwenden lässt​

Die übliche Wahl ist Whisper, das offene Spracherkennungsmodell von OpenAI. Es ist kostenlos nutzbar, versteht rund hundert Sprachen und gibt es in mehreren Größen: Ein kleines Modell läuft auf einem gewöhnlichen Rechner, die großen sind spürbar genauer und bekommen am besten eine Grafikkarte.

ModellHinweise
whisper-large-v3Das genaueste Whisper. Für einen Server mit GPU.
openai/whisper-large-v3-turboEine schnellere Fassung von large-v3 mit geringem Genauigkeitsverlust.
Systran/faster-whisper-large-v3large-v3, umgewandelt für die Engine faster-whisper; schneller und sparsamer im Speicher.
medium, small, baseKleinere Whisper-Modelle, für einen Rechner ohne Grafikkarte.

Whisper ist das Modell, um das diese Server gebaut sind. Einige von ihnen können auch andere Spracherkennungsmodelle bereitstellen, etwa NVIDIA Parakeet.

Server mit OpenAI-kompatibler API​

Das Modell muss von einem Server betrieben werden, der den OpenAI-kompatiblen Endpunkt /v1/audio/transcriptions anbietet. Diese tun es:

ServerWas er ist
vLLMEin leistungsfähiger Modellserver. Stellt Whisper nach dem Start unter http://localhost:8000/v1 bereit.
SpeachesEin Server für Sprachmodelle, „Ollama für Sprache“, auf Basis von faster-whisper. Lädt ein Modell, wenn es zum ersten Mal verlangt wird.
whisper.cppBetreibt Whisper effizient auf der CPU, auch auf Apple Silicon. Sein whisper-server wird mit --inference-path /v1/audio/transcriptions gestartet.
LocalAIEin direkter OpenAI-Ersatz, der Modelle lokal betreibt.

Jeder andere Server mit demselben Endpunkt funktioniert genauso. Braucht ein Server einen Schlüssel, geben Sie ihn wie bei einem Cloud-Dienst ein.

Bevor Sie sich auf einen Server verlassen, machen Sie eine Testaufnahme und sehen Sie sich das Transkript im Aufnahmefenster an: Ein Gespräch in einer Sprache, die das Modell schlecht kennt, zeigt es sofort.