Litterointi
Asetukset → Litterointi luettelee tunnistimet: palvelut, jotka muuttavat äänen tekstiksi, päättyneille keskusteluille ja kuiskaajalle keskustelun aikana.
Keskustelu litteroidaan, kun pyydät sitä Tallenteet-ikkunassa, tai itsestään, jos Käsittele keskustelut automaattisesti on päällä kohdassa Käsittely. Omalla koneellasi toimiva tunnistin ei maksa mitään; pilvessä toimiva laskuttaa äänen minuuteista.
Tunnistimet
Tunnistin on puheentunnistuspalvelu, jolle puhelin lähettää äänen. Lisää lisää uuden; sen kortin Kokeile-painike tarkistaa, että palvelu todella vastaa. Jokainen näkyy luettelossa nimellään ja sen alla palvelunsa malli ja osoite. Taulukko luettelee jokaisen puhelimen tukeman palvelulajin sellaisina kuin kortin Laji niitä tarjoaa, sekä osoitteen ja mallit, jotka tämän lajin uusi tunnistin saa; viimeinen sarake näyttää kuvassa asetetut viisi:
| Laji | Osoite litterointeja varten | Osoite kuiskaajaa varten | Malli | Kuvassa |
|---|---|---|---|---|
| OpenAI-yhteensopiva (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, suora 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, suora scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, tai alueelle eu., us. tai au. global.-osan tilalla | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (tyhjä: palvelun oletus), suora grok-voice-transcribe-2.0 | X.ai · suora grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (tyhjä: palvelun oletus), suora stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://streaming.assemblyai.com | (tyhjä: palvelun oletus) | — |
| Vosk (omalla koneellasi) | oma palvelimesi, esimerkiksi ws://localhost:2700 | (sama palvelin) | (asetetaan palvelimella) | Vosk · ws://localhost:2700 |
| WhisperLive (omalla koneellasi) | oma palvelimesi, esimerkiksi ws://localhost:9090 | (sama palvelin) | suora small | — |
| NVIDIA Riva (omalla koneellasi) | oma palvelimesi, esimerkiksi localhost:50051 | (sama palvelin) | (asetetaan palvelimella) | — |
Kenttä Osoite kuiskaajaa varten on yleensä WebSocket-osoite: wss:// pilvipalvelulle, ws:// oman verkkosi palvelimelle; NVIDIA Riva annetaan muodossa palvelin:portti.
Rivin oikean reunan kaksi merkkiä kertovat, minkä oletus tunnistin on. Kello palaa oletuksella litterointeja varten — kuvassa X.ai —, jota käytetään, kun et valitse muuta. Salama palaa oletuksella kuiskaajaa varten — kuvassa Vosk. Voit pitää useita tunnistimia; litteroinnin yläpuolella oleva pudotusvalikko Tallenteet-ikkunassa luettelee kunkin niistä tekemät litteroinnit.
Tunnistimen kortti
Tunnistimen painaminen avaa sen kortin.
| Kenttä | Mikä se on |
|---|---|
| Nimi | Nimi luetteloissa. |
| Laji | Palvelun laji, joka ratkaisee, miten puhelin keskustelee sen kanssa: OpenAI-yhteensopiva (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics ja kolme omalla koneellasi toimivaa — Vosk, WhisperLive ja NVIDIA Riva. |
| Osoite litterointeja varten | Minne päättyneet keskustelut lähetetään. |
| Osoite kuiskaajaa varten | Minne suora ääni menee keskustelun aikana. Yleensä WebSocket-osoite: wss:// pilvipalvelulle, kuten kuvan wss://api.x.ai, ws:// oman verkkosi palvelimelle. Tyhjä päätellään viereisestä osoitteesta. |
| Avain | Palvelun avain. Se säilytetään tämän tietokoneen avainnipussa, ei koskaan asetustiedostossa. |
| Kokeile | Kysyy palvelulta ja kertoo, mitä se vastasi, esimerkiksi Vastasi ja tarjoaa 3 mallia. |
| Malli litterointeja varten ja Malli kuiskaajaa varten | Malli täsmälleen niin kuin palvelu sen nimeää. Tyhjä ei lähetä mallin nimeä, ja palvelu käyttää omaa oletustaan; jos toimittaja julkaisee sellaisen, kortti mainitsee sen. Kenttää ei näytetä lajille, jossa ei ole valinnanvaraa. Kuvassa xAI:lla ei ole kenttää Malli litterointeja varten, ja kentässä Malli kuiskaajaa varten on grok-voice-transcribe-2.0. |
| Oletus litterointeja varten | Tekee tästä tunnistimen, jota käytetään, kun et valitse muuta. |
| Oletus kuiskaajaa varten | Tekee tästä tunnistimen, jolla kuiskaajan uusi avustaja kuuntelee. |
| Päällä | Pois päältä tunnistin pysyy luettelossa, mutta sitä ei käytetä. |
Lisäasetukset avaa kortin loppuosan. Tärkeimmät arvot:
| Kenttä | Mitä se tekee |
|---|---|
| Alue | Palvelun alue, jos alueita on useita. |
| Lähetä molemmat puolet erikseen | Puhelu tallennetaan niin, että kaksi ihmistä ovat kahdella kanavalla, ja juuri siitä tunnistin tietää, kuka sanoi mitä. Kytke se pois palvelimelta, joka väittää osaavansa tämän mutta ei osaa. |
| Kysy, kuka puhuu | Erottaa ihmiset saman kanavan sisällä, kun siinä puhuu useampi. |
| Kirjoita luvut numeroina | Summat, päivämäärät ja puhelinnumerot palaavat niin kuin ne kirjoitetaan, eivät kirjaimin. |
| Lähetysraja, Pituusraja | Suurin tiedosto tavuina ja pisin tallenne sekunteina, jonka tämä puhelin lähettää. |
| Pyyntöjä kerralla | Montako pyyntöä saa olla käynnissä samanaikaisesti. |
| Päätä vastaus, kun on kulunut, Yhdistä lyhyet vastaukset, jos väli on alle, Tauko puheenvuorojen välillä | Kuiskaajalle: kuinka pitkä aika ilman uusia sanoja päättää vastauksen, kuinka kauan lyhyt vastaus odottaa seuraavaa yhdistyäkseen siihen, ja kuinka pitkä hiljaisuus päättää puheenvuoron, jos tunnistin ei merkitse sitä. Millisekunteina. |
| Kieli | ISO 639-1:n mukainen kaksikirjaiminen kielikoodi (en, de, es, fr, sr…). Jätä se tyhjäksi, niin tunnistin päättää — se on oikein, elleivät puhelusi ole kielellä, jonka se kuulee yhä uudelleen väärin. |
| Lisät | Yksi name = value riviä kohden, välitetään palvelulle sellaisenaan. Jätä tyhjäksi, ellei palvelin dokumentoi jotain. |
| Odotus, minuuttia | Kuinka kauan litterointia odotetaan. Tyhjä laskee sen tallenteen pituudesta. |
| Hinta minuutilta | Mitä minuutti suoraa ääntä maksaa palvelun hinnaston mukaan. Kuiskaaja näyttää, mitä istunto on maksanut, ja pysähtyy kuukausikattoonsa. |
Suora tunnistus kuiskaajalle
Kuiskaaja tarvitsee tunnistimen, joka kuuntelee jonkun puhuessa, virtana eikä valmiina tiedostona. Nämä lajit osaavat sen: Deepgram, ElevenLabs (Scribe), xAI (Grok), OpenAI-yhteensopiva (OpenAI:n reaaliaikaisella litteroinnilla), AssemblyAI, Soniox ja Speechmatics pilvessä sekä Vosk, WhisperLive ja NVIDIA Riva omalla koneellasi. Omalla koneella toimiva tunnistin pitää toisen osapuolen äänen talon sisällä eikä maksa mitään.
Näin otat sellaisen käyttöön: avaa sen kortti, tarkista kenttä Osoite kuiskaajaa varten — yleensä WebSocket-osoite, esimerkiksi wss://api.x.ai X.ai:lle, wss://api.deepgram.com Deepgramille tai ws://localhost:2700 Voskille; tyhjänä se päätellään kentästä Osoite litterointeja varten. Valitse sitten Malli kuiskaajaa varten: suorat mallit ovat usein eri kuin tiedostojen mallit — X.ai:lle grok-voice-transcribe-2.0 kuten kuvan kortissa, ElevenLabsille scribe_v2_realtime, OpenAI:lle gpt-live-transcribe, Sonioxille stt-rt-v5. Paina Kokeile. Rastita Oletus kuiskaajaa varten, niin uudet avustajat kuuntelevat sillä.
Minkä mallin valitset
Taulukko luettelee Laji-luettelon jokaisen lajin puheentunnistusmallit. Lihavoidut mallit ovat kuvassa asetettuja; tunnistimen X.ai malli on tyhjä, joten käytetään palvelun oletusta, grok-voice-transcribe-2.0. Tyhjä on siellä kenttä Malli litterointeja varten; kentässä Malli kuiskaajaa varten on sama malli. Käyttö kertoo, mihin malli on tehty: valmiisiin tallenteisiin (litteroinnit), suoraan puheeseen kuiskaajaa varten (kuiskaaja) vai molempiin.
| Laji ja osoite | Malli | Käyttö | Mihin se sopii |
|---|---|---|---|
OpenAI-yhteensopiva (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | litteroinnit | Malli, jota OpenAI suosittelee tallennetulle puheelle sen alkuperäisellä kielellä. |
gpt-4o-transcribe | molemmat | Yleiskäyttöinen litterointi. Tämän lajin uusi tunnistin saa sen. | |
gpt-4o-mini-transcribe | molemmat | Edellisen kevyempi ja halvempi muunnelma. | |
gpt-4o-transcribe-diarize | litteroinnit | Merkitsee, kuka puhuu milloinkin. Käytä vain, jos tarvitset sitä. | |
whisper-1 | litteroinnit | Vanhempi Whisper-malli, säilytetty erikoiskäyttöön kuten sanakohtaisiin aikaleimoihin ja tekstityksiin. | |
gpt-live-transcribe | kuiskaaja | OpenAI:n suora malli: sanat tulevat sitä mukaa kuin ne sanotaan. Puhelin tarjoaa sitä kuiskaajalle. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | molemmat | Deepgramin paras yleismalli kokouksiin sekä meluisaan ja monikieliseen ääneen. Tämän lajin uusi tunnistin saa sen. |
nova-2 | molemmat | Edellinen sukupolvi; pidä se kielille, joita nova-3 ei vielä tue. | |
nova-2-phonecall | molemmat | nova-2 viritettynä puhelinlinjan kapeaan ääneen. Englanti. | |
flux-general-en | kuiskaaja | Tehty keskusteluun: se kuulee, kun joku on puhunut loppuun. Englanti. | |
flux-general-multi | kuiskaaja | Sama kymmenellä kielellä, ja keskustelu saa vaihtaa niiden välillä. | |
enhanced, base | litteroinnit | Vanhempia tasoja; base on suurille määrille. | |
whisper | litteroinnit | Whisper Deepgramin ajamana. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | litteroinnit | Yleiskäyttöinen litterointi yli 90 kielellä, puhujat erotellen. |
scribe_v2_realtime | kuiskaaja | scribe_v2:n suora versio. Puhelin tarjoaa sitä kuiskaajalle. | |
scribe_v2_medical | litteroinnit | scribe_v2 viritettynä kliiniseen ääneen. | |
scribe_v1 | litteroinnit | Ensimmäinen sukupolvi; vanhentunut, käytä scribe_v2:ta. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | molemmat | Tarkin, yhdellä kielellä käytävään keskusteluun. Tämän lajin uusi tunnistin saa sen. |
standard | molemmat | Nopeampi ja halvempi, hieman epätarkempi. | |
melia-1 | litteroinnit | Monikielinen keskustelu, joka vaihtaa kieltä kesken lauseen, palaa yhtenä litterointina. Vain tallenteille, EU- ja USA-alueilla; omaa sanastoa ja puhujamerkintöjä ei vielä ole. | |
xAI (Grok)https://api.x.ai/v1 | grok-voice-transcribe-2.0 | molemmat | Ainoa nykyinen malli ja oletus: 38 kieltä, jotka se tunnistaa itse. Tiedostot enintään 500 Mt; suora puhe menee osoitteeseen wss://api.x.ai. |
grok-voice-transcribe-1.0 | litteroinnit | Vanhentunut: palvelu ohjaa sen 2.0:aan. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | litteroinnit | Yli 60 kieltä, puhujat erotellen. |
stt-rt-v5 | kuiskaaja | Suora, samoilla yli 60 kielellä, ja kuulee, missä puheenvuoro päättyy. Puhelin tarjoaa sitä kuiskaajalle. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | molemmat | Tarkin malli tallenteille; 18 kieltä, ja keskustelu saa vaihtaa niiden välillä. |
universal-2 | litteroinnit | 99 kieltä, halvempi; AssemblyAI turvautuu siihen kielelle, jota universal-3-5-pro ei osaa. | |
universal-3-6-pro | kuiskaaja | AssemblyAI:n uusin suora malli, 32 kieltä; palvelu käyttää sitä, kun malli on tyhjä. | |
universal-streaming-multilingual | kuiskaaja | Halvempi suora tunnistus englanniksi, espanjaksi, saksaksi, ranskaksi, portugaliksi ja italiaksi. | |
universal-streaming-english | kuiskaaja | Halvempi suora tunnistus, vain englanniksi. | |
Vosk (omalla koneellasi)ws://localhost:2700 | (asetetaan palvelimella) | molemmat | Ilmainen ja kevyt; toimii ilman näytönohjainta. Malli on se, jolla palvelin käynnistettiin, yksi kieltä kohden, esimerkiksi vosk-model-en-us-0.22 tai pieni vosk-model-small-en-us-0.15. |
WhisperLive (omalla koneellasi)ws://localhost:9090 | small | molemmat | Whisper suorana virtana. Koko valitaan kortilla: tiny, base, small (jota puhelin tarjoaa), medium, large-v3; mitä suurempi, sitä tarkempi ja sitä enemmän se kaipaa näytönohjainta. |
NVIDIA Riva (omalla koneellasi)localhost:50051 | (asetetaan palvelimella) | molemmat | NVIDIAn puhepalvelin tietokoneelle, jossa on NVIDIAn näytönohjain. Se tarjoaa malleja kuten Parakeet ja Canary. |
Hyvä tietää ennen valintaa:
- Litteroinnit vai kuiskaaja. Suoraan puheeseen tehty malli ei ota vastaan valmista tiedostoa, eivätkä useimmat tiedostomallit osaa kuunnella suoraan. Siksi kortissa on kaksi kenttää, Malli litterointeja varten ja Malli kuiskaajaa varten.
- Tiedoston koko. OpenAI ottaa vastaan enintään 25 Mt:n tiedostoja, X.ai enintään 500 Mt:n. Pitkä keskustelu voi olla suurempi kuin pilvipalvelu hyväksyy.
- Hinta. Pilvipalvelut laskuttavat äänen minuuteista, ja hinnat vaihtelevat mallin mukaan ja muuttuvat; lue ne palvelun omalta sivulta ennen vaihtamista. Omalla koneellasi toimiva tunnistin ei maksa mitään.
- Kielet. Jokaisella palvelulla on oma luettelonsa; tarkista omasi ja aseta koodi kohtaan Kieli tunnistimen lisäasetuksissa, jos se arvaa väärin.
Palvelun malliluettelo muuttuu usein. Jos haluamasi malli puuttuu tästä, palvelun oma dokumentaatio sisältää ajantasaisen luettelon — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — ja Malli on nimi täsmälleen niin kuin palvelu sen antaa.
Omat mallisi
Tunnistimen ei tarvitse olla pilvipalvelu. Puhelin voi käyttää mitä tahansa mallia, jota tarjotaan OpenAI-yhteensopivan API:n kautta — rajapinta POST /v1/audio/transcriptions —, toimipa se paikallisesti tietokoneellasi tai omalla palvelimellasi. Ääni ei koskaan poistu tiloistasi, minuuteista ei laskuteta eikä määrällä ole rajaa.
Lisätäksesi sellaisen paina Lisää ja anna:
- palvelimen osoite
/v1:een asti, esimerkiksihttp://localhost:8000/v1itse tietokoneelle taihttp://asr.local:8080/v1verkkosi palvelimelle; - mallin nimi täsmälleen siinä muodossa kuin palvelin sen luettelee, esimerkiksi
openai/whisper-large-v3-turbo.
Mitä voi käyttää
Tavallinen valinta on Whisper, OpenAI:n avoin puheentunnistusmalli. Se on ilmainen, ymmärtää noin sataa kieltä ja on saatavilla useassa koossa: pieni malli toimii tavallisella tietokoneella, suuret ovat selvästi tarkempia ja kaipaavat mieluiten näytönohjaimen.
| Malli | Huomioita |
|---|---|
whisper-large-v3 | Tarkin Whisper. Palvelimelle, jossa on GPU. |
openai/whisper-large-v3-turbo | large-v3:n nopeampi versio, jossa tarkkuus heikkenee hieman. |
Systran/faster-whisper-large-v3 | large-v3 muunnettuna faster-whisper-moottorille; nopeampi ja kevyempi muistille. |
medium, small, base | Pienempiä Whisper-malleja tietokoneelle, jossa ei ole näytönohjainta. |
Whisper on malli, jonka ympärille nämä palvelimet on rakennettu. Jotkin niistä voivat tarjota myös muita puheentunnistusmalleja, kuten NVIDIA Parakeetia.
OpenAI-yhteensopivaa API:a tarjoavat palvelimet
Mallia on ajettava palvelimella, joka tarjoaa OpenAI-yhteensopivan /v1/audio/transcriptions-päätepisteen. Nämä tarjoavat:
| Palvelin | Mikä se on |
|---|---|
| vLLM | Suorituskykyinen mallipalvelin. Tarjoaa Whisperin osoitteessa http://localhost:8000/v1 käynnistyttyään. |
| Speaches | Puhemallien palvelin, ”puheen Ollama”, rakennettu faster-whisperin päälle. Lataa mallin, kun sitä pyydetään ensimmäisen kerran. |
| whisper.cpp | Ajaa Whisperiä tehokkaasti suorittimella, myös Apple siliconilla. Sen whisper-server käynnistetään valitsimella --inference-path /v1/audio/transcriptions. |
| LocalAI | OpenAI:n suora korvike, joka ajaa malleja paikallisesti. |
Mikä tahansa muu saman päätepisteen tarjoava palvelin toimii samalla tavalla. Jos palvelin vaatii avaimen, syötä se kuten pilvipalvelulle.
Ennen kuin luotat palvelimeen, tee testitallenne ja katso litterointia Tallenteet-ikkunassa: keskustelu kielellä, jota malli osaa huonosti, paljastaa sen heti.