Prijeđi na glavni sadržaj

Prijepis

Postavke → Prijepis navodi prepoznavače: usluge koje zvuk pretvaraju u tekst, za završene razgovore i, za šaptača, dok razgovor traje.

Razgovor se prepisuje kad to zatražite u prozoru Snimke, ili sam od sebe ako je u odjeljku Obrada uključeno Obrađuj razgovore automatski. Prepoznavač na vašem vlastitom računalu ne stoji ništa; onaj u oblaku naplaćuje minutu zvuka.

Prepoznavači​

Prepoznavač je usluga prepoznavanja govora kojoj telefon šalje zvuk. Dodaj dodaje novi; gumb Provjeri na njegovoj kartici provjerava odgovara li usluga zaista. Svaki je na popisu sa svojim nazivom, a ispod njega s modelom i adresom svoje usluge. Tablica navodi svaku vrstu usluge koju telefon podržava, onako kako ih nudi Vrsta na kartici, s adresom i modelima koje dobiva novi prepoznavač te vrste; zadnji stupac prikazuje pet postavljenih na slici:

VrstaAdresa za prijepiseAdresa za šaptačaModelNa slici
Kompatibilno s OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, uživo 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, uživo scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, ili za regiju eu., us., au. umjesto global.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(prazno: zadani model usluge), uživo grok-voice-transcribe-2.0X.ai · uživo grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(prazno: zadani model usluge), uživo stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(prazno: zadani model usluge)—
Vosk (na vašem vlastitom računalu)vaš poslužitelj, na primjer ws://localhost:2700(isti poslužitelj)(postavlja se na poslužitelju)Vosk · ws://localhost:2700
WhisperLive (na vašem vlastitom računalu)vaš poslužitelj, na primjer ws://localhost:9090(isti poslužitelj)uživo small—
NVIDIA Riva (na vašem vlastitom računalu)vaš poslužitelj, na primjer localhost:50051(isti poslužitelj)(postavlja se na poslužitelju)—

Polje Adresa za šaptača obično sadrži WebSocket adresu: wss:// za uslugu u oblaku, ws:// za poslužitelj u vašoj mreži; NVIDIA Riva zadaje se kao poslužitelj:port.

Dvije oznake desno u retku govore za što je prepoznavač zadan. Sat svijetli kod zadanog za prijepise — na slici X.ai —, koji se koristi kad ne odaberete drugi. Munja svijetli kod zadanog za šaptača — na slici Vosk. Možete imati više prepoznavača; padajući popis iznad prijepisa u prozoru Snimke prikazuje prijepise koje je napravio svaki od njih.

Kartica prepoznavača​

Pritisak na prepoznavač otvara njegovu karticu.

PoljeŠto je
NazivNaziv na popisima.
VrstaVrsta usluge, o kojoj ovisi kako telefon s njom razgovara: Kompatibilno s OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics i tri koje rade na vašem vlastitom računalu — Vosk, WhisperLive i NVIDIA Riva.
Adresa za prijepiseKamo se šalju završeni razgovori.
Adresa za šaptačaKamo ide zvuk uživo dok razgovor traje. Obično WebSocket adresa: wss:// za uslugu u oblaku, kao wss://api.x.ai na slici, ws:// za poslužitelj u vašoj mreži. Prazno se izvodi iz susjedne adrese.
KljučKljuč usluge. Stoji u privjesku ovog računala, nikad u datoteci s postavkama.
ProvjeriPita uslugu i kaže što je odgovorila, na primjer Odgovorio je i nudi 3 modela.
Model za prijepise i Model za šaptačaModel točno onako kako ga usluga naziva. Prazno ne šalje nikakvo ime modela, a usluga koristi svoj zadani; gdje ga dobavljač objavljuje, kartica ga navodi. Za vrstu bez izbora polje se ne prikazuje. Na slici xAI nema polje Model za prijepise, a Model za šaptača je grok-voice-transcribe-2.0.
Zadano za prijepiseČini ovaj prepoznavač onim koji se koristi kad ne odaberete drugi.
Zadano za šaptačaČini ovaj prepoznavač onim kojim sluša novi pomoćnik šaptača.
UključenoIsključen prepoznavač ostaje na popisu, ali se ne koristi.

Napredne postavke otvaraju ostatak kartice. Vrijednosti koje su najvažnije:

PoljeŠto radi
RegijaRegija usluge, ako ih ima više.
Šalji obje strane zasebnoPoziv se snima s dvije osobe na dva kanala, i upravo po tome prepoznavač zna tko je što rekao. Isključite to za poslužitelj koji tvrdi da to zna, a ne zna.
Pitaj tko govoriRazlikuje osobe unutar jednog kanala kad na njemu govori više njih.
Brojeve pisati znamenkamaIznosi, datumi i telefonski brojevi vraćaju se onako kako se pišu, a ne ispisani riječima.
Granica slanja, Granica trajanjaNajveća datoteka u bajtovima i najduža snimka u sekundama koje će ovaj telefon poslati.
Zahtjeva odjednomKoliko zahtjeva smije biti u tijeku istodobno.
Završi odgovor nakon, Spoji kratke odgovore unutar, Stanka između replikaZa šaptača: koliko vremena bez novih riječi završava odgovor, koliko kratki odgovor čeka sljedeći da bi se s njim spojio, i koliko tišine završava repliku kad je prepoznavač sam ne označi. U milisekundama.
JezikDvoslovni kod jezika prema ISO 639-1 (en, de, es, fr, sr…). Ostavite ga praznim i prepoznavač odlučuje sam — to je ispravno, osim ako su vaši pozivi na jeziku koji on uporno krivo čuje.
DodaciJedan name = value po retku, prosljeđuje se usluzi nepromijenjen. Ostavite prazno, osim ako poslužitelj nešto dokumentira.
Čekanje, minuteKoliko čekati prijepis. Prazno to izračunava iz trajanja snimke.
Cijena po minutiKoliko stoji minuta zvuka uživo prema cjeniku usluge. Šaptač pokazuje koliko je sesija stajala i zaustavlja se na svom mjesečnom ograničenju.

Prepoznavanje uživo za šaptača​

Šaptaču treba prepoznavač koji sluša dok netko govori — tokom, a ne gotovom datotekom. To mogu ove vrste: Deepgram, ElevenLabs (Scribe), xAI (Grok), Kompatibilno s OpenAI (s OpenAI-jevim prepisivanjem u stvarnom vremenu), AssemblyAI, Soniox i Speechmatics u oblaku te Vosk, WhisperLive i NVIDIA Riva na vašem vlastitom računalu. Prepoznavač na vašem vlastitom računalu zadržava glas sugovornika u kući i ne stoji ništa.

Kako ga koristiti: otvorite njegovu karticu, provjerite polje Adresa za šaptača — obično WebSocket adresu, na primjer wss://api.x.ai za X.ai, wss://api.deepgram.com za Deepgram ili ws://localhost:2700 za Vosk; prazno se izvodi iz polja Adresa za prijepise. Zatim odaberite Model za šaptača: modeli uživo često se razlikuju od onih za datoteke — grok-voice-transcribe-2.0 za X.ai, kao na kartici na slici, scribe_v2_realtime za ElevenLabs, gpt-live-transcribe za OpenAI, stt-rt-v5 za Soniox. Pritisnite Provjeri. Označite Zadano za šaptača da bi novi pomoćnici slušali njime.

Koji model odabrati​

Tablica navodi modele prepoznavanja govora svake vrste s popisa Vrsta. Podebljani modeli postavljeni su na slici; kod prepoznavača X.ai model je prazan, pa se koristi zadani model usluge, grok-voice-transcribe-2.0. Prazno je ondje polje Model za prijepise; Model za šaptača postavljen je na isti model. Za što kaže za što je model napravljen: za gotove snimke (prijepisi), za govor uživo za šaptača (šaptač) ili za oboje.

Vrsta i adresaModelZa štoČemu služi
Kompatibilno s OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribeprijepisiModel koji OpenAI preporučuje za snimljeni govor na izvornom jeziku.
gpt-4o-transcribeobojePrijepis opće namjene. Dobiva ga novi prepoznavač ove vrste.
gpt-4o-mini-transcribeobojeLakša i jeftinija inačica prethodnog.
gpt-4o-transcribe-diarizeprijepisiOznačava tko kad govori. Koristite ga samo ako vam to treba.
whisper-1prijepisiStariji model Whisper, zadržan za posebne namjene poput vremenskih oznaka riječi i titlova.
gpt-live-transcribešaptačOpenAI-jev model uživo: riječi stižu kako se izgovaraju. Telefon ga nudi za šaptača.
Deepgram
https://api.deepgram.com/v1
nova-3obojeNajbolji Deepgramov model opće namjene, za sastanke, bučan i višejezičan zvuk. Dobiva ga novi prepoznavač ove vrste.
nova-2obojePrethodna generacija; zadržite je za jezike koje nova-3 još ne podržava.
nova-2-phonecallobojenova-2 prilagođen uskom zvuku telefonske linije. Engleski.
flux-general-enšaptačNapravljen za razgovor: čuje kad je netko završio s govorom. Engleski.
flux-general-multišaptačIsto na deset jezika, a razgovor smije prelaziti s jednog na drugi.
enhanced, baseprijepisiStarije razine; base je za velike količine.
whisperprijepisiWhisper koji pokreće Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2prijepisiPrijepis opće namjene na više od 90 jezika, s razdvajanjem govornika.
scribe_v2_realtimešaptačInačica scribe_v2 uživo. Telefon je nudi za šaptača.
scribe_v2_medicalprijepisiscribe_v2 prilagođen kliničkom zvuku.
scribe_v1prijepisiPrva generacija; zastarjela, koristite scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedobojeNajtočniji, za razgovor na jednom jeziku. Dobiva ga novi prepoznavač ove vrste.
standardobojeBrži i jeftiniji, nešto manje točan.
melia-1prijepisiRazgovor na više jezika, koji mijenja jezik usred rečenice, vraća se kao jedan prijepis. Samo snimke, u regijama EU i SAD; zasad bez vlastitog rječnika i oznaka govornika.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0obojeJedini trenutačni model i zadani: 38 jezika, koje sam prepoznaje. Datoteke do 500 MB; govor uživo ide na wss://api.x.ai.
grok-voice-transcribe-1.0prijepisiZastario: usluga ga preusmjerava na 2.0.
Soniox
https://api.soniox.com
stt-async-v5prijepisiViše od 60 jezika, s razdvajanjem govornika.
stt-rt-v5šaptačUživo, na istih 60+ jezika, i čuje gdje replika završava. Telefon ga nudi za šaptača.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proobojeNajtočniji model za snimke; 18 jezika, a razgovor smije prelaziti s jednog na drugi.
universal-2prijepisi99 jezika, jeftiniji; AssemblyAI poseže za njim za jezik koji universal-3-5-pro ne poznaje.
universal-3-6-prošaptačNajnoviji AssemblyAI-jev model uživo, 32 jezika; usluga ga koristi kad je model prazan.
universal-streaming-multilingualšaptačJeftinije prepoznavanje uživo na engleskom, španjolskom, njemačkom, francuskom, portugalskom i talijanskom.
universal-streaming-englishšaptačJeftinije prepoznavanje uživo, samo na engleskom.
Vosk (na vašem vlastitom računalu)
ws://localhost:2700
(postavlja se na poslužitelju)obojeBesplatan i lagan; radi bez grafičke kartice. Model je onaj s kojim je poslužitelj pokrenut, po jedan za svaki jezik, na primjer vosk-model-en-us-0.22 ili mali vosk-model-small-en-us-0.15.
WhisperLive (na vašem vlastitom računalu)
ws://localhost:9090
smallobojeWhisper u toku uživo. Veličina se bira na kartici: tiny, base, small (nju nudi telefon), medium, large-v3; što je veći, to je točniji i to više traži grafičku karticu.
NVIDIA Riva (na vašem vlastitom računalu)
localhost:50051
(postavlja se na poslužitelju)obojeNVIDIA-in govorni poslužitelj za računalo s NVIDIA grafičkom karticom. Nudi modele poput Parakeeta i Canaryja.

Što je dobro znati prije odabira:

  • Prijepisi ili šaptač. Model za govor uživo ne prima gotovu datoteku, a većina modela za datoteke ne zna slušati uživo. Zato kartica ima dva polja, Model za prijepise i Model za šaptača.
  • Veličina datoteke. OpenAI prima datoteke do 25 MB, X.ai do 500 MB. Dug razgovor može biti veći nego što usluga u oblaku prima.
  • Cijena. Usluge u oblaku naplaćuju minutu zvuka, a cijene se razlikuju po modelu i mijenjaju; pročitajte ih na stranici same usluge prije prelaska. Prepoznavač na vašem vlastitom računalu ne stoji ništa.
  • Jezici. Svaka usluga ima svoj popis; provjerite svoj i postavite kod u polju Jezik u naprednim postavkama prepoznavača ako pogađa krivo.

Popis modela usluge često se mijenja. Ako ovdje nedostaje model koji želite, aktualni popis nalazi se u dokumentaciji same usluge — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — a Model je naziv točno onakav kakav ga daje usluga.

Vlastiti modeli​

Prepoznavač ne mora biti usluga u oblaku. Telefon može koristiti bilo koji model dostupan preko API-ja kompatibilnog s OpenAI — sučelja POST /v1/audio/transcriptions —, bilo da radi lokalno na vašem računalu ili na vlastitom poslužitelju. Zvuk nikada ne napušta vaše prostore, ništa se ne naplaćuje po minuti i nema ograničenja količine.

Da biste ga dodali, pritisnite Dodaj i upišite:

  • adresu poslužitelja, do i uključujući /v1, primjerice http://localhost:8000/v1 za samo računalo ili http://asr.local:8080/v1 za poslužitelj u vašoj mreži;
  • naziv modela točno onakav kakav ga navodi poslužitelj, primjerice openai/whisper-large-v3-turbo.

Što se može koristiti​

Uobičajen izbor je Whisper, OpenAI-jev otvoreni model za prepoznavanje govora. Besplatan je za korištenje, razumije stotinjak jezika i dolazi u nekoliko veličina: mali model radi na običnom računalu, veliki su primjetno točniji i najbolje im je dati grafičku karticu.

ModelNapomene
whisper-large-v3Najtočniji Whisper. Za poslužitelj s GPU-om.
openai/whisper-large-v3-turboBrža inačica large-v3 s malim gubitkom točnosti.
Systran/faster-whisper-large-v3large-v3 pretvoren za pogon faster-whisper; brži i štedljiviji s memorijom.
medium, small, baseManji modeli Whisper, za računalo bez grafičke kartice.

Whisper je model oko kojeg su ovi poslužitelji izgrađeni. Neki od njih mogu posluživati i druge modele za prepoznavanje govora, poput NVIDIA Parakeet.

Poslužitelji koji nude API kompatibilan s OpenAI​

Model mora pokretati poslužitelj koji nudi krajnju točku /v1/audio/transcriptions kompatibilnu s OpenAI. Ovi to rade:

PoslužiteljŠto je
vLLMPoslužitelj modela visokih performansi. Nakon pokretanja poslužuje Whisper na http://localhost:8000/v1.
SpeachesPoslužitelj za govorne modele, „Ollama za govor”, izgrađen na faster-whisperu. Model učitava kad se prvi put zatraži.
whisper.cppUčinkovito pokreće Whisper na CPU-u, uključujući Apple silicon. Njegov whisper-server pokreće se s --inference-path /v1/audio/transcriptions.
LocalAIIzravna zamjena za OpenAI koja modele pokreće lokalno.

Svaki drugi poslužitelj koji nudi istu krajnju točku radi na isti način. Ako poslužitelj traži ključ, upišite ga kao za uslugu u oblaku.

Prije nego što se oslonite na poslužitelj, napravite probnu snimku i pogledajte prijepis u prozoru Snimke: razgovor na jeziku koji model slabo poznaje to odmah pokazuje.