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:
| Vrsta | Adresa za prijepise | Adresa za šaptača | Model | Na slici |
|---|---|---|---|---|
| Kompatibilno s OpenAI (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, uživo 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, uživo scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, ili za regiju eu., us., au. umjesto global. | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (prazno: zadani model usluge), uživo grok-voice-transcribe-2.0 | X.ai · uživo grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (prazno: zadani model usluge), uživo stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://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.
| Polje | Što je |
|---|---|
| Naziv | Naziv na popisima. |
| Vrsta | Vrsta 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 prijepise | Kamo se šalju završeni razgovori. |
| Adresa za šaptača | Kamo 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. |
| Ključ | Ključ usluge. Stoji u privjesku ovog računala, nikad u datoteci s postavkama. |
| Provjeri | Pita uslugu i kaže što je odgovorila, na primjer Odgovorio je i nudi 3 modela. |
| Model za prijepise i Model za šaptača | Model 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 prijepise | Čini ovaj prepoznavač onim koji se koristi kad ne odaberete drugi. |
| Zadano za šaptača | Čini ovaj prepoznavač onim kojim sluša novi pomoćnik šaptača. |
| Uključeno | Isključen prepoznavač ostaje na popisu, ali se ne koristi. |
Napredne postavke otvaraju ostatak kartice. Vrijednosti koje su najvažnije:
| Polje | Što radi |
|---|---|
| Regija | Regija usluge, ako ih ima više. |
| Šalji obje strane zasebno | Poziv 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 govori | Razlikuje osobe unutar jednog kanala kad na njemu govori više njih. |
| Brojeve pisati znamenkama | Iznosi, datumi i telefonski brojevi vraćaju se onako kako se pišu, a ne ispisani riječima. |
| Granica slanja, Granica trajanja | Najveća datoteka u bajtovima i najduža snimka u sekundama koje će ovaj telefon poslati. |
| Zahtjeva odjednom | Koliko zahtjeva smije biti u tijeku istodobno. |
| Završi odgovor nakon, Spoji kratke odgovore unutar, Stanka između replika | Za 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. |
| Jezik | Dvoslovni 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. |
| Dodaci | Jedan name = value po retku, prosljeđuje se usluzi nepromijenjen. Ostavite prazno, osim ako poslužitelj nešto dokumentira. |
| Čekanje, minute | Koliko čekati prijepis. Prazno to izračunava iz trajanja snimke. |
| Cijena po minuti | Koliko 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 adresa | Model | Za što | Čemu služi |
|---|---|---|---|
Kompatibilno s OpenAI (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | prijepisi | Model koji OpenAI preporučuje za snimljeni govor na izvornom jeziku. |
gpt-4o-transcribe | oboje | Prijepis opće namjene. Dobiva ga novi prepoznavač ove vrste. | |
gpt-4o-mini-transcribe | oboje | Lakša i jeftinija inačica prethodnog. | |
gpt-4o-transcribe-diarize | prijepisi | Označava tko kad govori. Koristite ga samo ako vam to treba. | |
whisper-1 | prijepisi | Stariji model Whisper, zadržan za posebne namjene poput vremenskih oznaka riječi i titlova. | |
gpt-live-transcribe | šaptač | OpenAI-jev model uživo: riječi stižu kako se izgovaraju. Telefon ga nudi za šaptača. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | oboje | Najbolji Deepgramov model opće namjene, za sastanke, bučan i višejezičan zvuk. Dobiva ga novi prepoznavač ove vrste. |
nova-2 | oboje | Prethodna generacija; zadržite je za jezike koje nova-3 još ne podržava. | |
nova-2-phonecall | oboje | nova-2 prilagođen uskom zvuku telefonske linije. Engleski. | |
flux-general-en | šaptač | Napravljen za razgovor: čuje kad je netko završio s govorom. Engleski. | |
flux-general-multi | šaptač | Isto na deset jezika, a razgovor smije prelaziti s jednog na drugi. | |
enhanced, base | prijepisi | Starije razine; base je za velike količine. | |
whisper | prijepisi | Whisper koji pokreće Deepgram. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | prijepisi | Prijepis opće namjene na više od 90 jezika, s razdvajanjem govornika. |
scribe_v2_realtime | šaptač | Inačica scribe_v2 uživo. Telefon je nudi za šaptača. | |
scribe_v2_medical | prijepisi | scribe_v2 prilagođen kliničkom zvuku. | |
scribe_v1 | prijepisi | Prva generacija; zastarjela, koristite scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | oboje | Najtočniji, za razgovor na jednom jeziku. Dobiva ga novi prepoznavač ove vrste. |
standard | oboje | Brži i jeftiniji, nešto manje točan. | |
melia-1 | prijepisi | Razgovor 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-2.0 | oboje | Jedini trenutačni model i zadani: 38 jezika, koje sam prepoznaje. Datoteke do 500 MB; govor uživo ide na wss://api.x.ai. |
grok-voice-transcribe-1.0 | prijepisi | Zastario: usluga ga preusmjerava na 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | prijepisi | Više od 60 jezika, s razdvajanjem govornika. |
stt-rt-v5 | šaptač | Uživo, na istih 60+ jezika, i čuje gdje replika završava. Telefon ga nudi za šaptača. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | oboje | Najtočniji model za snimke; 18 jezika, a razgovor smije prelaziti s jednog na drugi. |
universal-2 | prijepisi | 99 jezika, jeftiniji; AssemblyAI poseže za njim za jezik koji universal-3-5-pro ne poznaje. | |
universal-3-6-pro | šaptač | Najnoviji AssemblyAI-jev model uživo, 32 jezika; usluga ga koristi kad je model prazan. | |
universal-streaming-multilingual | šaptač | Jeftinije prepoznavanje uživo na engleskom, španjolskom, njemačkom, francuskom, portugalskom i talijanskom. | |
universal-streaming-english | šaptač | Jeftinije prepoznavanje uživo, samo na engleskom. | |
Vosk (na vašem vlastitom računalu)ws://localhost:2700 | (postavlja se na poslužitelju) | oboje | Besplatan 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 | small | oboje | Whisper 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) | oboje | NVIDIA-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, primjericehttp://localhost:8000/v1za samo računalo ilihttp://asr.local:8080/v1za 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.
| Model | Napomene |
|---|---|
whisper-large-v3 | Najtočniji Whisper. Za poslužitelj s GPU-om. |
openai/whisper-large-v3-turbo | Brža inačica large-v3 s malim gubitkom točnosti. |
Systran/faster-whisper-large-v3 | large-v3 pretvoren za pogon faster-whisper; brži i štedljiviji s memorijom. |
medium, small, base | Manji 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:
| Poslužitelj | Što je |
|---|---|
| vLLM | Poslužitelj modela visokih performansi. Nakon pokretanja poslužuje Whisper na http://localhost:8000/v1. |
| Speaches | Poslužitelj za govorne modele, „Ollama za govor”, izgrađen na faster-whisperu. Model učitava kad se prvi put zatraži. |
| whisper.cpp | Učinkovito pokreće Whisper na CPU-u, uključujući Apple silicon. Njegov whisper-server pokreće se s --inference-path /v1/audio/transcriptions. |
| LocalAI | Izravna 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.