Átirat
A Beállítások → Átirat a felismerőket sorolja fel: azokat a szolgáltatásokat, amelyek a hangot szöveggé alakítják, a befejezett beszélgetésekhez, és — a súgó számára — beszélgetés közben is.
Egy beszélgetés akkor kerül átiratba, amikor kéri a Felvételek ablakban, vagy magától, ha a Feldolgozás részben be van kapcsolva A beszélgetések automatikus feldolgozása. A saját gépén futó felismerő semmibe sem kerül; a felhőben futó a hang perceiért számláz.
Felismerők
A felismerő olyan beszédfelismerő szolgáltatás, amelynek a telefon a hangot küldi. A Hozzáadás újat ad hozzá; a kártyáján lévő Próba gomb ellenőrzi, hogy a szolgáltatás tényleg válaszol-e. Mindegyik a nevével szerepel a listában, alatta a szolgáltatása modelljével és címével. A táblázat felsorolja a telefon által támogatott összes szolgáltatásfajtát, ahogy a kártya Fajta mezője kínálja őket, a címmel és a modellekkel, amelyeket egy ilyen fajtájú új felismerő kap; az utolsó oszlop a képen beállított ötöt mutatja:
| Fajta | Cím az átiratokhoz | Cím a súgóhoz | Modell | A képen |
|---|---|---|---|---|
| OpenAI-kompatibilis (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, élő 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, élő scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, régióhoz global. helyett eu., us. vagy au. | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (üres: a szolgáltatás alapértelmezése), élő grok-voice-transcribe-2.0 | X.ai · élő grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (üres: a szolgáltatás alapértelmezése), élő stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://streaming.assemblyai.com | (üres: a szolgáltatás alapértelmezése) | — |
| Vosk (a saját gépén) | a saját szervere, például ws://localhost:2700 | (ugyanaz a szerver) | (a szerveren állítható be) | Vosk · ws://localhost:2700 |
| WhisperLive (a saját gépén) | a saját szervere, például ws://localhost:9090 | (ugyanaz a szerver) | élő small | — |
| NVIDIA Riva (a saját gépén) | a saját szervere, például localhost:50051 | (ugyanaz a szerver) | (a szerveren állítható be) | — |
A Cím a súgóhoz mező általában WebSocket-cím: wss:// felhőben futó szolgáltatáshoz, ws:// a saját hálózatában lévő szerverhez; az NVIDIA Riva gép:port alakban adható meg.
A sor jobb szélén lévő két jel azt mutatja, mire alapértelmezett a felismerő. Az óra az alapértelmezettnél világít az átiratokhoz — a képen X.ai —, ezt használja a telefon, ha nem választ mást. A villám az alapértelmezettnél világít a súgóhoz — a képen Vosk. Több felismerőt is tarthat; az átirat feletti legördülő lista a Felvételek ablakban az egyes felismerők által készített átiratokat mutatja.
A felismerő kártyája
Egy felismerőre kattintva megnyílik a kártyája.
| Mező | Mi ez |
|---|---|
| Név | A név a listákban. |
| Fajta | A szolgáltatás fajtája, amely eldönti, hogyan beszél vele a telefon: OpenAI-kompatibilis (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics, valamint három, amely a saját gépén fut — Vosk, WhisperLive és NVIDIA Riva. |
| Cím az átiratokhoz | Ahová a befejezett beszélgetések mennek. |
| Cím a súgóhoz | Ahová az élő hang megy beszélgetés közben. Általában WebSocket-cím: wss:// felhőben futó szolgáltatáshoz, mint a képen a wss://api.x.ai, ws:// a saját hálózatában lévő szerverhez. Üresen a melletti címből adódik. |
| Kulcs | A szolgáltatás kulcsa. Ennek a gépnek a kulcstartójában van, soha nem beállításfájlban. |
| Próba | Megkérdezi a szolgáltatást, és elmondja, mit válaszolt, például Válaszolt, és 3 modellt kínál. |
| Modell az átiratokhoz és Modell a súgóhoz | A modell pontosan úgy, ahogy a szolgáltatás nevezi. Üresen nem küld modellnevet, és a szolgáltatás a saját alapértelmezését használja; ha a szállító közzétesz ilyet, a kártya megnevezi. Olyan fajtánál, ahol nincs választás, a mező nem látszik. A képen az xAI-nál nincs Modell az átiratokhoz mező, a Modell a súgóhoz pedig grok-voice-transcribe-2.0. |
| Alapértelmezett az átiratokhoz | Ezt teszi azzá a felismerővé, amelyet akkor használ a telefon, ha nem választ mást. |
| Alapértelmezett a súgóhoz | Ezt teszi azzá a felismerővé, amellyel a súgó új segítője hallgat. |
| Bekapcsolva | Kikapcsolva a felismerő a listában marad, de nem használja a telefon. |
A Speciális beállítások megnyitja a kártya többi részét. A legfontosabb értékek:
| Mező | Mit csinál |
|---|---|
| Régió | A szolgáltatás régiója, ha több van. |
| A két oldal külön küldése | A hívás úgy készül, hogy a két ember két csatornán van, és a felismerő éppen ebből tudja, ki mit mondott. Kapcsolja ki olyan szervernél, amely állítja, hogy tudja ezt, de nem tudja. |
| Kérdezze meg, ki beszél | Megkülönbözteti az embereket egy csatornán belül, ha többen beszélnek rajta. |
| Számok számjegyekkel | Összegek, dátumok és telefonszámok úgy jönnek vissza, ahogy leírják őket, nem betűvel kiírva. |
| Feltöltési korlát, Hosszkorlát | A legnagyobb fájl bájtban és a leghosszabb felvétel másodpercben, amelyet ez a telefon elküld. |
| Egyidejű kérések | Hány kérés lehet folyamatban egyszerre. |
| Válasz lezárása ennyi után, Rövid válaszok összevonása ezen belül, Szünet a megszólalások között | A súgóhoz: mennyi idő új szavak nélkül zár le egy választ, mennyit vár egy rövid válasz a következőre, hogy összevonják vele, és mennyi csend zár le egy megszólalást, ahol a felismerő nem jelöl ilyet. Ezredmásodpercben. |
| Nyelv | Kétbetűs nyelvkód az ISO 639-1 szerint (en, de, es, fr, sr…). Hagyja üresen, és a felismerő dönt — ez a helyes, hacsak a hívásai nem olyan nyelven folynak, amelyet újra és újra félrehall. |
| Kiegészítők | Soronként egy name = value, változatlanul továbbítva a szolgáltatásnak. Hagyja üresen, hacsak a szerver nem dokumentál valamit. |
| Várakozás, perc | Mennyi ideig várjon egy átiratra. Üresen a felvétel hosszából számolja. |
| Ár percenként | Mennyibe kerül egy perc élő hang a szolgáltatás árlistája szerint. A súgó mutatja, mennyibe került egy munkamenet, és megáll a havi plafonjánál. |
Élő felismerés a súgóhoz
A súgónak olyan felismerő kell, amely hallgat, miközben valaki beszél — folyamként, nem kész fájllal. Ezek a fajták képesek erre: Deepgram, ElevenLabs (Scribe), xAI (Grok), OpenAI-kompatibilis (az OpenAI valós idejű átiratával), AssemblyAI, Soniox és Speechmatics a felhőben valamint Vosk, WhisperLive és NVIDIA Riva a saját gépén. A saját gépén futó felismerő a házon belül tartja a másik fél hangját, és semmibe sem kerül.
Így használja: nyissa meg a kártyáját, ellenőrizze a Cím a súgóhoz mezőt — általában WebSocket-cím, például wss://api.x.ai az X.ai-hoz, wss://api.deepgram.com a Deepgramhoz vagy ws://localhost:2700 a Voskhoz; üresen a Cím az átiratokhoz mezőből adódik. Ezután válassza ki a modellt a Modell a súgóhoz mezőben: az élő modellek gyakran mások, mint a fájlokhoz valók — az X.ai-hoz grok-voice-transcribe-2.0, mint a képen látható kártyán, az ElevenLabshoz scribe_v2_realtime, az OpenAI-hoz gpt-live-transcribe, a Sonioxhoz stt-rt-v5. Nyomja meg a Próba gombot. Jelölje be az Alapértelmezett a súgóhoz mezőt, hogy az új segítők ezzel hallgassanak.
Melyik modellt válassza
A táblázat a Fajta lista minden fajtájának beszédfelismerő modelljeit sorolja fel. A félkövér modellek vannak beállítva a képen; az X.ai felismerőnél a modell üres, ezért a szolgáltatás alapértelmezését, a grok-voice-transcribe-2.0 modellt használja. Ott a Modell az átiratokhoz mező üres; a Modell a súgóhoz ugyanerre a modellre van állítva. A Mire oszlop megmondja, mire készült egy modell: kész felvételekhez (átiratok), élő beszédhez a súgó számára (súgó), vagy mindkettőre.
| Fajta és cím | Modell | Mire | Mire jó |
|---|---|---|---|
OpenAI-kompatibilis (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | átiratok | Az a modell, amelyet az OpenAI felvett beszédhez ajánl az eredeti nyelvén. |
gpt-4o-transcribe | mindkettő | Általános célú átirat. Az ilyen fajtájú új felismerő ezt kapja. | |
gpt-4o-mini-transcribe | mindkettő | Az előző könnyebb, olcsóbb változata. | |
gpt-4o-transcribe-diarize | átiratok | Jelöli, ki mikor beszél. Csak akkor használja, ha erre szüksége van. | |
whisper-1 | átiratok | A régebbi Whisper-modell, különleges célokra megtartva, mint a szavankénti időbélyegek és a feliratok. | |
gpt-live-transcribe | súgó | Az OpenAI élő modellje: a szavak elhangzásuk közben érkeznek. A telefon ezt kínálja a súgóhoz. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | mindkettő | A Deepgram legjobb általános célú modellje értekezletekhez, zajos és többnyelvű hanghoz. Az ilyen fajtájú új felismerő ezt kapja. |
nova-2 | mindkettő | Az előző generáció; tartsa meg azokhoz a nyelvekhez, amelyeket a nova-3 még nem támogat. | |
nova-2-phonecall | mindkettő | A nova-2 a telefonvonal keskeny hangjára hangolva. Angol. | |
flux-general-en | súgó | Beszélgetéshez készült: hallja, amikor valaki befejezte a mondandóját. Angol. | |
flux-general-multi | súgó | Ugyanez tíz nyelven, és a beszélgetés válthat közöttük. | |
enhanced, base | átiratok | Régebbi szintek; a base nagy mennyiségekhez való. | |
whisper | átiratok | Whisper a Deepgram futtatásában. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | átiratok | Általános célú átirat több mint 90 nyelven, a beszélők szétválasztásával. |
scribe_v2_realtime | súgó | A scribe_v2 élő változata. A telefon ezt kínálja a súgóhoz. | |
scribe_v2_medical | átiratok | A scribe_v2 klinikai hangra hangolva. | |
scribe_v1 | átiratok | Az első generáció; elavult, használja a scribe_v2 modellt. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | mindkettő | A legpontosabb, egy nyelven folyó beszélgetéshez. Az ilyen fajtájú új felismerő ezt kapja. |
standard | mindkettő | Gyorsabb és olcsóbb, kicsit kevésbé pontos. | |
melia-1 | átiratok | Több nyelven folyó, mondat közben nyelvet váltó beszélgetés egyetlen átiratként jön vissza. Csak felvételekhez, az EU és az USA régióban; saját szótár és beszélőjelölés egyelőre nincs. | |
xAI (Grok)https://api.x.ai/v1 | grok-voice-transcribe-2.0 | mindkettő | Az egyetlen jelenlegi modell és az alapértelmezett: 38 nyelv, amelyet magától felismer. Fájlok 500 MB-ig; az élő beszéd a wss://api.x.ai címre megy. |
grok-voice-transcribe-1.0 | átiratok | Elavult: a szolgáltatás a 2.0 modellre irányítja. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | átiratok | Több mint 60 nyelv, a beszélők szétválasztásával. |
stt-rt-v5 | súgó | Élőben, ugyanazon a több mint 60 nyelven, és hallja, hol ér véget egy megszólalás. A telefon ezt kínálja a súgóhoz. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | mindkettő | A legpontosabb modell felvételekhez; 18 nyelv, és a beszélgetés válthat közöttük. |
universal-2 | átiratok | 99 nyelv, olcsóbb; az AssemblyAI erre vált olyan nyelvnél, amelyet a universal-3-5-pro nem ismer. | |
universal-3-6-pro | súgó | Az AssemblyAI legújabb élő modellje, 32 nyelv; a szolgáltatás ezt használja, ha a modell üres. | |
universal-streaming-multilingual | súgó | Olcsóbb élő felismerés angolul, spanyolul, németül, franciául, portugálul és olaszul. | |
universal-streaming-english | súgó | Olcsóbb élő felismerés, csak angolul. | |
Vosk (a saját gépén)ws://localhost:2700 | (a szerveren állítható be) | mindkettő | Ingyenes és könnyű; videokártya nélkül is fut. A modell az, amellyel a szervert elindították, nyelvenként egy, például vosk-model-en-us-0.22 vagy a kicsi vosk-model-small-en-us-0.15. |
WhisperLive (a saját gépén)ws://localhost:9090 | small | mindkettő | Whisper élő folyamon. A méretet a kártyán választja: tiny, base, small (ezt kínálja a telefon), medium, large-v3; minél nagyobb, annál pontosabb, és annál inkább kell hozzá videokártya. |
NVIDIA Riva (a saját gépén)localhost:50051 | (a szerveren állítható be) | mindkettő | Az NVIDIA beszédszervere NVIDIA videokártyás számítógéphez. Olyan modelleket szolgál ki, mint a Parakeet és a Canary. |
Amit érdemes tudni a választás előtt:
- Átiratok vagy súgó. Az élő beszédhez készült modell nem fogad kész fájlt, és a fájlokhoz való modellek többsége nem tud élőben hallgatni. Ezért van a kártyán két mező: Modell az átiratokhoz és Modell a súgóhoz.
- Fájlméret. Az OpenAI legfeljebb 25 MB-os fájlokat fogad, az X.ai legfeljebb 500 MB-osakat. Egy hosszú beszélgetés nagyobb lehet annál, amit egy felhőszolgáltatás elfogad.
- Ár. A felhőszolgáltatások a hang perceiért számláznak, a díjak modellenként eltérnek és változnak; váltás előtt nézze meg őket a szolgáltatás saját oldalán. A saját gépén futó felismerő semmibe sem kerül.
- Nyelvek. Minden szolgáltatásnak saját listája van; ellenőrizze a magáét, és adja meg a kódot a Nyelv mezőben a felismerő speciális beállításai között, ha rosszul találgat.
Egy szolgáltatás modelllistája gyakran változik. Ha egy kívánt modell hiányzik innen, az aktuális lista a szolgáltatás saját dokumentációjában van — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva —, a Modell pedig a név pontosan úgy, ahogy a szolgáltatás megadja.
Saját modellek
A felismerőnek nem kell felhőszolgáltatásnak lennie. A telefon bármilyen modellt használhat, amelyet OpenAI-kompatibilis API-n keresztül szolgálnak ki — a POST /v1/audio/transcriptions felületen —, akár helyben, az Ön számítógépén fut, akár egy saját kiszolgálón. A hang soha nem hagyja el az Ön telephelyét, percalapú díj nincs, és a mennyiségnek sincs korlátja.
Hozzáadásához nyomja meg a Hozzáadás gombot, és adja meg:
- a kiszolgáló címét a
/v1részig bezárólag, példáulhttp://localhost:8000/v1magán a számítógépen, vagyhttp://asr.local:8080/v1a hálózatában lévő kiszolgálón; - a modell nevét pontosan úgy, ahogyan a kiszolgáló felsorolja, például
openai/whisper-large-v3-turbo.
Mi használható
A szokásos választás a Whisper, az OpenAI nyílt beszédfelismerő modellje. Ingyenesen használható, körülbelül száz nyelvet ért, és több méretben érhető el: egy kis modell egy átlagos számítógépen is fut, a nagyok érezhetően pontosabbak, és legjobb grafikus kártyával futtatni őket.
| Modell | Megjegyzés |
|---|---|
whisper-large-v3 | A legpontosabb Whisper. GPU-val felszerelt kiszolgálóra. |
openai/whisper-large-v3-turbo | A large-v3 gyorsabb változata, kis pontosságvesztéssel. |
Systran/faster-whisper-large-v3 | A large-v3 a faster-whisper motorhoz átalakítva; gyorsabb, és kevesebb memóriát igényel. |
medium, small, base | Kisebb Whisper modellek grafikus kártya nélküli számítógéphez. |
Ezek a kiszolgálók a Whisper köré épültek. Némelyikük más beszédfelismerő modelleket is ki tud szolgálni, például az NVIDIA Parakeetet.
OpenAI-kompatibilis API-t kínáló kiszolgálók
A modellt olyan kiszolgálónak kell futtatnia, amely OpenAI-kompatibilis /v1/audio/transcriptions végpontot kínál. Ezek ilyenek:
| Kiszolgáló | Mi ez |
|---|---|
| vLLM | Nagy teljesítményű modellkiszolgáló. Elindítás után a Whispert a http://localhost:8000/v1 címen szolgálja ki. |
| Speaches | Beszédmodellekhez készült kiszolgáló, „Ollama a beszédhez”, a faster-whisperre építve. Egy modellt akkor tölt be, amikor először kérik. |
| whisper.cpp | Hatékonyan futtatja a Whispert CPU-n, az Apple siliconon is. A whisper-server a --inference-path /v1/audio/transcriptions kapcsolóval indítandó. |
| LocalAI | Az OpenAI közvetlen helyettesítője, amely helyben futtatja a modelleket. |
Bármely más kiszolgáló, amely ugyanezt a végpontot kínálja, ugyanígy működik. Ha egy kiszolgáló kulcsot kér, adja meg ugyanúgy, mint egy felhőszolgáltatásnál.
Mielőtt egy kiszolgálóra hagyatkozna, készítsen próbafelvételt, és nézze meg a leiratot a Felvételek ablakban: egy olyan nyelvű beszélgetés, amelyet a modell gyengén ismer, ezt azonnal megmutatja.