Ugrás a fő tartalomra

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:

FajtaCím az átiratokhozCím a súgóhozModellA képen
OpenAI-kompatibilis (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, élő 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, élő scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, régióhoz global. helyett eu., us. vagy au.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(üres: a szolgáltatás alapértelmezése), élő grok-voice-transcribe-2.0X.ai · élő grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(üres: a szolgáltatás alapértelmezése), élő stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://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.

MezőMi ez
NévA név a listákban.
FajtaA 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 átiratokhozAhová a befejezett beszélgetések mennek.
Cím a súgóhozAhová 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.
KulcsA szolgáltatás kulcsa. Ennek a gépnek a kulcstartójában van, soha nem beállításfájlban.
PróbaMegkérdezi a szolgáltatást, és elmondja, mit válaszolt, például Válaszolt, és 3 modellt kínál.
Modell az átiratokhoz és Modell a súgóhozA 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 átiratokhozEzt teszi azzá a felismerővé, amelyet akkor használ a telefon, ha nem választ mást.
Alapértelmezett a súgóhozEzt teszi azzá a felismerővé, amellyel a súgó új segítője hallgat.
BekapcsolvaKikapcsolva a felismerő a listában marad, de nem használja a telefon.

A Speciális beállítások megnyitja a kártya többi részét. A legfontosabb értékek:

MezőMit csinál
RégióA szolgáltatás régiója, ha több van.
A két oldal külön küldéseA 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 beszélMegkülönbözteti az embereket egy csatornán belül, ha többen beszélnek rajta.
Számok számjegyekkelÖsszegek, dátumok és telefonszámok úgy jönnek vissza, ahogy leírják őket, nem betűvel kiírva.
Feltöltési korlát, HosszkorlátA legnagyobb fájl bájtban és a leghosszabb felvétel másodpercben, amelyet ez a telefon elküld.
Egyidejű kérésekHány kérés lehet folyamatban egyszerre.
Válasz lezárása ennyi után, Rövid válaszok összevonása ezen belül, Szünet a megszólalások közöttA 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.
NyelvKétbetűs 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.
KiegészítőkSoronként egy name = value, változatlanul továbbítva a szolgáltatásnak. Hagyja üresen, hacsak a szerver nem dokumentál valamit.
Várakozás, percMennyi ideig várjon egy átiratra. Üresen a felvétel hosszából számolja.
Ár percenkéntMennyibe 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 címModellMireMire jó
OpenAI-kompatibilis (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribeátiratokAz a modell, amelyet az OpenAI felvett beszédhez ajánl az eredeti nyelvén.
gpt-4o-transcribemindkettőÁltalános célú átirat. Az ilyen fajtájú új felismerő ezt kapja.
gpt-4o-mini-transcribemindkettőAz előző könnyebb, olcsóbb változata.
gpt-4o-transcribe-diarizeátiratokJelöli, ki mikor beszél. Csak akkor használja, ha erre szüksége van.
whisper-1átiratokA régebbi Whisper-modell, különleges célokra megtartva, mint a szavankénti időbélyegek és a feliratok.
gpt-live-transcribesúgóAz OpenAI élő modellje: a szavak elhangzásuk közben érkeznek. A telefon ezt kínálja a súgóhoz.
Deepgram
https://api.deepgram.com/v1
nova-3mindkettőA Deepgram legjobb általános célú modellje értekezletekhez, zajos és többnyelvű hanghoz. Az ilyen fajtájú új felismerő ezt kapja.
nova-2mindkettőAz előző generáció; tartsa meg azokhoz a nyelvekhez, amelyeket a nova-3 még nem támogat.
nova-2-phonecallmindkettőA nova-2 a telefonvonal keskeny hangjára hangolva. Angol.
flux-general-ensúgóBeszélgetéshez készült: hallja, amikor valaki befejezte a mondandóját. Angol.
flux-general-multisúgóUgyanez tíz nyelven, és a beszélgetés válthat közöttük.
enhanced, baseátiratokRégebbi szintek; a base nagy mennyiségekhez való.
whisperátiratokWhisper a Deepgram futtatásában.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2átiratokÁltalános célú átirat több mint 90 nyelven, a beszélők szétválasztásával.
scribe_v2_realtimesúgóA scribe_v2 élő változata. A telefon ezt kínálja a súgóhoz.
scribe_v2_medicalátiratokA scribe_v2 klinikai hangra hangolva.
scribe_v1átiratokAz első generáció; elavult, használja a scribe_v2 modellt.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedmindkettőA legpontosabb, egy nyelven folyó beszélgetéshez. Az ilyen fajtájú új felismerő ezt kapja.
standardmindkettőGyorsabb és olcsóbb, kicsit kevésbé pontos.
melia-1átiratokTöbb 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-2.0mindkettőAz 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-1.0átiratokElavult: a szolgáltatás a 2.0 modellre irányítja.
Soniox
https://api.soniox.com
stt-async-v5átiratokTöbb mint 60 nyelv, a beszélők szétválasztásával.
stt-rt-v5súgóÉlőben, ugyanazon a több mint 60 nyelven, és hallja, hol ér véget egy megszólalás. A telefon ezt kínálja a súgóhoz.
AssemblyAI
https://api.assemblyai.com
universal-3-5-promindkettőA legpontosabb modell felvételekhez; 18 nyelv, és a beszélgetés válthat közöttük.
universal-2átiratok99 nyelv, olcsóbb; az AssemblyAI erre vált olyan nyelvnél, amelyet a universal-3-5-pro nem ismer.
universal-3-6-prosúgóAz AssemblyAI legújabb élő modellje, 32 nyelv; a szolgáltatás ezt használja, ha a modell üres.
universal-streaming-multilingualsúgóOlcsóbb élő felismerés angolul, spanyolul, németül, franciául, portugálul és olaszul.
universal-streaming-englishsúgóOlcsóbb élő felismerés, csak angolul.
Vosk (a saját gépén)
ws://localhost:2700
(a szerveren állítható be)mindkettőIngyenes 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
smallmindkettőWhisper 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)mindkettőAz 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 /v1 részig bezárólag, például http://localhost:8000/v1 magán a számítógépen, vagy http://asr.local:8080/v1 a 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.

ModellMegjegyzés
whisper-large-v3A legpontosabb Whisper. GPU-val felszerelt kiszolgálóra.
openai/whisper-large-v3-turboA large-v3 gyorsabb változata, kis pontosságvesztéssel.
Systran/faster-whisper-large-v3A large-v3 a faster-whisper motorhoz átalakítva; gyorsabb, és kevesebb memóriát igényel.
medium, small, baseKisebb 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:

KiszolgálóMi ez
vLLMNagy teljesítményű modellkiszolgáló. Elindítás után a Whispert a http://localhost:8000/v1 címen szolgálja ki.
SpeachesBeszédmodellekhez készült kiszolgáló, „Ollama a beszédhez”, a faster-whisperre építve. Egy modellt akkor tölt be, amikor először kérik.
whisper.cppHatékonyan futtatja a Whispert CPU-n, az Apple siliconon is. A whisper-server a --inference-path /v1/audio/transcriptions kapcsolóval indítandó.
LocalAIAz 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.