Vai al contenuto principale

Trascrizione

Impostazioni → Trascrizione elenca i riconoscitori: i servizi che trasformano il suono in testo, per le conversazioni concluse e, per il suggeritore, mentre una conversazione è in corso.

Una conversazione viene trascritta quando lo chiede nella finestra delle registrazioni, oppure da sola se Elabora le conversazioni automaticamente è attivo in Elaborazione. Un riconoscitore sulla sua macchina non costa nulla; uno nel cloud si fa pagare al minuto di audio.

Riconoscitori​

Un riconoscitore è un servizio di riconoscimento vocale a cui il telefono invia il suono. Aggiungi ne aggiunge uno; il pulsante Prova della sua scheda verifica che il servizio risponda davvero. Ognuno compare nell'elenco con il suo nome e, sotto, il modello e l'indirizzo del suo servizio. La tabella elenca ogni tipo di servizio che il telefono supporta, come li offre Tipo nella scheda, con l’indirizzo e i modelli che riceve un nuovo riconoscitore di quel tipo; l’ultima colonna mostra i cinque configurati nell’immagine:

TipoIndirizzo per le trascrizioniIndirizzo per il suggeritoreModelloNell’immagine
Compatibile OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, dal vivo 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, dal vivo scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, oppure eu., us., au. al posto di global. per una regioneenhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(vuoto: il modello predefinito del servizio), dal vivo grok-voice-transcribe-2.0X.ai · dal vivo grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(vuoto: il modello predefinito del servizio), dal vivo stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(vuoto: il modello predefinito del servizio)—
Vosk (sulla tua macchina)il suo server, per esempio ws://localhost:2700(lo stesso server)(impostato sul server)Vosk · ws://localhost:2700
WhisperLive (sulla tua macchina)il suo server, per esempio ws://localhost:9090(lo stesso server)dal vivo small—
NVIDIA Riva (sulla tua macchina)il suo server, per esempio localhost:50051(lo stesso server)(impostato sul server)—

L'Indirizzo per il suggeritore è di solito un indirizzo WebSocket: wss:// per un servizio nel cloud, ws:// per un server della sua rete; NVIDIA Riva si indica come host:porta.

I due segni a destra di una riga dicono per che cosa il riconoscitore è il predefinito. L'orologio è acceso sul predefinito per le trascrizioni — X.ai nell'immagine —, usato quando non ne sceglie un altro. Il fulmine è acceso sul predefinito per il suggeritore — Vosk nell'immagine. Può tenere più riconoscitori; il menu a tendina sopra una trascrizione nella finestra delle registrazioni elenca le trascrizioni fatte da ciascuno.

La scheda del riconoscitore​

Premendo un riconoscitore si apre la sua scheda.

CampoChe cos'è
NomeIl nome negli elenchi.
TipoIl tipo di servizio, che decide come il telefono gli parla: Compatibile OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics, e tre che girano sulla sua macchina — Vosk, WhisperLive e NVIDIA Riva.
Indirizzo per le trascrizioniDove vengono inviate le conversazioni concluse.
Indirizzo per il suggeritoreDove va l'audio dal vivo mentre una conversazione è in corso. Di solito un indirizzo WebSocket: wss:// per un servizio nel cloud, come wss://api.x.ai nell'immagine, ws:// per un server della sua rete. Vuoto si ricava dall'indirizzo accanto.
ChiaveLa chiave del servizio. È tenuto nel portachiavi di questo computer, mai in un file di impostazioni.
ProvaInterroga il servizio e dice che cosa ha risposto, per esempio Ha risposto, e offre 3 modelli.
Modello per le trascrizioni e Modello per il suggeritoreIl modello, esattamente come lo chiama il servizio. Vuoto non invia alcun nome di modello, e il servizio usa il proprio predefinito; dove il fornitore ne pubblica uno, la scheda lo nomina. Il campo non è mostrato per un tipo che non offre scelta. Nell'immagine xAI non ha il Modello per le trascrizioni, e il Modello per il suggeritore è grok-voice-transcribe-2.0.
Predefinito per le trascrizioniNe fa il riconoscitore usato quando non ne sceglie un altro.
Predefinito per il suggeritoreNe fa il riconoscitore con cui ascolta un nuovo assistente del suggeritore.
AttivoSpento, il riconoscitore resta nell'elenco e non viene usato.

Impostazioni avanzate apre il resto della scheda. I valori che contano di più:

CampoChe cosa fa
RegioneLa regione del servizio, per uno che ne ha diverse.
Invia i due lati separatamenteUna chiamata viene registrata con le due persone su due canali, ed è questo che dice al riconoscitore chi ha detto che cosa. Lo spenga per un server che dice di saperlo fare e non sa.
Chiedi chi parlaDistingue le persone all'interno di un canale, quando vi parlano in più d'una.
Scrivi i numeri in cifreImporti, date e numeri di telefono tornano come si scrivono, invece che in lettere.
Limite di caricamento, Limite di durataIl file più grande, in byte, e la registrazione più lunga, in secondi, che questo telefono invierà.
Richieste in paralleloQuante richieste possono essere in corso contemporaneamente.
Terminare una risposta dopo, Unire le risposte brevi entro, Pausa tra i turniPer il suggeritore: quanto tempo senza parole nuove chiude una risposta, quanto una risposta breve aspetta la successiva per esserle unita, e quanto silenzio chiude un turno dove il riconoscitore non ne segna. In millisecondi.
LinguaUn codice di lingua di due lettere secondo la ISO 639-1 (en, de, es, fr, sr…). Lo lasci vuoto e decide il riconoscitore — è la scelta giusta, a meno che le sue chiamate non siano in una lingua che fraintende di continuo.
ExtraUn name = value per riga, passato al servizio così com'è. Lo lasci vuoto a meno che il server non documenti qualcosa.
Attesa, minutiQuanto aspettare una trascrizione. Vuoto lo calcola dalla durata della registrazione.
Prezzo al minutoQuanto costa un minuto di audio dal vivo, dal listino del servizio. Il suggeritore mostra quanto è costata una sessione e si ferma al suo tetto mensile.

Riconoscimento dal vivo per il suggeritore​

Il suggeritore ha bisogno di un riconoscitore che ascolti mentre qualcuno parla, attraverso un flusso invece che con un file concluso. Questi tipi possono farlo: Deepgram, ElevenLabs (Scribe), xAI (Grok), Compatibile OpenAI (con la trascrizione in tempo reale di OpenAI), AssemblyAI, Soniox e Speechmatics nel cloud e Vosk, WhisperLive e NVIDIA Riva sulla sua macchina. Un riconoscitore sulla sua macchina tiene la voce dell'interlocutore entro le sue mura e non costa nulla.

Per usarne uno: apra la sua scheda, controlli l'Indirizzo per il suggeritore — di solito un indirizzo WebSocket, per esempio wss://api.x.ai per X.ai, wss://api.deepgram.com per Deepgram o ws://localhost:2700 per Vosk; vuoto, viene ricavato dall'Indirizzo per le trascrizioni. Poi scelga il Modello per il suggeritore: i modelli dal vivo sono spesso diversi da quelli per i file — grok-voice-transcribe-2.0 per X.ai, come nella scheda dell'immagine, scribe_v2_realtime per ElevenLabs, gpt-live-transcribe per OpenAI, stt-rt-v5 per Soniox. Prema Prova. Spunti Predefinito per il suggeritore perché i nuovi assistenti ascoltino con quello.

Quale modello scegliere​

La tabella elenca i modelli di riconoscimento vocale di ogni tipo dell'elenco Tipo. I modelli in grassetto sono quelli configurati nell'immagine; per il riconoscitore X.ai il modello è vuoto, quindi si usa il predefinito del servizio, grok-voice-transcribe-2.0. Lì è vuoto il Modello per le trascrizioni; il Modello per il suggeritore è impostato sullo stesso modello. Per dice a che cosa serve un modello: alle registrazioni concluse (trascrizioni), al parlato dal vivo per il suggeritore (suggeritore), o a entrambi.

Tipo e indirizzoModelloPerA che cosa serve
Compatibile OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribetrascrizioniIl modello che OpenAI consiglia per il parlato registrato nella sua lingua originale.
gpt-4o-transcribeentrambiTrascrizione di uso generale. Un nuovo riconoscitore di questo tipo lo riceve.
gpt-4o-mini-transcribeentrambiUna variante più leggera ed economica del precedente.
gpt-4o-transcribe-diarizetrascrizioniIndica chi parla e quando. Lo usi solo se le serve.
whisper-1trascrizioniIl vecchio modello Whisper, tenuto per usi particolari come le marche temporali per parola e i sottotitoli.
gpt-live-transcribesuggeritoreIl modello dal vivo di OpenAI: le parole arrivano mentre vengono pronunciate. Il telefono lo offre per il suggeritore.
Deepgram
https://api.deepgram.com/v1
nova-3entrambiIl miglior modello di uso generale di Deepgram, per riunioni, audio rumoroso e multilingue. Un nuovo riconoscitore di questo tipo lo riceve.
nova-2entrambiLa generazione precedente; la tenga per le lingue che nova-3 non supporta ancora.
nova-2-phonecallentrambinova-2 tarato sul suono stretto di una linea telefonica. Inglese.
flux-general-ensuggeritoreFatto per la conversazione: sente quando qualcuno ha finito di parlare. Inglese.
flux-general-multisuggeritoreLo stesso in dieci lingue, e una conversazione può passare dall'una all'altra.
enhanced, basetrascrizioniLivelli più vecchi; base è per grandi volumi.
whispertrascrizioniWhisper, eseguito da Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2trascrizioniTrascrizione di uso generale in oltre 90 lingue, con separazione dei parlanti.
scribe_v2_realtimesuggeritoreLa versione dal vivo di scribe_v2. Il telefono la offre per il suggeritore.
scribe_v2_medicaltrascrizioniscribe_v2 tarato sull'audio clinico.
scribe_v1trascrizioniLa prima generazione; deprecata, usi scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedentrambiIl più preciso, per una conversazione in una sola lingua. Un nuovo riconoscitore di questo tipo lo riceve.
standardentrambiPiù veloce ed economico, un po' meno preciso.
melia-1trascrizioniUna conversazione in più lingue, che cambia a metà frase, torna come un'unica trascrizione. Solo registrazioni, nelle regioni UE e USA; ancora senza dizionario personalizzato né etichette dei parlanti.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0entrambiL'unico modello attuale e il predefinito: 38 lingue, riconosciute da sé. File fino a 500 MB; il parlato dal vivo va a wss://api.x.ai.
grok-voice-transcribe-1.0trascrizioniDeprecato: il servizio lo reindirizza a 2.0.
Soniox
https://api.soniox.com
stt-async-v5trascrizioniOltre 60 lingue, con separazione dei parlanti.
stt-rt-v5suggeritoreDal vivo, nelle stesse oltre 60 lingue, e sente dove finisce un turno. Il telefono lo offre per il suggeritore.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proentrambiIl modello più preciso per le registrazioni; 18 lingue, e una conversazione può passare dall'una all'altra.
universal-2trascrizioni99 lingue, più economico; AssemblyAI ripiega su di esso per una lingua che universal-3-5-pro non conosce.
universal-3-6-prosuggeritoreIl modello dal vivo più recente di AssemblyAI, 32 lingue; il servizio lo usa quando il modello è vuoto.
universal-streaming-multilingualsuggeritoreRiconoscimento dal vivo più economico in inglese, spagnolo, tedesco, francese, portoghese e italiano.
universal-streaming-englishsuggeritoreRiconoscimento dal vivo più economico, solo in inglese.
Vosk (sulla tua macchina)
ws://localhost:2700
(impostato sul server)entrambiGratuito e leggero; gira senza scheda grafica. Il modello è quello con cui è stato avviato il server, uno per lingua, per esempio vosk-model-it-0.22 o il piccolo vosk-model-small-it-0.22.
WhisperLive (sulla tua macchina)
ws://localhost:9090
smallentrambiWhisper su un flusso dal vivo. La dimensione si sceglie nella scheda: tiny, base, small (quella che offre il telefono), medium, large-v3; più è grande, più è preciso, e più vuole una scheda grafica.
NVIDIA Riva (sulla tua macchina)
localhost:50051
(impostato sul server)entrambiIl server vocale di NVIDIA, per un computer con scheda grafica NVIDIA. Serve modelli come Parakeet e Canary.

Che cosa conviene sapere prima di scegliere:

  • Trascrizioni o suggeritore. Un modello fatto per il parlato dal vivo non accetta un file concluso, e la maggior parte dei modelli per file non sa ascoltare dal vivo. Per questo una scheda ha due campi, Modello per le trascrizioni e Modello per il suggeritore.
  • Dimensione del file. OpenAI accetta file fino a 25 MB; X.ai fino a 500 MB. Una conversazione lunga può superare ciò che un servizio cloud accetta.
  • Prezzo. I servizi cloud si fanno pagare al minuto di audio, e le tariffe variano per modello e cambiano; le legga sulla pagina del servizio prima di passare a un altro. Un riconoscitore sulla sua macchina non costa nulla.
  • Lingue. Ogni servizio ha il suo elenco; controlli il suo e imposti il codice in Lingua, nelle impostazioni avanzate del riconoscitore, se indovina male.

L'elenco dei modelli di un servizio cambia spesso. Se qui manca un modello che desidera, la documentazione del servizio ha l'elenco aggiornato — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — e il Modello è il nome esattamente come lo dà il servizio.

I suoi modelli​

Un riconoscitore non deve per forza essere un servizio cloud. Il telefono può usare qualsiasi modello servito tramite l'API compatibile con OpenAI — l'interfaccia POST /v1/audio/transcriptions —, che giri in locale sul suo computer o su un suo server. L'audio non lascia mai la sua sede, non si paga nulla al minuto e non c'è limite di volume.

Per aggiungerne uno, prema Aggiungi e indichi:

  • l'indirizzo del server, fino a /v1 compreso, per esempio http://localhost:8000/v1 per il computer stesso o http://asr.local:8080/v1 per un server della sua rete;
  • il nome del modello esattamente come lo elenca il server, per esempio openai/whisper-large-v3-turbo.

Che cosa si può usare​

La scelta abituale è Whisper, il modello aperto di riconoscimento vocale di OpenAI. È gratuito, capisce circa un centinaio di lingue ed esiste in diverse dimensioni: un modello piccolo gira su un computer normale, quelli grandi sono decisamente più precisi ed è meglio dar loro una scheda grafica.

ModelloNote
whisper-large-v3Il Whisper più preciso. Per un server con GPU.
openai/whisper-large-v3-turboUna versione più veloce di large-v3, con una piccola perdita di precisione.
Systran/faster-whisper-large-v3large-v3 convertito per il motore faster-whisper; più rapido e più leggero sulla memoria.
medium, small, baseModelli Whisper più piccoli, per un computer senza scheda grafica.

Whisper è il modello attorno a cui sono costruiti questi server. Alcuni possono servire anche altri modelli di riconoscimento vocale, come NVIDIA Parakeet.

Server che offrono l'API compatibile con OpenAI​

Il modello deve essere eseguito da un server che offra l'endpoint /v1/audio/transcriptions compatibile con OpenAI. Questi lo fanno:

ServerChe cos'è
vLLMUn server di modelli ad alte prestazioni. Una volta avviato, serve Whisper su http://localhost:8000/v1.
SpeachesUn server per modelli vocali, «l'Ollama della voce», basato su faster-whisper. Carica un modello la prima volta che viene richiesto.
whisper.cppEsegue Whisper in modo efficiente su una CPU, Apple silicon compreso. Il suo whisper-server si avvia con --inference-path /v1/audio/transcriptions.
LocalAIUn sostituto diretto di OpenAI che esegue i modelli in locale.

Qualsiasi altro server che offra lo stesso endpoint funziona allo stesso modo. Se un server richiede una chiave, la inserisca come per un servizio cloud.

Prima di affidarsi a un server, faccia una registrazione di prova e guardi la trascrizione nella finestra delle registrazioni: una conversazione in una lingua che il modello conosce poco lo mostra subito.