Pāriet uz galveno saturu

Pieraksts

Iestatījumi → Pieraksts uzskaita atpazinējus: pakalpojumus, kas pārvērš skaņu tekstā, pabeigtām sarunām un suflierim sarunas laikā.

Saruna tiek pierakstīta, kad to palūdzat ierakstu logā, vai pati no sevis, ja sadaļā Apstrāde ir ieslēgts Apstrādāt sarunas automātiski. Atpazinējs jūsu pašu datorā neko nemaksā; mākonī esošais ņem maksu par skaņas minūti.

Atpazinēji​

Atpazinējs ir runas atpazīšanas pakalpojums, kam tālrunis sūta skaņu. Pievienot pievieno jaunu; tā kartītes poga Pārbaudīt pārbauda, vai pakalpojums tiešām atbild. Katrs sarakstā redzams ar savu nosaukumu, un zem tā — sava pakalpojuma modelis un adrese. Tabulā uzskaitīti visi tālruņa atbalstītie pakalpojumu veidi tā, kā tos piedāvā kartītes Veids, ar adresi un modeļiem, ko saņem jauns šī veida atpazinējs; pēdējā kolonna rāda piecus attēlā iestatītos:

VeidsAdrese pierakstiemAdrese suflierimModelisAttēlā
Saderīgs ar OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, tieši 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, tieši scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com vai reģionam eu., us., au. global. vietāenhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(tukšs: pakalpojuma noklusējums), tieši grok-voice-transcribe-2.0X.ai · tieši grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(tukšs: pakalpojuma noklusējums), tieši stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(tukšs: pakalpojuma noklusējums)—
Vosk (jūsu pašu datorā)jūsu serveris, piemēram ws://localhost:2700(tas pats serveris)(iestata serverī)Vosk · ws://localhost:2700
WhisperLive (jūsu pašu datorā)jūsu serveris, piemēram ws://localhost:9090(tas pats serveris)tieši small—
NVIDIA Riva (jūsu pašu datorā)jūsu serveris, piemēram localhost:50051(tas pats serveris)(iestata serverī)—

Lauks Adrese suflierim parasti ir WebSocket adrese: wss:// mākoņpakalpojumam, ws:// serverim jūsu tīklā; NVIDIA Riva norāda kā resursdators:ports.

Divas zīmes rindas labajā pusē rāda, kam atpazinējs ir noklusējums. Pulkstenis deg pie noklusējuma pierakstiem — attēlā X.ai —, ko izmanto, ja neizvēlaties citu. Zibens deg pie noklusējuma suflierim — attēlā Vosk. Varat turēt vairākus atpazinējus; nolaižamais saraksts virs pieraksta ierakstu logā rāda katra no tiem izveidotos pierakstus.

Atpazinēja kartīte​

Nospiežot atpazinēju, atveras tā kartīte.

LauksKas tas ir
NosaukumsNosaukums sarakstos.
VeidsPakalpojuma veids, no kura atkarīgs, kā tālrunis ar to runā: Saderīgs ar OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics un trīs, kas darbojas jūsu pašu datorā, — Vosk, WhisperLive un NVIDIA Riva.
Adrese pierakstiemKur tiek sūtītas pabeigtās sarunas.
Adrese suflierimKur sarunas laikā plūst tiešā skaņa. Parasti WebSocket adrese: wss:// mākoņpakalpojumam, kā wss://api.x.ai attēlā, ws:// serverim jūsu tīklā. Tukšs tiek iegūts no blakus esošās adreses.
AtslēgaPakalpojuma atslēga. Tas glabājas šī datora atslēgu saišķī, nekad iestatījumu failā.
PārbaudītPajautā pakalpojumam un pasaka, ko tas atbildēja, piemēram, Atbildēja un piedāvā 3 modeļus.
Modelis pierakstiem un Modelis suflierimModelis tieši tā, kā to sauc pakalpojums. Tukšs nesūta modeļa nosaukumu, un pakalpojums izmanto savu noklusējumu; ja piegādātājs to publicē, kartīte to nosauc. Veidam bez izvēles lauks netiek rādīts. Attēlā xAI nav lauka Modelis pierakstiem, un laukā Modelis suflierim ir grok-voice-transcribe-2.0.
Noklusējums pierakstiemPadara šo par atpazinēju, ko izmanto, ja neizvēlaties citu.
Noklusējums suflierimPadara šo par atpazinēju, ar kuru klausās jauns sufliera palīgs.
IeslēgtsIzslēgts atpazinējs paliek sarakstā, bet netiek izmantots.

Paplašinātie iestatījumi atver pārējo kartītes daļu. Svarīgākās vērtības:

LauksKo tas dara
ReģionsPakalpojuma reģions, ja tādu ir vairāki.
Sūtīt abas puses atsevišķiZvans tiek ierakstīts tā, ka abi cilvēki ir divos kanālos, — tieši no tā atpazinējs zina, kurš ko teica. Izslēdziet to serverim, kas apgalvo, ka to prot, bet neprot.
Jautāt, kas runāAtšķir cilvēkus viena kanāla iekšienē, ja tajā runā vairāki.
Rakstīt skaitļus ar cipariemSummas, datumi un tālruņa numuri atgriežas tā, kā tos raksta, nevis izrakstīti vārdiem.
Augšupielādes robeža, Garuma robežaLielākais fails baitos un garākais ieraksts sekundēs, ko šis tālrunis nosūtīs.
Pieprasījumi vienlaikusCik pieprasījumu drīkst būt procesā vienlaikus.
Beigt atbildi pēc, Apvienot īsas atbildes, Pauze starp replikuSuflierim: cik ilgs laiks bez jauniem vārdiem beidz atbildi, cik ilgi īsa atbilde gaida nākamo, lai ar to apvienotos, un cik ilgs klusums beidz repliku, ja atpazinējs to neatzīmē. Milisekundēs.
ValodaDivu burtu valodas kods pēc ISO 639-1 (en, de, es, fr, sr…). Atstājiet tukšu, un atpazinējs izlems pats — tas ir pareizi, ja vien jūsu sarunas nenotiek valodā, ko tas pastāvīgi pārprot.
PapildinājumiPa vienam name = value rindā, nodod pakalpojumam tādu, kāds tas ir. Atstājiet tukšu, ja vien serveris kaut ko nedokumentē.
Gaidīšana, minūtesCik ilgi gaidīt pierakstu. Tukšs to aprēķina pēc ieraksta garuma.
Cena par minūtiCik maksā tiešās skaņas minūte pēc pakalpojuma cenrāža. Suflieris rāda, cik izmaksāja sesija, un apstājas pie saviem mēneša griestiem.

Tiešā atpazīšana suflierim​

Suflierim vajag atpazinēju, kas klausās, kamēr kāds runā, — straumē, nevis ar pabeigtu failu. To prot šie veidi: Deepgram, ElevenLabs (Scribe), xAI (Grok), Saderīgs ar OpenAI (ar OpenAI reāllaika pierakstīšanu), AssemblyAI, Soniox un Speechmatics mākonī un Vosk, WhisperLive un NVIDIA Riva jūsu pašu datorā. Atpazinējs jūsu pašu datorā patur sarunbiedra balsi jūsu telpās un neko nemaksā.

Kā to izmantot: atveriet tā kartīti, pārbaudiet lauku Adrese suflierim — parasti WebSocket adresi, piemēram, wss://api.x.ai X.ai, wss://api.deepgram.com Deepgram vai ws://localhost:2700 Vosk; ja tas ir tukšs, to atvasina no lauka Adrese pierakstiem. Pēc tam izvēlieties Modelis suflierim: tiešie modeļi bieži atšķiras no failu modeļiem — X.ai grok-voice-transcribe-2.0, kā kartītē attēlā, ElevenLabs scribe_v2_realtime, OpenAI gpt-live-transcribe, Soniox stt-rt-v5. Nospiediet Pārbaudīt. Atzīmējiet Noklusējums suflierim, lai jaunie palīgi klausītos ar to.

Kuru modeli izvēlēties​

Tabulā uzskaitīti katra saraksta Veids veida runas atpazīšanas modeļi. Treknrakstā ir modeļi, kas iestatīti attēlā; atpazinējam X.ai modelis ir tukšs, tāpēc tiek izmantots pakalpojuma noklusējums grok-voice-transcribe-2.0. Tukšs tur ir lauks Modelis pierakstiem; laukā Modelis suflierim ir tas pats modelis. Kam norāda, kam modelis paredzēts: pabeigtiem ierakstiem (pieraksti), tiešai runai suflierim (suflieris) vai abiem.

Veids un adreseModelisKamKam tas der
Saderīgs ar OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribepierakstiModelis, ko OpenAI iesaka ierakstītai runai tās oriģinālvalodā.
gpt-4o-transcribeabiemVispārēja pielietojuma pierakstīšana. To saņem jauns šī veida atpazinējs.
gpt-4o-mini-transcribeabiemVieglāks un lētāks iepriekšējā variants.
gpt-4o-transcribe-diarizepierakstiAtzīmē, kurš kad runā. Izmantojiet tikai tad, ja tas vajadzīgs.
whisper-1pierakstiVecākais Whisper modelis, saglabāts īpašām vajadzībām, piemēram, vārdu laika zīmogiem un subtitriem.
gpt-live-transcribesuflierisOpenAI tiešais modelis: vārdi nāk, tiklīdz tie izrunāti. Tālrunis to piedāvā suflierim.
Deepgram
https://api.deepgram.com/v1
nova-3abiemLabākais Deepgram vispārējā pielietojuma modelis sanāksmēm, trokšņainai un daudzvalodu skaņai. To saņem jauns šī veida atpazinējs.
nova-2abiemIepriekšējā paaudze; paturiet to valodām, ko nova-3 vēl neatbalsta.
nova-2-phonecallabiemnova-2, pielāgots tālruņa līnijas šaurajai skaņai. Angļu valoda.
flux-general-ensuflierisRadīts sarunai: dzird, kad cilvēks ir beidzis runāt. Angļu valoda.
flux-general-multisuflierisTas pats desmit valodās, un saruna var pāriet no vienas uz otru.
enhanced, basepierakstiVecāki līmeņi; base paredzēts lieliem apjomiem.
whisperpierakstiWhisper, ko darbina Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2pierakstiVispārēja pielietojuma pierakstīšana vairāk nekā 90 valodās, ar runātāju atdalīšanu.
scribe_v2_realtimesuflierisscribe_v2 tiešā versija. Tālrunis to piedāvā suflierim.
scribe_v2_medicalpierakstiscribe_v2, pielāgots klīniskai skaņai.
scribe_v1pierakstiPirmā paaudze; novecojusi, izmantojiet scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedabiemPrecīzākais, sarunai vienā valodā. To saņem jauns šī veida atpazinējs.
standardabiemĀtrāks un lētāks, nedaudz mazāk precīzs.
melia-1pierakstiSaruna vairākās valodās, kas mainās teikuma vidū, atgriežas kā viens pieraksts. Tikai ierakstiem, ES un ASV reģionos; savas vārdnīcas un runātāju atzīmju vēl nav.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0abiemVienīgais pašreizējais modelis un noklusējums: 38 valodas, ko tas atpazīst pats. Faili līdz 500 MB; tiešā runa tiek sūtīta uz wss://api.x.ai.
grok-voice-transcribe-1.0pierakstiNovecojis: pakalpojums to novirza uz 2.0.
Soniox
https://api.soniox.com
stt-async-v5pierakstiVairāk nekā 60 valodas, ar runātāju atdalīšanu.
stt-rt-v5suflierisTieši, tajās pašās 60+ valodās, un dzird, kur beidzas replika. Tālrunis to piedāvā suflierim.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proabiemPrecīzākais modelis ierakstiem; 18 valodas, un saruna var pāriet no vienas uz otru.
universal-2pieraksti99 valodas, lētāks; AssemblyAI izmanto to valodai, ko universal-3-5-pro nepazīst.
universal-3-6-prosuflierisJaunākais AssemblyAI tiešais modelis, 32 valodas; pakalpojums to izmanto, ja modelis ir tukšs.
universal-streaming-multilingualsuflierisLētāka tiešā atpazīšana angļu, spāņu, vācu, franču, portugāļu un itāļu valodā.
universal-streaming-englishsuflierisLētāka tiešā atpazīšana, tikai angļu valodā.
Vosk (jūsu pašu datorā)
ws://localhost:2700
(iestata serverī)abiemBezmaksas un viegls; darbojas bez videokartes. Modelis ir tas, ar kuru palaists serveris, pa vienam katrai valodai, piemēram, vosk-model-en-us-0.22 vai mazais vosk-model-small-en-us-0.15.
WhisperLive (jūsu pašu datorā)
ws://localhost:9090
smallabiemWhisper tiešā straumē. Izmēru izvēlas kartītē: tiny, base, small (to piedāvā tālrunis), medium, large-v3; jo lielāks, jo precīzāks un jo vairāk tam vajag videokarti.
NVIDIA Riva (jūsu pašu datorā)
localhost:50051
(iestata serverī)abiemNVIDIA runas serveris datoram ar NVIDIA videokarti. Tas nodrošina tādus modeļus kā Parakeet un Canary.

Kas jāzina pirms izvēles:

  • Pieraksti vai suflieris. Tiešai runai paredzēts modelis nepieņem pabeigtu failu, un lielākā daļa failu modeļu nemāk klausīties tieši. Tāpēc kartītē ir divi lauki — Modelis pierakstiem un Modelis suflierim.
  • Faila izmērs. OpenAI pieņem failus līdz 25 MB, X.ai — līdz 500 MB. Gara saruna var būt lielāka, nekā mākoņpakalpojums pieņem.
  • Cena. Mākoņpakalpojumi ņem maksu par skaņas minūti, un tarifi atšķiras pēc modeļa un mainās; pirms maiņas apskatiet tos paša pakalpojuma lapā. Atpazinējs jūsu pašu datorā neko nemaksā.
  • Valodas. Katram pakalpojumam ir savs saraksts; pārbaudiet savējo un iestatiet kodu laukā Valoda atpazinēja paplašinātajos iestatījumos, ja tas min nepareizi.

Pakalpojuma modeļu saraksts bieži mainās. Ja vēlamā modeļa šeit nav, aktuālais saraksts ir paša pakalpojuma dokumentācijā — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva, — un Modelis ir nosaukums tieši tāds, kādu to dod pakalpojums.

Jūsu pašu modeļi​

Atpazinējam nav jābūt mākoņpakalpojumam. Tālrunis var izmantot jebkuru modeli, kas tiek piedāvāts caur ar OpenAI saderīgu API — saskarni POST /v1/audio/transcriptions —, neatkarīgi no tā, vai tas darbojas lokāli jūsu datorā vai jūsu serverī. Skaņa nekad neatstāj jūsu telpas, par minūtēm netiek ņemta maksa, un apjoms nav ierobežots.

Lai to pievienotu, nospiediet Pievienot un norādiet:

  • servera adresi līdz /v1 ieskaitot, piemēram, http://localhost:8000/v1 pašam datoram vai http://asr.local:8080/v1 serverim jūsu tīklā;
  • modeļa nosaukumu tieši tādu, kādu to uzskaita serveris, piemēram, openai/whisper-large-v3-turbo.

Ko var izmantot​

Parastā izvēle ir Whisper, OpenAI atvērtais runas atpazīšanas modelis. Tas ir bezmaksas, saprot apmēram simt valodu un ir pieejams vairākos izmēros: mazs modelis darbojas parastā datorā, lielie ir ievērojami precīzāki, un tiem labāk piemērota grafikas karte.

ModelisPiezīmes
whisper-large-v3Precīzākais Whisper. Serverim ar GPU.
openai/whisper-large-v3-turboĀtrāka large-v3 versija ar nelielu precizitātes zudumu.
Systran/faster-whisper-large-v3large-v3, pārveidots faster-whisper dzinējam; ātrāks un taupīgāks atmiņai.
medium, small, baseMazāki Whisper modeļi datoram bez grafikas kartes.

Whisper ir modelis, ap kuru šie serveri ir veidoti. Daži no tiem var piedāvāt arī citus runas atpazīšanas modeļus, piemēram, NVIDIA Parakeet.

Serveri, kas piedāvā ar OpenAI saderīgu API​

Modeli jādarbina serverim, kas piedāvā ar OpenAI saderīgu galapunktu /v1/audio/transcriptions. Šie to dara:

ServerisKas tas ir
vLLMAugstas veiktspējas modeļu serveris. Pēc palaišanas piedāvā Whisper adresē http://localhost:8000/v1.
SpeachesRunas modeļu serveris, „runas Ollama”, veidots uz faster-whisper. Ielādē modeli, kad to pirmo reizi pieprasa.
whisper.cppEfektīvi darbina Whisper uz procesora, arī Apple silicon. Tā whisper-server tiek palaists ar --inference-path /v1/audio/transcriptions.
LocalAITieša OpenAI aizstājēja, kas darbina modeļus lokāli.

Jebkurš cits serveris, kas piedāvā to pašu galapunktu, darbojas tāpat. Ja serverim vajadzīga atslēga, ievadiet to tāpat kā mākoņpakalpojumam.

Pirms paļaujaties uz serveri, veiciet pārbaudes ierakstu un apskatiet atšifrējumu ierakstu logā: saruna valodā, ko modelis pārzina vāji, to uzreiz parāda.