Przejdź do głównej treści

Transkrypcja

Ustawienia → Transkrypcja wymienia rozpoznawacze: usługi, które zamieniają dźwięk na tekst, dla zakończonych rozmów i — dla suflera — w trakcie rozmowy.

Rozmowa jest transkrybowana, gdy poprosisz o to w oknie nagrań, albo sama, jeśli w Przetwarzaniu włączone jest Przetwarzaj rozmowy automatycznie. Rozpoznawacz na Twojej własnej maszynie nic nie kosztuje; ten w chmurze pobiera opłatę za minutę dźwięku.

Rozpoznawacze​

Rozpoznawacz to usługa rozpoznawania mowy, do której telefon wysyła dźwięk. Dodaj dodaje nowy; przycisk Sprawdź na jego karcie sprawdza, czy usługa naprawdę odpowiada. Każdy jest na liście ze swoją nazwą, a pod nią z modelem i adresem swojej usługi. Tabela wymienia każdy rodzaj usługi obsługiwany przez telefon, tak jak oferuje je Rodzaj na karcie, z adresem i modelami, które dostaje nowy rozpoznawacz tego rodzaju; ostatnia kolumna pokazuje pięć ustawionych na obrazku:

RodzajAdres dla transkrypcjiAdres dla sufleraModelNa obrazku
Zgodny z OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, na żywo 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, na żywo scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com albo dla regionu eu., us., au. zamiast global.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(puste: domyślny model usługi), na żywo grok-voice-transcribe-2.0X.ai · na żywo grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(puste: domyślny model usługi), na żywo stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(puste: domyślny model usługi)—
Vosk (na twojej własnej maszynie)Twój serwer, na przykład ws://localhost:2700(ten sam serwer)(ustawiany na serwerze)Vosk · ws://localhost:2700
WhisperLive (na twojej własnej maszynie)Twój serwer, na przykład ws://localhost:9090(ten sam serwer)na żywo small—
NVIDIA Riva (na twojej własnej maszynie)Twój serwer, na przykład localhost:50051(ten sam serwer)(ustawiany na serwerze)—

Pole Adres dla suflera zawiera zwykle adres WebSocket: wss:// dla usługi w chmurze, ws:// dla serwera we własnej sieci; NVIDIA Riva podaje się jako host:port.

Dwa znaki po prawej stronie wiersza mówią, do czego rozpoznawacz jest domyślny. Zegar świeci przy domyślnym dla transkrypcji — na obrazku X.ai — używanym, gdy nie wybierzesz innego. Błyskawica świeci przy domyślnym dla suflera — na obrazku Vosk. Możesz mieć kilka rozpoznawaczy; lista rozwijana nad transkrypcją w oknie nagrań pokazuje transkrypcje zrobione przez każdy z nich.

Karta rozpoznawacza​

Kliknięcie rozpoznawacza otwiera jego kartę.

PoleCo to jest
NazwaNazwa na listach.
RodzajRodzaj usługi, od którego zależy, jak telefon z nią rozmawia: Zgodny z OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics i trzy działające na Twojej własnej maszynie — Vosk, WhisperLive i NVIDIA Riva.
Adres dla transkrypcjiDokąd wysyłane są zakończone rozmowy.
Adres dla sufleraDokąd płynie dźwięk na żywo w trakcie rozmowy. Zwykle adres WebSocket: wss:// dla usługi w chmurze, jak wss://api.x.ai na obrazku, ws:// dla serwera we własnej sieci. Puste jest wyliczane z adresu obok.
KluczKlucz usługi. Leży w pęku kluczy tego komputera, nigdy w pliku ustawień.
SprawdźPyta usługę i mówi, co odpowiedziała, na przykład Odpowiedział i oferuje 3 modele.
Model dla transkrypcji i Model dla sufleraModel dokładnie tak, jak nazywa go usługa. Puste nie wysyła nazwy modelu, a usługa używa własnego domyślnego; jeśli dostawca go publikuje, karta go podaje. Dla rodzaju bez wyboru pole nie jest pokazywane. Na obrazku xAI nie ma pola Model dla transkrypcji, a pole Model dla suflera ma wartość grok-voice-transcribe-2.0.
Domyślny dla transkrypcjiCzyni ten rozpoznawacz tym, którego używa się, gdy nie wybierzesz innego.
Domyślny dla sufleraCzyni ten rozpoznawacz tym, którym słucha nowy pomocnik suflera.
WłączonyWyłączony rozpoznawacz zostaje na liście, ale nie jest używany.

Ustawienia zaawansowane otwierają resztę karty. Wartości, które liczą się najbardziej:

PoleCo robi
RegionRegion usługi, jeśli ma ich kilka.
Wysyłaj obie strony osobnoPołączenie jest nagrywane z dwiema osobami na dwóch kanałach i właśnie po tym rozpoznawacz poznaje, kto co powiedział. Wyłącz dla serwera, który twierdzi, że to potrafi, a nie potrafi.
Pytaj, kto mówiRozróżnia osoby w jednym kanale, gdy mówi na nim kilka.
Zapisuj liczby cyframiKwoty, daty i numery telefonów wracają tak, jak się je pisze, a nie słownie.
Granica wysyłki, Granica długościNajwiększy plik w bajtach i najdłuższe nagranie w sekundach, które ten telefon wyśle.
Żądań narazIle żądań może być w toku jednocześnie.
Zakończ wypowiedź po, Łącz krótkie wypowiedzi w ciągu, Przerwa między wypowiedziamiDla suflera: ile czasu bez nowych słów kończy wypowiedź, ile krótka wypowiedź czeka na następną, by się z nią połączyć, i ile ciszy kończy kolejkę mówienia, gdy rozpoznawacz jej nie oznacza. W milisekundach.
JęzykDwuliterowy kod języka według ISO 639-1 (en, de, es, fr, sr…). Zostaw puste, a rozpoznawacz zdecyduje — to dobry wybór, chyba że Twoje rozmowy toczą się w języku, który on ciągle źle słyszy.
DodatkiJedno name = value w wierszu, przekazywane usłudze bez zmian. Zostaw puste, chyba że serwer coś dokumentuje.
Oczekiwanie, minutyJak długo czekać na transkrypcję. Puste wylicza to z długości nagrania.
Cena za minutęIle kosztuje minuta dźwięku na żywo według cennika usługi. Sufler pokazuje, ile kosztowała sesja, i zatrzymuje się na swoim miesięcznym limicie.

Rozpoznawanie na żywo dla suflera​

Sufler potrzebuje rozpoznawacza, który słucha, gdy ktoś mówi — strumieniem, a nie gotowym plikiem. Potrafią to te rodzaje: Deepgram, ElevenLabs (Scribe), xAI (Grok), Zgodny z OpenAI (z transkrypcją OpenAI w czasie rzeczywistym), AssemblyAI, Soniox i Speechmatics w chmurze oraz Vosk, WhisperLive i NVIDIA Riva na Twojej własnej maszynie. Rozpoznawacz na Twojej własnej maszynie zatrzymuje głos rozmówcy w firmie i nic nie kosztuje.

Jak go użyć: otwórz jego kartę, sprawdź pole Adres dla suflera — zwykle adres WebSocket, na przykład wss://api.x.ai dla X.ai, wss://api.deepgram.com dla Deepgram albo ws://localhost:2700 dla Vosk; puste jest wyliczane z pola Adres dla transkrypcji. Następnie wybierz Model dla suflera: modele na żywo często różnią się od modeli do plików — grok-voice-transcribe-2.0 dla X.ai, jak na karcie na obrazku, scribe_v2_realtime dla ElevenLabs, gpt-live-transcribe dla OpenAI, stt-rt-v5 dla Soniox. Naciśnij Sprawdź. Zaznacz Domyślny dla suflera, aby nowi pomocnicy słuchali właśnie nim.

Który model wybrać​

Tabela wymienia modele rozpoznawania mowy każdego rodzaju z listy Rodzaj. Pogrubione modele są ustawione na obrazku; dla rozpoznawacza X.ai model jest pusty, więc używany jest domyślny model usługi, grok-voice-transcribe-2.0. Puste jest tam pole Model dla transkrypcji; pole Model dla suflera ma ten sam model. Do czego mówi, do czego model jest zrobiony: do gotowych nagrań (transkrypcje), do mowy na żywo dla suflera (sufler) czy do obu.

Rodzaj i adresModelDo czegoCzemu służy
Zgodny z OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribetranskrypcjeModel, który OpenAI poleca do nagranej mowy w jej oryginalnym języku.
gpt-4o-transcribeobaTranskrypcja ogólnego przeznaczenia. Dostaje go nowy rozpoznawacz tego rodzaju.
gpt-4o-mini-transcribeobaLżejszy i tańszy wariant poprzedniego.
gpt-4o-transcribe-diarizetranskrypcjeOznacza, kto kiedy mówi. Używaj go tylko, jeśli tego potrzebujesz.
whisper-1transkrypcjeStarszy model Whisper, zachowany do szczególnych zastosowań, jak znaczniki czasu słów i napisy.
gpt-live-transcribesuflerModel OpenAI na żywo: słowa przychodzą w miarę, jak są wypowiadane. Telefon proponuje go dla suflera.
Deepgram
https://api.deepgram.com/v1
nova-3obaNajlepszy model ogólnego przeznaczenia Deepgram, do spotkań, hałaśliwego i wielojęzycznego dźwięku. Dostaje go nowy rozpoznawacz tego rodzaju.
nova-2obaPoprzednia generacja; zostaw ją dla języków, których nova-3 jeszcze nie obsługuje.
nova-2-phonecallobanova-2 dostrojony do wąskiego dźwięku linii telefonicznej. Angielski.
flux-general-ensuflerZrobiony do rozmowy: słyszy, kiedy ktoś skończył mówić. Angielski.
flux-general-multisuflerTo samo w dziesięciu językach, a rozmowa może przechodzić z jednego na drugi.
enhanced, basetranskrypcjeStarsze poziomy; base jest do dużych ilości.
whispertranskrypcjeWhisper uruchamiany przez Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2transkrypcjeTranskrypcja ogólnego przeznaczenia w ponad 90 językach, z rozdzielaniem mówców.
scribe_v2_realtimesuflerWersja scribe_v2 na żywo. Telefon proponuje ją dla suflera.
scribe_v2_medicaltranskrypcjescribe_v2 dostrojony do dźwięku klinicznego.
scribe_v1transkrypcjePierwsza generacja; przestarzała, używaj scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedobaNajdokładniejszy, do rozmowy w jednym języku. Dostaje go nowy rozpoznawacz tego rodzaju.
standardobaSzybszy i tańszy, nieco mniej dokładny.
melia-1transkrypcjeRozmowa w kilku językach, zmieniająca język w pół zdania, wraca jako jedna transkrypcja. Tylko nagrania, w regionach UE i USA; na razie bez własnego słownika i oznaczania mówców.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0obaJedyny obecny model i zarazem domyślny: 38 języków, rozpoznawanych samodzielnie. Pliki do 500 MB; mowa na żywo trafia do wss://api.x.ai.
grok-voice-transcribe-1.0transkrypcjePrzestarzały: usługa przekierowuje go na 2.0.
Soniox
https://api.soniox.com
stt-async-v5transkrypcjePonad 60 języków, z rozdzielaniem mówców.
stt-rt-v5suflerNa żywo, w tych samych ponad 60 językach, i słyszy, gdzie kończy się kolejka mówienia. Telefon proponuje go dla suflera.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proobaNajdokładniejszy model do nagrań; 18 języków, a rozmowa może przechodzić z jednego na drugi.
universal-2transkrypcje99 języków, tańszy; AssemblyAI sięga po niego dla języka, którego universal-3-5-pro nie zna.
universal-3-6-prosuflerNajnowszy model AssemblyAI na żywo, 32 języki; usługa używa go, gdy model jest pusty.
universal-streaming-multilingualsuflerTańsze rozpoznawanie na żywo po angielsku, hiszpańsku, niemiecku, francusku, portugalsku i włosku.
universal-streaming-englishsuflerTańsze rozpoznawanie na żywo, tylko po angielsku.
Vosk (na twojej własnej maszynie)
ws://localhost:2700
(ustawiany na serwerze)obaDarmowy i lekki; działa bez karty graficznej. Model to ten, z którym uruchomiono serwer, jeden na język, na przykład vosk-model-small-pl-0.22 lub vosk-model-en-us-0.22.
WhisperLive (na twojej własnej maszynie)
ws://localhost:9090
smallobaWhisper w strumieniu na żywo. Rozmiar wybiera się na karcie: tiny, base, small (proponowany przez telefon), medium, large-v3; im większy, tym dokładniejszy i tym bardziej potrzebuje karty graficznej.
NVIDIA Riva (na twojej własnej maszynie)
localhost:50051
(ustawiany na serwerze)obaSerwer mowy NVIDIA, dla komputera z kartą graficzną NVIDIA. Udostępnia modele takie jak Parakeet i Canary.

Co warto wiedzieć przed wyborem:

  • Transkrypcje czy sufler. Model do mowy na żywo nie przyjmuje gotowego pliku, a większość modeli do plików nie potrafi słuchać na żywo. Dlatego karta ma dwa pola: Model dla transkrypcji i Model dla suflera.
  • Rozmiar pliku. OpenAI przyjmuje pliki do 25 MB, X.ai do 500 MB. Długa rozmowa może być większa, niż przyjmuje usługa w chmurze.
  • Cena. Usługi w chmurze pobierają opłatę za minutę dźwięku, a stawki zależą od modelu i się zmieniają; sprawdź je na stronie usługi, zanim się przełączysz. Rozpoznawacz na Twojej własnej maszynie nic nie kosztuje.
  • Języki. Każda usługa ma własną listę; sprawdź swoją i ustaw kod w polu Język w ustawieniach zaawansowanych rozpoznawacza, jeśli zgaduje źle.

Lista modeli usługi często się zmienia. Jeśli brakuje tu modelu, którego chcesz, aktualna lista jest w dokumentacji samej usługi — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — a Model to nazwa dokładnie taka, jaką podaje usługa.

Twoje własne modele​

Rozpoznawacz nie musi być usługą w chmurze. Telefon może używać dowolnego modelu udostępnianego przez API zgodne z OpenAI — interfejs POST /v1/audio/transcriptions —, czy działa lokalnie na twoim komputerze, czy na twoim serwerze. Dźwięk nigdy nie opuszcza twojej siedziby, nic nie jest naliczane za minuty i nie ma ograniczenia ilości.

Aby go dodać, naciśnij Dodaj i podaj:

  • adres serwera do /v1 włącznie, na przykład http://localhost:8000/v1 dla samego komputera albo http://asr.local:8080/v1 dla serwera w twojej sieci;
  • nazwę modelu dokładnie w takiej postaci, w jakiej wymienia ją serwer, na przykład openai/whisper-large-v3-turbo.

Czego można używać​

Zwykłym wyborem jest Whisper, otwarty model rozpoznawania mowy od OpenAI. Jest darmowy, rozumie około stu języków i występuje w kilku rozmiarach: mały model działa na zwykłym komputerze, duże są wyraźnie dokładniejsze i najlepiej dać im kartę graficzną.

ModelUwagi
whisper-large-v3Najdokładniejszy Whisper. Do serwera z GPU.
openai/whisper-large-v3-turboSzybsza wersja large-v3 z niewielką utratą dokładności.
Systran/faster-whisper-large-v3large-v3 przekonwertowany dla silnika faster-whisper; szybszy i oszczędniejszy dla pamięci.
medium, small, baseMniejsze modele Whisper, do komputera bez karty graficznej.

Whisper to model, wokół którego zbudowano te serwery. Niektóre z nich mogą też udostępniać inne modele rozpoznawania mowy, na przykład NVIDIA Parakeet.

Serwery udostępniające API zgodne z OpenAI​

Model musi uruchamiać serwer, który udostępnia zgodny z OpenAI punkt końcowy /v1/audio/transcriptions. Te to robią:

SerwerCo to jest
vLLMWydajny serwer modeli. Po uruchomieniu udostępnia Whisper pod http://localhost:8000/v1.
SpeachesSerwer modeli mowy, „Ollama dla mowy”, zbudowany na faster-whisper. Wczytuje model przy pierwszym żądaniu.
whisper.cppWydajnie uruchamia Whisper na procesorze, także na Apple silicon. Jego whisper-server uruchamia się z --inference-path /v1/audio/transcriptions.
LocalAIBezpośredni zamiennik OpenAI, który uruchamia modele lokalnie.

Każdy inny serwer udostępniający ten sam punkt końcowy działa tak samo. Jeśli serwer wymaga klucza, wpisz go tak jak dla usługi w chmurze.

Zanim zaczniesz polegać na serwerze, zrób nagranie testowe i obejrzyj transkrypcję w oknie nagrań: rozmowa w języku, który model słabo zna, od razu to pokaże.