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:
| Rodzaj | Adres dla transkrypcji | Adres dla suflera | Model | Na obrazku |
|---|---|---|---|---|
| Zgodny z OpenAI (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, na żywo 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, na żywo scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com albo dla regionu eu., us., au. zamiast global. | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (puste: domyślny model usługi), na żywo grok-voice-transcribe-2.0 | X.ai · na żywo grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (puste: domyślny model usługi), na żywo stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://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.
| Pole | Co to jest |
|---|---|
| Nazwa | Nazwa na listach. |
| Rodzaj | Rodzaj 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 transkrypcji | Dokąd wysyłane są zakończone rozmowy. |
| Adres dla suflera | Dokąd 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. |
| Klucz | Klucz usługi. Leży w pęku kluczy tego komputera, nigdy w pliku ustawień. |
| Sprawdź | Pyta usługę i mówi, co odpowiedziała, na przykład Odpowiedział i oferuje 3 modele. |
| Model dla transkrypcji i Model dla suflera | Model 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 transkrypcji | Czyni ten rozpoznawacz tym, którego używa się, gdy nie wybierzesz innego. |
| Domyślny dla suflera | Czyni ten rozpoznawacz tym, którym słucha nowy pomocnik suflera. |
| Włączony | Wyłączony rozpoznawacz zostaje na liście, ale nie jest używany. |
Ustawienia zaawansowane otwierają resztę karty. Wartości, które liczą się najbardziej:
| Pole | Co robi |
|---|---|
| Region | Region usługi, jeśli ma ich kilka. |
| Wysyłaj obie strony osobno | Połączenie 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 mówi | Rozróżnia osoby w jednym kanale, gdy mówi na nim kilka. |
| Zapisuj liczby cyframi | Kwoty, daty i numery telefonów wracają tak, jak się je pisze, a nie słownie. |
| Granica wysyłki, Granica długości | Największy plik w bajtach i najdłuższe nagranie w sekundach, które ten telefon wyśle. |
| Żądań naraz | Ile żądań może być w toku jednocześnie. |
| Zakończ wypowiedź po, Łącz krótkie wypowiedzi w ciągu, Przerwa między wypowiedziami | Dla 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. |
| Język | Dwuliterowy 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. |
| Dodatki | Jedno name = value w wierszu, przekazywane usłudze bez zmian. Zostaw puste, chyba że serwer coś dokumentuje. |
| Oczekiwanie, minuty | Jak długo czekać na transkrypcję. Puste wylicza to z długości nagrania. |
| Cena za minutę | Ile 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 adres | Model | Do czego | Czemu służy |
|---|---|---|---|
Zgodny z OpenAI (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | transkrypcje | Model, który OpenAI poleca do nagranej mowy w jej oryginalnym języku. |
gpt-4o-transcribe | oba | Transkrypcja ogólnego przeznaczenia. Dostaje go nowy rozpoznawacz tego rodzaju. | |
gpt-4o-mini-transcribe | oba | Lżejszy i tańszy wariant poprzedniego. | |
gpt-4o-transcribe-diarize | transkrypcje | Oznacza, kto kiedy mówi. Używaj go tylko, jeśli tego potrzebujesz. | |
whisper-1 | transkrypcje | Starszy model Whisper, zachowany do szczególnych zastosowań, jak znaczniki czasu słów i napisy. | |
gpt-live-transcribe | sufler | Model OpenAI na żywo: słowa przychodzą w miarę, jak są wypowiadane. Telefon proponuje go dla suflera. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | oba | Najlepszy model ogólnego przeznaczenia Deepgram, do spotkań, hałaśliwego i wielojęzycznego dźwięku. Dostaje go nowy rozpoznawacz tego rodzaju. |
nova-2 | oba | Poprzednia generacja; zostaw ją dla języków, których nova-3 jeszcze nie obsługuje. | |
nova-2-phonecall | oba | nova-2 dostrojony do wąskiego dźwięku linii telefonicznej. Angielski. | |
flux-general-en | sufler | Zrobiony do rozmowy: słyszy, kiedy ktoś skończył mówić. Angielski. | |
flux-general-multi | sufler | To samo w dziesięciu językach, a rozmowa może przechodzić z jednego na drugi. | |
enhanced, base | transkrypcje | Starsze poziomy; base jest do dużych ilości. | |
whisper | transkrypcje | Whisper uruchamiany przez Deepgram. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | transkrypcje | Transkrypcja ogólnego przeznaczenia w ponad 90 językach, z rozdzielaniem mówców. |
scribe_v2_realtime | sufler | Wersja scribe_v2 na żywo. Telefon proponuje ją dla suflera. | |
scribe_v2_medical | transkrypcje | scribe_v2 dostrojony do dźwięku klinicznego. | |
scribe_v1 | transkrypcje | Pierwsza generacja; przestarzała, używaj scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | oba | Najdokładniejszy, do rozmowy w jednym języku. Dostaje go nowy rozpoznawacz tego rodzaju. |
standard | oba | Szybszy i tańszy, nieco mniej dokładny. | |
melia-1 | transkrypcje | Rozmowa 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-2.0 | oba | Jedyny 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-1.0 | transkrypcje | Przestarzały: usługa przekierowuje go na 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | transkrypcje | Ponad 60 języków, z rozdzielaniem mówców. |
stt-rt-v5 | sufler | Na żywo, w tych samych ponad 60 językach, i słyszy, gdzie kończy się kolejka mówienia. Telefon proponuje go dla suflera. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | oba | Najdokładniejszy model do nagrań; 18 języków, a rozmowa może przechodzić z jednego na drugi. |
universal-2 | transkrypcje | 99 języków, tańszy; AssemblyAI sięga po niego dla języka, którego universal-3-5-pro nie zna. | |
universal-3-6-pro | sufler | Najnowszy model AssemblyAI na żywo, 32 języki; usługa używa go, gdy model jest pusty. | |
universal-streaming-multilingual | sufler | Tańsze rozpoznawanie na żywo po angielsku, hiszpańsku, niemiecku, francusku, portugalsku i włosku. | |
universal-streaming-english | sufler | Tańsze rozpoznawanie na żywo, tylko po angielsku. | |
Vosk (na twojej własnej maszynie)ws://localhost:2700 | (ustawiany na serwerze) | oba | Darmowy 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 | small | oba | Whisper 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) | oba | Serwer 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
/v1włącznie, na przykładhttp://localhost:8000/v1dla samego komputera albohttp://asr.local:8080/v1dla 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.
| Model | Uwagi |
|---|---|
whisper-large-v3 | Najdokładniejszy Whisper. Do serwera z GPU. |
openai/whisper-large-v3-turbo | Szybsza wersja large-v3 z niewielką utratą dokładności. |
Systran/faster-whisper-large-v3 | large-v3 przekonwertowany dla silnika faster-whisper; szybszy i oszczędniejszy dla pamięci. |
medium, small, base | Mniejsze 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:
| Serwer | Co to jest |
|---|---|
| vLLM | Wydajny serwer modeli. Po uruchomieniu udostępnia Whisper pod http://localhost:8000/v1. |
| Speaches | Serwer modeli mowy, „Ollama dla mowy”, zbudowany na faster-whisper. Wczytuje model przy pierwszym żądaniu. |
| whisper.cpp | Wydajnie uruchamia Whisper na procesorze, także na Apple silicon. Jego whisper-server uruchamia się z --inference-path /v1/audio/transcriptions. |
| LocalAI | Bezpośredni 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.