Transcrição
Definições → Transcrição lista os reconhecedores: os serviços que transformam o som em texto, para as conversas terminadas e, para o ponto, enquanto uma conversa decorre.
Uma conversa é transcrita quando o pede na janela de gravações, ou sozinha se Processar as conversas automaticamente estiver ligado em Processamento. Um reconhecedor na sua própria máquina não custa nada; um na nuvem cobra por minuto de som.
Reconhecedores
Um reconhecedor é um serviço de reconhecimento de fala para o qual o telefone envia o som. Adicionar acrescenta um; o botão Testar da sua ficha verifica que o serviço responde mesmo. Cada um aparece na lista com o seu nome e, por baixo, o modelo e o endereço do seu serviço. A tabela lista cada tipo de serviço que o telefone suporta, tal como Tipo na ficha os oferece, com o endereço e os modelos que um novo reconhecedor desse tipo recebe; a última coluna mostra os cinco configurados na imagem:
| Tipo | Endereço para as transcrições | Endereço para o ponto | Modelo | Na imagem |
|---|---|---|---|---|
| Compatível com OpenAI (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, ao vivo 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, ao vivo scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, ou eu., us., au. em vez de global. para uma região | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (vazio: o modelo por omissão do serviço), ao vivo grok-voice-transcribe-2.0 | X.ai · ao vivo grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (vazio: o modelo por omissão do serviço), ao vivo stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://streaming.assemblyai.com | (vazio: o modelo por omissão do serviço) | — |
| Vosk (na sua própria máquina) | o seu servidor, por exemplo ws://localhost:2700 | (o mesmo servidor) | (definido no servidor) | Vosk · ws://localhost:2700 |
| WhisperLive (na sua própria máquina) | o seu servidor, por exemplo ws://localhost:9090 | (o mesmo servidor) | ao vivo small | — |
| NVIDIA Riva (na sua própria máquina) | o seu servidor, por exemplo localhost:50051 | (o mesmo servidor) | (definido no servidor) | — |
O Endereço para o ponto é normalmente um endereço WebSocket: wss:// para um serviço na nuvem, ws:// para um servidor da sua rede; o NVIDIA Riva indica-se como anfitrião:porta.
As duas marcas à direita de uma linha dizem para que é o reconhecedor por omissão. O relógio acende-se no reconhecedor por omissão para as transcrições — X.ai na imagem —, usado quando não escolhe outro. O relâmpago acende-se no reconhecedor por omissão para o ponto — Vosk na imagem. Pode ter vários reconhecedores; a lista pendente por cima de uma transcrição na janela de gravações mostra as transcrições feitas por cada um.
A ficha do reconhecedor
Premir um reconhecedor abre a sua ficha.
| Campo | O que é |
|---|---|
| Nome | O nome nas listas. |
| Tipo | O tipo de serviço, que decide como o telefone fala com ele: Compatível com OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics, e três que correm na sua própria máquina — Vosk, WhisperLive e NVIDIA Riva. |
| Endereço para as transcrições | Para onde são enviadas as conversas terminadas. |
| Endereço para o ponto | Para onde vai o som ao vivo enquanto uma conversa decorre. Normalmente um endereço WebSocket: wss:// para um serviço na nuvem, como wss://api.x.ai na imagem, ws:// para um servidor da sua rede. Vazio é deduzido do endereço ao lado. |
| Chave | A chave do serviço. Fica no porta-chaves deste computador, nunca num ficheiro de definições. |
| Testar | Pergunta ao serviço e diz o que ele respondeu, por exemplo Respondeu, e oferece 3 modelos. |
| Modelo para as transcrições e Modelo para o ponto | O modelo, exatamente como o serviço o chama. Vazio não envia nome de modelo, e o serviço usa o seu próprio modelo por omissão; quando o fornecedor publica um, a ficha indica-o. O campo não aparece para um tipo que não dá escolha. Na imagem, o xAI não tem Modelo para as transcrições, e o Modelo para o ponto é grok-voice-transcribe-2.0. |
| Por omissão para as transcrições | Faz deste o reconhecedor usado quando não escolhe outro. |
| Por omissão para o ponto | Faz deste o reconhecedor com que um novo assistente do ponto escuta. |
| Ligado | Desligado, o reconhecedor fica na lista e não é usado. |
Definições avançadas abre o resto da ficha. Os valores que mais importam:
| Campo | O que faz |
|---|---|
| Região | A região do serviço, para um que tem várias. |
| Enviar os dois lados em separado | Uma chamada é gravada com as duas pessoas em dois canais, e é isso que diz ao reconhecedor quem disse o quê. Desligue-o para um servidor que diz saber fazê-lo e não sabe. |
| Perguntar quem fala | Distingue as pessoas dentro de um canal, quando várias falam nele. |
| Escrever os números em algarismos | Quantias, datas e números de telefone voltam como se escrevem, em vez de por extenso. |
| Limite de envio, Limite de duração | O maior ficheiro, em bytes, e a gravação mais longa, em segundos, que este telefone envia. |
| Pedidos em simultâneo | Quantos pedidos podem estar em curso ao mesmo tempo. |
| Terminar uma resposta após, Juntar respostas curtas em, Pausa entre falas | Para o ponto: quanto tempo sem palavras novas termina uma resposta, quanto tempo uma resposta curta espera pela seguinte para lhe ser junta, e quanto silêncio termina uma vez de falar onde o reconhecedor não marca nenhuma. Em milissegundos. |
| Língua | Um código de língua de duas letras segundo a ISO 639-1 (en, de, es, fr, sr…). Deixe-o vazio e o reconhecedor decide — é o certo, a não ser que as suas chamadas sejam numa língua que ele percebe mal repetidamente. |
| Extras | Um name = value por linha, passado ao serviço tal como está. Deixe vazio, a não ser que o servidor documente alguma coisa. |
| Espera, minutos | Quanto tempo esperar por uma transcrição. Vazio calcula-o a partir da duração da gravação. |
| Preço por minuto | Quanto custa um minuto de som ao vivo, segundo a tabela de preços do serviço. O ponto mostra quanto custou uma sessão e para no seu teto mensal. |
Reconhecimento ao vivo para o ponto
O ponto precisa de um reconhecedor que escute enquanto alguém fala, por um fluxo e não com um ficheiro terminado. Estes tipos conseguem: Deepgram, ElevenLabs (Scribe), xAI (Grok), Compatível com OpenAI (com a transcrição em tempo real da OpenAI), AssemblyAI, Soniox e Speechmatics na nuvem e Vosk, WhisperLive e NVIDIA Riva na sua própria máquina. Um reconhecedor na sua própria máquina mantém a voz do interlocutor dentro de portas e não cobra nada.
Para usar um: abra a sua ficha, verifique o Endereço para o ponto — normalmente um endereço WebSocket, por exemplo wss://api.x.ai para o X.ai, wss://api.deepgram.com para o Deepgram ou ws://localhost:2700 para o Vosk; vazio, é deduzido do Endereço para as transcrições. Depois escolha o Modelo para o ponto: os modelos ao vivo são muitas vezes diferentes dos de ficheiros — grok-voice-transcribe-2.0 para o X.ai, como na ficha da imagem, scribe_v2_realtime para o ElevenLabs, gpt-live-transcribe para o OpenAI, stt-rt-v5 para o Soniox. Prima Testar. Marque Por omissão para o ponto para que os novos assistentes escutem com ele.
Que modelo escolher
A tabela lista os modelos de reconhecimento de fala de cada tipo da lista Tipo. Os modelos a negrito são os configurados na imagem; para o reconhecedor X.ai o modelo está vazio, por isso é usado o modelo por omissão do serviço, grok-voice-transcribe-2.0. O que lá está vazio é o Modelo para as transcrições; o Modelo para o ponto tem o mesmo modelo. Para diz para que serve um modelo: gravações terminadas (transcrições), fala ao vivo para o ponto (ponto), ou ambos.
| Tipo e endereço | Modelo | Para | Para que serve |
|---|---|---|---|
Compatível com OpenAI (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | transcrições | O modelo que a OpenAI recomenda para fala gravada na sua língua original. |
gpt-4o-transcribe | ambos | Transcrição de uso geral. Um novo reconhecedor deste tipo recebe-o. | |
gpt-4o-mini-transcribe | ambos | Uma variante mais leve e barata do anterior. | |
gpt-4o-transcribe-diarize | transcrições | Marca quem fala e quando. Use-o só se precisar disso. | |
whisper-1 | transcrições | O modelo Whisper antigo, mantido para usos especiais como marcas de tempo por palavra e legendas. | |
gpt-live-transcribe | ponto | O modelo ao vivo da OpenAI: as palavras chegam à medida que são ditas. O telefone oferece-o para o ponto. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | ambos | O melhor modelo de uso geral da Deepgram, para reuniões, som ruidoso e multilingue. Um novo reconhecedor deste tipo recebe-o. |
nova-2 | ambos | A geração anterior; mantenha-a para línguas que o nova-3 ainda não suporta. | |
nova-2-phonecall | ambos | nova-2 afinado para o som estreito de uma linha telefónica. Inglês. | |
flux-general-en | ponto | Feito para a conversa: ouve quando alguém acabou de falar. Inglês. | |
flux-general-multi | ponto | O mesmo em dez línguas, e uma conversa pode passar de uma para outra. | |
enhanced, base | transcrições | Níveis mais antigos; base é para grandes volumes. | |
whisper | transcrições | Whisper, executado pela Deepgram. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | transcrições | Transcrição de uso geral em mais de 90 línguas, com separação de oradores. |
scribe_v2_realtime | ponto | A versão ao vivo do scribe_v2. O telefone oferece-a para o ponto. | |
scribe_v2_medical | transcrições | scribe_v2 afinado para som clínico. | |
scribe_v1 | transcrições | A primeira geração; obsoleta, use scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | ambos | O mais preciso, para uma conversa numa só língua. Um novo reconhecedor deste tipo recebe-o. |
standard | ambos | Mais rápido e barato, um pouco menos preciso. | |
melia-1 | transcrições | Uma conversa em várias línguas, que muda a meio da frase, volta como uma só transcrição. Só gravações, nas regiões UE e EUA; ainda sem dicionário próprio nem etiquetas de oradores. | |
xAI (Grok)https://api.x.ai/v1 | grok-voice-transcribe-2.0 | ambos | O único modelo atual e o predefinido: 38 línguas, que reconhece por si. Ficheiros até 500 MB; a fala ao vivo vai para wss://api.x.ai. |
grok-voice-transcribe-1.0 | transcrições | Obsoleto: o serviço reencaminha-o para 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | transcrições | Mais de 60 línguas, com separação de oradores. |
stt-rt-v5 | ponto | Ao vivo, nas mesmas mais de 60 línguas, e ouve onde termina uma vez de falar. O telefone oferece-o para o ponto. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | ambos | O modelo mais preciso para gravações; 18 línguas, e uma conversa pode passar de uma para outra. |
universal-2 | transcrições | 99 línguas, mais barato; a AssemblyAI recorre a ele para uma língua que o universal-3-5-pro não conhece. | |
universal-3-6-pro | ponto | O modelo ao vivo mais recente da AssemblyAI, 32 línguas; o serviço usa-o quando o modelo está vazio. | |
universal-streaming-multilingual | ponto | Reconhecimento ao vivo mais barato em inglês, espanhol, alemão, francês, português e italiano. | |
universal-streaming-english | ponto | Reconhecimento ao vivo mais barato, só em inglês. | |
Vosk (na sua própria máquina)ws://localhost:2700 | (definido no servidor) | ambos | Gratuito e leve; corre sem placa gráfica. O modelo é aquele com que o servidor foi arrancado, um por língua, por exemplo vosk-model-en-us-0.22 ou o pequeno vosk-model-small-pt-0.3. |
WhisperLive (na sua própria máquina)ws://localhost:9090 | small | ambos | Whisper sobre um fluxo ao vivo. O tamanho escolhe-se na ficha: tiny, base, small (o que o telefone oferece), medium, large-v3; quanto maior, mais preciso, e mais pede uma placa gráfica. |
NVIDIA Riva (na sua própria máquina)localhost:50051 | (definido no servidor) | ambos | O servidor de fala da NVIDIA, para um computador com placa gráfica NVIDIA. Serve modelos como Parakeet e Canary. |
O que convém saber antes de escolher:
- Transcrições ou ponto. Um modelo feito para fala ao vivo não aceita um ficheiro terminado, e a maioria dos modelos para ficheiros não sabe escutar ao vivo. Por isso uma ficha tem dois campos, Modelo para as transcrições e Modelo para o ponto.
- Tamanho do ficheiro. A OpenAI aceita ficheiros até 25 MB; a X.ai até 500 MB. Uma conversa longa pode ser maior do que um serviço na nuvem aceita.
- Preço. Os serviços na nuvem cobram por minuto de som, e as tarifas variam por modelo e mudam; consulte-as na página do próprio serviço antes de mudar. Um reconhecedor na sua própria máquina não custa nada.
- Línguas. Cada serviço tem a sua lista; verifique a sua e defina o código em Língua, nas definições avançadas do reconhecedor, se ele adivinhar mal.
A lista de modelos de um serviço muda muitas vezes. Se faltar aqui um modelo que quer, a documentação do próprio serviço tem a lista atual — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — e o Modelo é o nome exatamente como o serviço o dá.
Os seus próprios modelos
Um reconhecedor não tem de ser um serviço na nuvem. O telefone pode usar qualquer modelo servido através da API compatível com a OpenAI — a interface POST /v1/audio/transcriptions —, quer corra localmente no seu computador quer num servidor seu. O áudio nunca sai das suas instalações, nada é cobrado ao minuto e não há limite de volume.
Para adicionar um, carregue em Adicionar e indique:
- o endereço do servidor, até
/v1inclusive, por exemplohttp://localhost:8000/v1para o próprio computador ouhttp://asr.local:8080/v1para um servidor da sua rede; - o nome do modelo exatamente como o servidor o lista, por exemplo
openai/whisper-large-v3-turbo.
O que se pode usar
A escolha habitual é o Whisper, o modelo aberto de reconhecimento de voz da OpenAI. É gratuito, percebe cerca de cem línguas e existe em vários tamanhos: um modelo pequeno corre num computador comum, os grandes são bastante mais precisos e é melhor dar-lhes uma placa gráfica.
| Modelo | Notas |
|---|---|
whisper-large-v3 | O Whisper mais preciso. Para um servidor com GPU. |
openai/whisper-large-v3-turbo | Uma versão mais rápida do large-v3, com uma pequena perda de precisão. |
Systran/faster-whisper-large-v3 | O large-v3 convertido para o motor faster-whisper; mais rápido e mais leve na memória. |
medium, small, base | Modelos Whisper mais pequenos, para um computador sem placa gráfica. |
O Whisper é o modelo à volta do qual estes servidores são construídos. Alguns também conseguem servir outros modelos de reconhecimento de voz, como o NVIDIA Parakeet.
Servidores que oferecem a API compatível com a OpenAI
O modelo tem de ser executado por um servidor que ofereça o ponto de acesso /v1/audio/transcriptions compatível com a OpenAI. Estes fazem-no:
| Servidor | O que é |
|---|---|
| vLLM | Um servidor de modelos de alto desempenho. Depois de arrancar, serve o Whisper em http://localhost:8000/v1. |
| Speaches | Um servidor de modelos de voz, «o Ollama da voz», assente no faster-whisper. Carrega um modelo da primeira vez que é pedido. |
| whisper.cpp | Executa o Whisper com eficiência num CPU, incluindo Apple silicon. O seu whisper-server arranca com --inference-path /v1/audio/transcriptions. |
| LocalAI | Um substituto direto da OpenAI que executa modelos localmente. |
Qualquer outro servidor que ofereça o mesmo ponto de acesso funciona da mesma maneira. Se um servidor precisar de uma chave, introduza-a como para um serviço na nuvem.
Antes de confiar num servidor, faça uma gravação de teste e veja a transcrição na janela de gravações: uma conversa numa língua que o modelo conhece mal mostra-o logo.