Saltar para o conteúdo principal

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:

TipoEndereço para as transcriçõesEndereço para o pontoModeloNa imagem
Compatível com OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, ao 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, ao vivo scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, ou eu., us., au. em vez de global. para uma regiãoenhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(vazio: o modelo por omissão do serviço), ao vivo grok-voice-transcribe-2.0X.ai · ao vivo grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(vazio: o modelo por omissão do serviço), ao vivo stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://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.

CampoO que é
NomeO nome nas listas.
TipoO 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 transcriçõesPara onde são enviadas as conversas terminadas.
Endereço para o pontoPara 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.
ChaveA chave do serviço. Fica no porta-chaves deste computador, nunca num ficheiro de definições.
TestarPergunta ao serviço e diz o que ele respondeu, por exemplo Respondeu, e oferece 3 modelos.
Modelo para as transcrições e Modelo para o pontoO 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 transcriçõesFaz deste o reconhecedor usado quando não escolhe outro.
Por omissão para o pontoFaz deste o reconhecedor com que um novo assistente do ponto escuta.
LigadoDesligado, o reconhecedor fica na lista e não é usado.

Definições avançadas abre o resto da ficha. Os valores que mais importam:

CampoO que faz
RegiãoA região do serviço, para um que tem várias.
Enviar os dois lados em separadoUma 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 falaDistingue as pessoas dentro de um canal, quando várias falam nele.
Escrever os números em algarismosQuantias, datas e números de telefone voltam como se escrevem, em vez de por extenso.
Limite de envio, Limite de duraçãoO maior ficheiro, em bytes, e a gravação mais longa, em segundos, que este telefone envia.
Pedidos em simultâneoQuantos pedidos podem estar em curso ao mesmo tempo.
Terminar uma resposta após, Juntar respostas curtas em, Pausa entre falasPara 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.
LínguaUm 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.
ExtrasUm name = value por linha, passado ao serviço tal como está. Deixe vazio, a não ser que o servidor documente alguma coisa.
Espera, minutosQuanto tempo esperar por uma transcrição. Vazio calcula-o a partir da duração da gravação.
Preço por minutoQuanto 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 endereçoModeloParaPara que serve
Compatível com OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribetranscriçõesO modelo que a OpenAI recomenda para fala gravada na sua língua original.
gpt-4o-transcribeambosTranscrição de uso geral. Um novo reconhecedor deste tipo recebe-o.
gpt-4o-mini-transcribeambosUma variante mais leve e barata do anterior.
gpt-4o-transcribe-diarizetranscriçõesMarca quem fala e quando. Use-o só se precisar disso.
whisper-1transcriçõesO modelo Whisper antigo, mantido para usos especiais como marcas de tempo por palavra e legendas.
gpt-live-transcribepontoO modelo ao vivo da OpenAI: as palavras chegam à medida que são ditas. O telefone oferece-o para o ponto.
Deepgram
https://api.deepgram.com/v1
nova-3ambosO melhor modelo de uso geral da Deepgram, para reuniões, som ruidoso e multilingue. Um novo reconhecedor deste tipo recebe-o.
nova-2ambosA geração anterior; mantenha-a para línguas que o nova-3 ainda não suporta.
nova-2-phonecallambosnova-2 afinado para o som estreito de uma linha telefónica. Inglês.
flux-general-enpontoFeito para a conversa: ouve quando alguém acabou de falar. Inglês.
flux-general-multipontoO mesmo em dez línguas, e uma conversa pode passar de uma para outra.
enhanced, basetranscriçõesNíveis mais antigos; base é para grandes volumes.
whispertranscriçõesWhisper, executado pela Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2transcriçõesTranscrição de uso geral em mais de 90 línguas, com separação de oradores.
scribe_v2_realtimepontoA versão ao vivo do scribe_v2. O telefone oferece-a para o ponto.
scribe_v2_medicaltranscriçõesscribe_v2 afinado para som clínico.
scribe_v1transcriçõesA primeira geração; obsoleta, use scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedambosO mais preciso, para uma conversa numa só língua. Um novo reconhecedor deste tipo recebe-o.
standardambosMais rápido e barato, um pouco menos preciso.
melia-1transcriçõesUma 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-2.0ambosO 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-1.0transcriçõesObsoleto: o serviço reencaminha-o para 2.0.
Soniox
https://api.soniox.com
stt-async-v5transcriçõesMais de 60 línguas, com separação de oradores.
stt-rt-v5pontoAo vivo, nas mesmas mais de 60 línguas, e ouve onde termina uma vez de falar. O telefone oferece-o para o ponto.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proambosO modelo mais preciso para gravações; 18 línguas, e uma conversa pode passar de uma para outra.
universal-2transcrições99 línguas, mais barato; a AssemblyAI recorre a ele para uma língua que o universal-3-5-pro não conhece.
universal-3-6-propontoO modelo ao vivo mais recente da AssemblyAI, 32 línguas; o serviço usa-o quando o modelo está vazio.
universal-streaming-multilingualpontoReconhecimento ao vivo mais barato em inglês, espanhol, alemão, francês, português e italiano.
universal-streaming-englishpontoReconhecimento ao vivo mais barato, só em inglês.
Vosk (na sua própria máquina)
ws://localhost:2700
(definido no servidor)ambosGratuito 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
smallambosWhisper 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)ambosO 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 /v1 inclusive, por exemplo http://localhost:8000/v1 para o próprio computador ou http://asr.local:8080/v1 para 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.

ModeloNotas
whisper-large-v3O Whisper mais preciso. Para um servidor com GPU.
openai/whisper-large-v3-turboUma versão mais rápida do large-v3, com uma pequena perda de precisão.
Systran/faster-whisper-large-v3O large-v3 convertido para o motor faster-whisper; mais rápido e mais leve na memória.
medium, small, baseModelos 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:

ServidorO que é
vLLMUm servidor de modelos de alto desempenho. Depois de arrancar, serve o Whisper em http://localhost:8000/v1.
SpeachesUm servidor de modelos de voz, «o Ollama da voz», assente no faster-whisper. Carrega um modelo da primeira vez que é pedido.
whisper.cppExecuta o Whisper com eficiência num CPU, incluindo Apple silicon. O seu whisper-server arranca com --inference-path /v1/audio/transcriptions.
LocalAIUm 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.