Salt la conținutul principal

Transcriere

Setări → Transcriere enumeră recunoscătoarele: serviciile care transformă sunetul în text, pentru conversațiile încheiate și, pentru sufleur, în timpul unei conversații.

O conversație este transcrisă când cereți acest lucru în fereastra Înregistrări, sau de la sine, dacă în Prelucrare este pornit Prelucrează conversațiile automat. Un recunoscător pe propria dumneavoastră mașină nu costă nimic; unul în cloud taxează minutul de sunet.

Recunoscătoare​

Un recunoscător este un serviciu de recunoaștere a vorbirii căruia telefonul îi trimite sunetul. Adaugă adaugă unul nou; butonul Verifică de pe fișa lui verifică dacă serviciul chiar răspunde. Fiecare apare în listă cu numele său și, dedesubt, cu modelul și adresa serviciului său. Tabelul enumeră fiecare fel de serviciu pe care îl suportă telefonul, așa cum le oferă Fel pe fișă, cu adresa și modelele pe care le primește un recunoscător nou de acest fel; ultima coloană arată cele cinci configurate în imagine:

FelAdresă pentru transcrieriAdresă pentru sufleurModelÎn imagine
Compatibil OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, în direct 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, în direct scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com sau, pentru o regiune, eu., us., au. în loc de global.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(gol: modelul implicit al serviciului), în direct grok-voice-transcribe-2.0X.ai · în direct grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(gol: modelul implicit al serviciului), în direct stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(gol: modelul implicit al serviciului)—
Vosk (pe propria dumneavoastră mașină)serverul dumneavoastră, de exemplu ws://localhost:2700(același server)(se setează pe server)Vosk · ws://localhost:2700
WhisperLive (pe propria dumneavoastră mașină)serverul dumneavoastră, de exemplu ws://localhost:9090(același server)în direct small—
NVIDIA Riva (pe propria dumneavoastră mașină)serverul dumneavoastră, de exemplu localhost:50051(același server)(se setează pe server)—

Câmpul Adresă pentru sufleur conține de obicei o adresă WebSocket: wss:// pentru un serviciu în cloud, ws:// pentru un server din rețeaua proprie; NVIDIA Riva se indică sub forma gazdă:port.

Cele două semne din dreapta unui rând spun pentru ce este recunoscătorul implicit. Ceasul se aprinde la cel implicit pentru transcrieri — X.ai în imagine —, folosit când nu alegeți altul. Fulgerul se aprinde la cel implicit pentru sufleur — Vosk în imagine. Puteți păstra mai multe recunoscătoare; lista derulantă de deasupra unei transcrieri din fereastra Înregistrări arată transcrierile făcute de fiecare dintre ele.

Fișa recunoscătorului​

Un clic pe un recunoscător îi deschide fișa.

CâmpCe este
NumeNumele din liste.
FelFelul serviciului, care hotărăște cum vorbește telefonul cu el: Compatibil OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics și trei care rulează pe propria dumneavoastră mașină — Vosk, WhisperLive și NVIDIA Riva.
Adresă pentru transcrieriUnde sunt trimise conversațiile încheiate.
Adresă pentru sufleurUnde merge sunetul în direct în timpul unei conversații. De obicei o adresă WebSocket: wss:// pentru un serviciu în cloud, ca wss://api.x.ai din imagine, ws:// pentru un server din rețeaua proprie. Gol se deduce din adresa alăturată.
CheieCheia serviciului. Stă în portcheiul acestui calculator, niciodată într-un fișier de setări.
VerificăÎntreabă serviciul și spune ce a răspuns, de exemplu A răspuns și oferă 3 modele.
Model pentru transcrieri și Model pentru sufleurModelul, exact cum îl numește serviciul. Gol nu trimite niciun nume de model, iar serviciul folosește modelul său implicit; acolo unde furnizorul publică unul, fișa îl numește. Câmpul nu apare la un fel care nu oferă alegere. În imagine, xAI nu are câmpul Model pentru transcrieri, iar Model pentru sufleur este grok-voice-transcribe-2.0.
Implicit pentru transcrieriÎl face recunoscătorul folosit când nu alegeți altul.
Implicit pentru sufleurÎl face recunoscătorul cu care ascultă un asistent nou al sufleurului.
PornitOprit, recunoscătorul rămâne în listă și nu este folosit.

Setări avansate deschide restul fișei. Valorile care contează cel mai mult:

CâmpCe face
RegiuneRegiunea serviciului, pentru unul care are mai multe.
Trimite cele două părți separatUn apel este înregistrat cu cele două persoane pe două canale, iar din asta știe recunoscătorul cine ce a spus. Opriți-l pentru un server care spune că poate face asta și nu poate.
Întreabă cine vorbeșteDeosebește persoanele din același canal, când vorbesc mai multe pe el.
Scrie numerele cu cifreSumele, datele și numerele de telefon vin înapoi așa cum se scriu, nu în litere.
Limita de încărcare, Limita de duratăCel mai mare fișier, în octeți, și cea mai lungă înregistrare, în secunde, pe care le trimite acest telefon.
Cereri deodatăCâte cereri pot fi în desfășurare în același timp.
Încheie o replică după, Unește replicile scurte în, Pauza dintre repliciPentru sufleur: cât timp fără cuvinte noi încheie o replică, cât așteaptă o replică scurtă pe următoarea ca să fie unită cu ea și câtă tăcere încheie o intervenție acolo unde recunoscătorul nu o marchează. În milisecunde.
LimbăUn cod de limbă din două litere conform ISO 639-1 (en, de, es, fr, sr…). Lăsați-l gol și decide recunoscătorul — este bine așa, în afară de cazul în care apelurile dumneavoastră sunt într-o limbă pe care o aude mereu greșit.
SuplimenteCâte un name = value pe rând, transmis serviciului ca atare. Lăsați gol, dacă serverul nu documentează ceva.
Așteptare, minuteCât să se aștepte o transcriere. Gol o calculează din durata înregistrării.
Preț pe minutCât costă un minut de sunet în direct, după lista de prețuri a serviciului. Sufleurul arată cât a costat o sesiune și se oprește la plafonul lunar.

Recunoaștere în direct pentru sufleur​

Sufleurul are nevoie de un recunoscător care ascultă în timp ce cineva vorbește, printr-un flux, nu cu un fișier încheiat. Aceste feluri pot: Deepgram, ElevenLabs (Scribe), xAI (Grok), Compatibil OpenAI (cu transcrierea în timp real a OpenAI), AssemblyAI, Soniox și Speechmatics în cloud și Vosk, WhisperLive și NVIDIA Riva pe propria dumneavoastră mașină. Un recunoscător pe propria mașină păstrează vocea interlocutorului în casă și nu costă nimic.

Ca să folosiți unul: deschideți-i fișa, verificați câmpul Adresă pentru sufleur — de obicei o adresă WebSocket, de exemplu wss://api.x.ai pentru X.ai, wss://api.deepgram.com pentru Deepgram sau ws://localhost:2700 pentru Vosk; gol, este dedus din câmpul Adresă pentru transcrieri. Apoi alegeți Model pentru sufleur: modelele în direct diferă adesea de cele pentru fișiere — grok-voice-transcribe-2.0 pentru X.ai, ca în fișa din imagine, scribe_v2_realtime pentru ElevenLabs, gpt-live-transcribe pentru OpenAI, stt-rt-v5 pentru Soniox. Apăsați Verifică. Bifați Implicit pentru sufleur ca asistenții noi să asculte cu el.

Ce model să alegeți​

Tabelul enumeră modelele de recunoaștere a vorbirii ale fiecărui fel din lista Fel. Modelele cu aldine sunt cele configurate în imagine; la recunoscătorul X.ai modelul este gol, așa că se folosește modelul implicit al serviciului, grok-voice-transcribe-2.0. Gol acolo este câmpul Model pentru transcrieri; Model pentru sufleur este setat pe același model. Pentru spune pentru ce este făcut un model: pentru înregistrări încheiate (transcrieri), pentru vorbirea în direct a sufleurului (sufleur) sau pentru amândouă.

Fel și adresăModelPentruLa ce folosește
Compatibil OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribetranscrieriModelul pe care OpenAI îl recomandă pentru vorbirea înregistrată în limba ei originală.
gpt-4o-transcribeamândouăTranscriere de uz general. Un recunoscător nou de acest fel îl primește.
gpt-4o-mini-transcribeamândouăO variantă mai ușoară și mai ieftină a celui de mai sus.
gpt-4o-transcribe-diarizetranscrieriMarchează cine vorbește și când. Folosiți-l doar dacă aveți nevoie.
whisper-1transcrieriVechiul model Whisper, păstrat pentru utilizări speciale, ca marcajele de timp pe cuvânt și subtitrările.
gpt-live-transcribesufleurModelul în direct al OpenAI: cuvintele vin pe măsură ce sunt rostite. Telefonul îl oferă pentru sufleur.
Deepgram
https://api.deepgram.com/v1
nova-3amândouăCel mai bun model de uz general al Deepgram, pentru ședințe, sunet zgomotos și multilingv. Un recunoscător nou de acest fel îl primește.
nova-2amândouăGenerația anterioară; păstrați-o pentru limbile pe care nova-3 nu le suportă încă.
nova-2-phonecallamândouănova-2 reglat pentru sunetul îngust al unei linii telefonice. Engleză.
flux-general-ensufleurFăcut pentru conversație: aude când cineva a terminat de vorbit. Engleză.
flux-general-multisufleurAcelași lucru în zece limbi, iar conversația poate trece de la una la alta.
enhanced, basetranscrieriNiveluri mai vechi; base este pentru volume mari.
whispertranscrieriWhisper, rulat de Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2transcrieriTranscriere de uz general în peste 90 de limbi, cu separarea vorbitorilor.
scribe_v2_realtimesufleurVersiunea în direct a scribe_v2. Telefonul o oferă pentru sufleur.
scribe_v2_medicaltranscrieriscribe_v2 reglat pentru sunet clinic.
scribe_v1transcrieriPrima generație; învechită, folosiți scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedamândouăCel mai precis, pentru o conversație într-o singură limbă. Un recunoscător nou de acest fel îl primește.
standardamândouăMai rapid și mai ieftin, puțin mai puțin precis.
melia-1transcrieriO conversație în mai multe limbi, care schimbă limba în mijlocul frazei, vine înapoi ca o singură transcriere. Doar înregistrări, în regiunile UE și SUA; deocamdată fără dicționar propriu și etichete de vorbitori.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0amândouăSingurul model actual și cel implicit: 38 de limbi, recunoscute singur. Fișiere de până la 500 MB; vorbirea în direct merge la wss://api.x.ai.
grok-voice-transcribe-1.0transcrieriÎnvechit: serviciul îl redirecționează spre 2.0.
Soniox
https://api.soniox.com
stt-async-v5transcrieriPeste 60 de limbi, cu separarea vorbitorilor.
stt-rt-v5sufleurÎn direct, în aceleași peste 60 de limbi, și aude unde se termină o intervenție. Telefonul îl oferă pentru sufleur.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proamândouăCel mai precis model pentru înregistrări; 18 limbi, iar conversația poate trece de la una la alta.
universal-2transcrieri99 de limbi, mai ieftin; AssemblyAI trece la el pentru o limbă pe care universal-3-5-pro nu o cunoaște.
universal-3-6-prosufleurCel mai nou model în direct al AssemblyAI, 32 de limbi; serviciul îl folosește când modelul este gol.
universal-streaming-multilingualsufleurRecunoaștere în direct mai ieftină în engleză, spaniolă, germană, franceză, portugheză și italiană.
universal-streaming-englishsufleurRecunoaștere în direct mai ieftină, doar în engleză.
Vosk (pe propria dumneavoastră mașină)
ws://localhost:2700
(se setează pe server)amândouăGratuit și ușor; rulează fără placă video. Modelul este cel cu care a fost pornit serverul, câte unul pe limbă, de exemplu vosk-model-en-us-0.22 sau micul vosk-model-small-en-us-0.15.
WhisperLive (pe propria dumneavoastră mașină)
ws://localhost:9090
smallamândouăWhisper pe un flux în direct. Mărimea se alege pe fișă: tiny, base, small (cea oferită de telefon), medium, large-v3; cu cât e mai mare, cu atât e mai precis și cu atât îi trebuie mai mult o placă video.
NVIDIA Riva (pe propria dumneavoastră mașină)
localhost:50051
(se setează pe server)amândouăServerul de vorbire NVIDIA, pentru un calculator cu placă video NVIDIA. Servește modele ca Parakeet și Canary.

Ce e bine de știut înainte de a alege:

  • Transcrieri sau sufleur. Un model făcut pentru vorbirea în direct nu primește un fișier încheiat, iar majoritatea modelelor pentru fișiere nu pot asculta în direct. De aceea fișa are două câmpuri, Model pentru transcrieri și Model pentru sufleur.
  • Mărimea fișierului. OpenAI acceptă fișiere de până la 25 MB; X.ai de până la 500 MB. O conversație lungă poate fi mai mare decât acceptă un serviciu în cloud.
  • Preț. Serviciile în cloud taxează minutul de sunet, iar tarifele diferă după model și se schimbă; citiți-le pe pagina serviciului înainte să treceți la altul. Un recunoscător pe propria mașină nu costă nimic.
  • Limbi. Fiecare serviciu are propria listă; verificați-o pe a dumneavoastră și setați codul în Limbă, în setările avansate ale recunoscătorului, dacă ghicește greșit.

Lista de modele a unui serviciu se schimbă des. Dacă lipsește aici un model pe care îl doriți, documentația serviciului are lista la zi — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — iar Model este numele exact cum îl dă serviciul.

Propriile modele​

Un recunoscător nu trebuie să fie neapărat un serviciu în cloud. Telefonul poate folosi orice model servit prin API-ul compatibil cu OpenAI — interfața POST /v1/audio/transcriptions —, fie că rulează local, pe calculatorul dumneavoastră, fie pe un server propriu. Sunetul nu părăsește niciodată organizația, nu se taxează nimic la minut și nu există nicio limită de volum.

Pentru a adăuga unul, apăsați Adaugă și introduceți:

  • adresa serverului, până la /v1 inclusiv, de exemplu http://localhost:8000/v1 pentru calculatorul însuși sau http://asr.local:8080/v1 pentru un server din rețeaua dumneavoastră;
  • numele modelului exact așa cum îl listează serverul, de exemplu openai/whisper-large-v3-turbo.

Ce se poate folosi​

Alegerea obișnuită este Whisper, modelul deschis de recunoaștere a vorbirii al OpenAI. Este gratuit, înțelege aproximativ o sută de limbi și vine în mai multe dimensiuni: un model mic rulează pe un calculator obișnuit, cele mari sunt vizibil mai precise și merg cel mai bine cu o placă grafică.

ModelObservații
whisper-large-v3Cel mai precis Whisper. Pentru un server cu GPU.
openai/whisper-large-v3-turboO versiune mai rapidă a lui large-v3, cu o mică pierdere de precizie.
Systran/faster-whisper-large-v3large-v3 convertit pentru motorul faster-whisper; mai rapid și mai ușor pentru memorie.
medium, small, baseModele Whisper mai mici, pentru un calculator fără placă grafică.

Whisper este modelul în jurul căruia sunt construite aceste servere. Unele dintre ele pot servi și alte modele de recunoaștere a vorbirii, cum ar fi NVIDIA Parakeet.

Servere care oferă API-ul compatibil cu OpenAI​

Modelul trebuie rulat de un server care oferă punctul final /v1/audio/transcriptions compatibil cu OpenAI. Acestea îl oferă:

ServerCe este
vLLMUn server de modele de înaltă performanță. După pornire, servește Whisper la http://localhost:8000/v1.
SpeachesUn server pentru modele de vorbire, „Ollama pentru vorbire”, construit pe faster-whisper. Încarcă un model când este cerut prima dată.
whisper.cppRulează Whisper eficient pe un CPU, inclusiv pe Apple silicon. Serverul său whisper-server se pornește cu --inference-path /v1/audio/transcriptions.
LocalAIUn înlocuitor direct pentru OpenAI, care rulează modelele local.

Orice alt server care oferă același punct final funcționează la fel. Dacă un server cere o cheie, introduceți-o ca pentru un serviciu în cloud.

Înainte să vă bazați pe un server, faceți o înregistrare de probă și uitați-vă la transcriere în fereastra Înregistrări: o conversație într-o limbă pe care modelul o cunoaște slab se vede imediat.