Prepis
Nastavenia → Prepis uvádza rozpoznávače: služby, ktoré menia zvuk na text, pre skončené hovory a pre našepkávača aj počas hovoru.
Hovor sa prepíše, keď o to požiadate v okne nahrávok, alebo sám, ak je v časti Spracovanie zapnuté Spracovávať hovory automaticky. Rozpoznávač na vašom vlastnom stroji nestojí nič; ten v cloude si účtuje za minútu zvuku.
Rozpoznávače
Rozpoznávač je služba na rozpoznávanie reči, ktorej telefón posiela zvuk. Pridať pridá nový; tlačidlo Vyskúšať na jeho karte overí, že služba naozaj odpovedá. Každý je v zozname so svojím názvom a pod ním s modelom a adresou svojej služby. Tabuľka uvádza každý druh služby, ktorý telefón podporuje, tak ako ich ponúka Druh na karte, s adresou a modelmi, ktoré dostane nový rozpoznávač tohto druhu; posledný stĺpec ukazuje päť nastavených na obrázku:
| Druh | Adresa pre prepisy | Adresa pre našepkávača | Model | Na obrázku |
|---|---|---|---|---|
| Kompatibilný s OpenAI (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, naživo 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, naživo scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, pre región eu., us. alebo au. namiesto global. | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (prázdne: predvolený model služby), naživo grok-voice-transcribe-2.0 | X.ai · naživo grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (prázdne: predvolený model služby), naživo stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://streaming.assemblyai.com | (prázdne: predvolený model služby) | — |
| Vosk (na vašom vlastnom stroji) | váš server, napríklad ws://localhost:2700 | (ten istý server) | (nastavuje sa na serveri) | Vosk · ws://localhost:2700 |
| WhisperLive (na vašom vlastnom stroji) | váš server, napríklad ws://localhost:9090 | (ten istý server) | naživo small | — |
| NVIDIA Riva (na vašom vlastnom stroji) | váš server, napríklad localhost:50051 | (ten istý server) | (nastavuje sa na serveri) | — |
Pole Adresa pre našepkávača obvykle obsahuje adresu WebSocket: wss:// pre službu v cloude, ws:// pre server vo vašej sieti; NVIDIA Riva sa zadáva ako hostiteľ:port.
Dve značky vpravo v riadku hovoria, na čo je rozpoznávač predvolený. Hodiny svietia pri predvolenom pre prepisy — na obrázku X.ai —, ktorý sa použije, keď nezvolíte iný. Blesk svieti pri predvolenom pre našepkávača — na obrázku Vosk. Rozpoznávačov môžete mať niekoľko; rozbaľovací zoznam nad prepisom v okne nahrávok ukazuje prepisy, ktoré urobil každý z nich.
Karta rozpoznávača
Kliknutie na rozpoznávač otvorí jeho kartu.
| Pole | Čo to je |
|---|---|
| Názov | Názov v zoznamoch. |
| Druh | Druh služby, podľa ktorého telefón vie, ako s ňou hovoriť: Kompatibilný s OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics a tri, ktoré bežia na vašom vlastnom stroji — Vosk, WhisperLive a NVIDIA Riva. |
| Adresa pre prepisy | Kam sa posielajú skončené hovory. |
| Adresa pre našepkávača | Kam ide živý zvuk počas hovoru. Zvyčajne adresa WebSocket: wss:// pre službu v cloude, ako wss://api.x.ai na obrázku, ws:// pre server vo vašej sieti. Prázdne sa odvodí z adresy vedľa. |
| Kľúč | Kľúč služby. Leží v kľúčenke tohto počítača, nikdy v súbore nastavení. |
| Vyskúšať | Opýta sa služby a povie, čo odpovedala, napríklad Odpovedal a ponúka 3 modely. |
| Model pre prepisy a Model pre našepkávača | Model presne tak, ako ho služba nazýva. Prázdne neposiela žiadne meno modelu, a služba použije svoj predvolený; kde ho dodávateľ zverejňuje, karta ho uvádza. Pri druhu bez výberu sa pole nezobrazuje. Na obrázku xAI nemá pole Model pre prepisy a pole Model pre našepkávača je nastavené na grok-voice-transcribe-2.0. |
| Predvolený pre prepisy | Urobí z tohto rozpoznávač, ktorý sa použije, keď nezvolíte iný. |
| Predvolený pre našepkávača | Urobí z tohto rozpoznávač, ktorým počúva nový pomocník našepkávača. |
| Zapnuté | Vypnutý rozpoznávač zostáva v zozname, ale nepoužíva sa. |
Pokročilé nastavenia otvoria zvyšok karty. Hodnoty, na ktorých záleží najviac:
| Pole | Čo robí |
|---|---|
| Región | Región služby, ak ich má niekoľko. |
| Posielať obe strany osobitne | Hovor sa nahráva s dvoma ľuďmi na dvoch kanáloch, a práve podľa toho rozpoznávač spozná, kto čo povedal. Vypnite to pri serveri, ktorý tvrdí, že to vie, a nevie. |
| Pýtať sa, kto hovorí | Rozlíši ľudí vnútri jedného kanála, keď na ňom hovorí viac osôb. |
| Písať čísla číslicami | Sumy, dátumy a telefónne čísla sa vracajú tak, ako sa píšu, nie vypísané slovami. |
| Hranica odosielania, Hranica dĺžky | Najväčší súbor v bajtoch a najdlhšia nahrávka v sekundách, ktoré tento telefón odošle. |
| Požiadaviek naraz | Koľko požiadaviek smie bežať súčasne. |
| Ukončiť repliku po, Spájať krátke repliky do, Pauza medzi replikami | Pre našepkávača: ako dlho bez nových slov ukončí repliku, ako dlho krátka replika čaká na ďalšiu, aby sa s ňou spojila, a aké dlhé ticho ukončí slovo jedného hovoriaceho, kde ho rozpoznávač sám neoznačí. V milisekundách. |
| Jazyk | Dvojpísmenový kód jazyka podľa ISO 639-1 (en, de, es, fr, sr…). Nechajte ho prázdny a rozhodne rozpoznávač — to je správne, pokiaľ vaše hovory nie sú v jazyku, ktorý stále zle počuje. |
| Doplnky | Jedno name = value na riadok, odovzdané službe bez zmeny. Nechajte prázdne, ak server niečo nedokumentuje. |
| Čakanie, minúty | Ako dlho čakať na prepis. Prázdne to vypočíta z dĺžky nahrávky. |
| Cena za minútu | Koľko stojí minúta živého zvuku podľa cenníka služby. Našepkávač ukazuje, koľko stálo sedenie, a zastaví sa na svojom mesačnom strope. |
Živé rozpoznávanie pre našepkávača
Našepkávač potrebuje rozpoznávač, ktorý počúva, kým niekto hovorí — prúdom, nie hotovým súborom. Vedia to tieto druhy: Deepgram, ElevenLabs (Scribe), xAI (Grok), Kompatibilný s OpenAI (s prepisom OpenAI v reálnom čase), AssemblyAI, Soniox a Speechmatics v cloude a Vosk, WhisperLive a NVIDIA Riva na vašom vlastnom stroji. Rozpoznávač na vašom vlastnom stroji drží hlas druhej strany v dome a nič nestojí.
Ako ho použiť: otvorte jeho kartu, skontrolujte pole Adresa pre našepkávača — zvyčajne adresu WebSocket, napríklad wss://api.x.ai pre X.ai, wss://api.deepgram.com pre Deepgram alebo ws://localhost:2700 pre Vosk; prázdne sa odvodí z poľa Adresa pre prepisy. Potom zvoľte Model pre našepkávača: živé modely sa často líšia od modelov pre súbory — grok-voice-transcribe-2.0 pre X.ai ako na karte na obrázku, scribe_v2_realtime pre ElevenLabs, gpt-live-transcribe pre OpenAI, stt-rt-v5 pre Soniox. Stlačte Vyskúšať. Zaškrtnite Predvolený pre našepkávača, aby noví pomocníci počúvali práve ním.
Ktorý model vybrať
Tabuľka uvádza modely rozpoznávania reči každého druhu zo zoznamu Druh. Tučne sú modely nastavené na obrázku; pri rozpoznávači X.ai je model prázdny, takže sa použije predvolený model služby, grok-voice-transcribe-2.0. Prázdne je tam pole Model pre prepisy; pole Model pre našepkávača je nastavené na ten istý model. Na čo hovorí, na čo je model určený: na hotové nahrávky (prepisy), na živú reč našepkávača (našepkávač), alebo na oboje.
| Druh a adresa | Model | Na čo | Na čo slúži |
|---|---|---|---|
Kompatibilný s OpenAI (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | prepisy | Model, ktorý OpenAI odporúča pre nahranú reč v jej pôvodnom jazyku. |
gpt-4o-transcribe | oboje | Prepis na všeobecné použitie. Dostane ho nový rozpoznávač tohto druhu. | |
gpt-4o-mini-transcribe | oboje | Ľahšia a lacnejšia varianta predchádzajúceho. | |
gpt-4o-transcribe-diarize | prepisy | Označí, kto kedy hovorí. Použite ho, len ak to potrebujete. | |
whisper-1 | prepisy | Starší model Whisper, ponechaný na zvláštne účely, ako sú časové značky slov a titulky. | |
gpt-live-transcribe | našepkávač | Živý model OpenAI: slová prichádzajú, ako sú vyslovené. Telefón ho ponúka pre našepkávača. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | oboje | Najlepší model Deepgramu na všeobecné použitie, pre stretnutia, hlučný a viacjazyčný zvuk. Dostane ho nový rozpoznávač tohto druhu. |
nova-2 | oboje | Predchádzajúca generácia; ponechajte ju pre jazyky, ktoré nova-3 zatiaľ nepodporuje. | |
nova-2-phonecall | oboje | nova-2 vyladená na úzky zvuk telefónnej linky. Angličtina. | |
flux-general-en | našepkávač | Urobený na rozhovor: počuje, kedy niekto dohovoril. Angličtina. | |
flux-general-multi | našepkávač | To isté v desiatich jazykoch, a rozhovor medzi nimi smie prechádzať. | |
enhanced, base | prepisy | Staršie úrovne; base je pre veľké objemy. | |
whisper | prepisy | Whisper prevádzkovaný Deepgramom. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | prepisy | Prepis na všeobecné použitie vo viac ako 90 jazykoch, s rozlíšením hovoriacich. |
scribe_v2_realtime | našepkávač | Živá verzia scribe_v2. Telefón ju ponúka pre našepkávača. | |
scribe_v2_medical | prepisy | scribe_v2 vyladený na klinický zvuk. | |
scribe_v1 | prepisy | Prvá generácia; zastaraná, použite scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | oboje | Najpresnejší, pre hovor v jednom jazyku. Dostane ho nový rozpoznávač tohto druhu. |
standard | oboje | Rýchlejší a lacnejší, o niečo menej presný. | |
melia-1 | prepisy | Hovor vo viacerých jazykoch, ktorý mení jazyk uprostred vety, sa vráti ako jeden prepis. Len nahrávky, v regiónoch EÚ a USA; zatiaľ bez vlastného slovníka a označenia hovoriacich. | |
xAI (Grok)https://api.x.ai/v1 | grok-voice-transcribe-2.0 | oboje | Jediný súčasný model a zároveň predvolený: 38 jazykov, ktoré rozpozná sám. Súbory do 500 MB; živá reč ide na wss://api.x.ai. |
grok-voice-transcribe-1.0 | prepisy | Zastaraný: služba ho presmeruje na 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | prepisy | Viac ako 60 jazykov, s rozlíšením hovoriacich. |
stt-rt-v5 | našepkávač | Naživo, v tých istých 60+ jazykoch, a počuje, kde končí slovo hovoriaceho. Telefón ho ponúka pre našepkávača. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | oboje | Najpresnejší model pre nahrávky; 18 jazykov, a hovor medzi nimi smie prechádzať. |
universal-2 | prepisy | 99 jazykov, lacnejší; AssemblyAI po ňom siahne pri jazyku, ktorý universal-3-5-pro nepozná. | |
universal-3-6-pro | našepkávač | Najnovší živý model AssemblyAI, 32 jazykov; služba ho použije, keď je model prázdny. | |
universal-streaming-multilingual | našepkávač | Lacnejšie živé rozpoznávanie v angličtine, španielčine, nemčine, francúzštine, portugalčine a taliančine. | |
universal-streaming-english | našepkávač | Lacnejšie živé rozpoznávanie, len v angličtine. | |
Vosk (na vašom vlastnom stroji)ws://localhost:2700 | (nastavuje sa na serveri) | oboje | Zadarmo a nenáročný; beží bez grafickej karty. Model je ten, s ktorým bol server spustený, jeden pre každý jazyk, napríklad vosk-model-en-us-0.22 alebo malý vosk-model-small-en-us-0.15. |
WhisperLive (na vašom vlastnom stroji)ws://localhost:9090 | small | oboje | Whisper v živom prúde. Veľkosť sa volí na karte: tiny, base, small (tú ponúka telefón), medium, large-v3; čím väčší, tým presnejší a tým viac chce grafickú kartu. |
NVIDIA Riva (na vašom vlastnom stroji)localhost:50051 | (nastavuje sa na serveri) | oboje | Rečový server NVIDIA pre počítač s grafickou kartou NVIDIA. Poskytuje modely ako Parakeet a Canary. |
Čo je dobré vedieť pred výberom:
- Prepisy, alebo našepkávač. Model pre živú reč neprijme hotový súbor a väčšina modelov pre súbory nevie počúvať naživo. Preto má karta dve polia, Model pre prepisy a Model pre našepkávača.
- Veľkosť súboru. OpenAI prijíma súbory do 25 MB, X.ai do 500 MB. Dlhý hovor môže byť väčší, než cloudová služba prijme.
- Cena. Cloudové služby účtujú za minútu zvuku a sadzby sa líšia podľa modelu a menia sa; prečítajte si ich na stránke služby, než prejdete. Rozpoznávač na vašom vlastnom stroji nestojí nič.
- Jazyky. Každá služba má svoj zoznam; overte si ten svoj a nastavte kód v poli Jazyk v pokročilých nastaveniach rozpoznávača, ak háda zle.
Zoznam modelov služby sa často mení. Ak tu model, ktorý chcete, chýba, aktuálny zoznam je v dokumentácii samotnej služby — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — a Model je názov presne tak, ako ho služba uvádza.
Vlastné modely
Rozpoznávač nemusí byť cloudová služba. Telefón môže použiť akýkoľvek model sprístupnený cez API kompatibilné s OpenAI — rozhranie POST /v1/audio/transcriptions —, či už beží lokálne na vašom počítači, alebo na vlastnom serveri. Zvuk nikdy neopustí vaše priestory, nič sa neúčtuje za minútu a objem nie je obmedzený.
Ak ho chcete pridať, stlačte Pridať a zadajte:
- adresu servera, až po
/v1vrátane, napríkladhttp://localhost:8000/v1pre samotný počítač alebohttp://asr.local:8080/v1pre server vo vašej sieti; - názov modelu presne tak, ako ho server uvádza, napríklad
openai/whisper-large-v3-turbo.
Čo sa dá použiť
Obvyklou voľbou je Whisper, otvorený model rozpoznávania reči od OpenAI. Jeho používanie je bezplatné, rozumie asi sto jazykom a existuje v niekoľkých veľkostiach: malý model beží na bežnom počítači, veľké sú citeľne presnejšie a najlepšie je dať im grafickú kartu.
| Model | Poznámky |
|---|---|
whisper-large-v3 | Najpresnejší Whisper. Pre server s GPU. |
openai/whisper-large-v3-turbo | Rýchlejšia verzia large-v3 s malou stratou presnosti. |
Systran/faster-whisper-large-v3 | large-v3 prevedený pre engine faster-whisper; rýchlejší a šetrnejší k pamäti. |
medium, small, base | Menšie modely Whisper, pre počítač bez grafickej karty. |
Whisper je model, okolo ktorého sú tieto servery postavené. Niektoré z nich vedia sprístupniť aj iné modely rozpoznávania reči, napríklad NVIDIA Parakeet.
Servery, ktoré ponúkajú API kompatibilné s OpenAI
Model musí prevádzkovať server, ktorý ponúka koncový bod /v1/audio/transcriptions kompatibilný s OpenAI. Tieto to robia:
| Server | Čo to je |
|---|---|
| vLLM | Výkonný server modelov. Po spustení sprístupní Whisper na http://localhost:8000/v1. |
| Speaches | Server pre rečové modely, „Ollama pre reč“, postavený na faster-whisper. Model načíta, keď je o neho prvýkrát požiadaný. |
| whisper.cpp | Efektívne spúšťa Whisper na CPU, vrátane Apple silicon. Jeho whisper-server sa spúšťa s --inference-path /v1/audio/transcriptions. |
| LocalAI | Priama náhrada OpenAI, ktorá spúšťa modely lokálne. |
Rovnako funguje akýkoľvek iný server, ktorý ponúka ten istý koncový bod. Ak server potrebuje kľúč, zadajte ho ako pri cloudovej službe.
Skôr než sa na server spoľahnete, urobte skúšobnú nahrávku a pozrite si prepis v okne Nahrávky: rozhovor v jazyku, ktorý model pozná slabo, to ukáže okamžite.