Pređi na glavni sadržaj

Prepisivanje

Podešavanja → Prepisivanje navodi prepoznavače: usluge koje pretvaraju zvuk u tekst, za završene razgovore i, za šaptača, dok razgovor traje.

Razgovor se prepisuje kada to zatražite u prozoru Snimci, ili sam od sebe ako je u odeljku Obrada uključeno Obrađuj razgovore samostalno. Prepoznavač na vašoj sopstvenoj mašini ne košta ništa; onaj u oblaku naplaćuje minut zvuka.

Prepoznavači​

Prepoznavač je usluga za prepoznavanje govora kojoj telefon šalje zvuk. Dodaj dodaje novi; dugme Isprobaj na njegovoj kartici proverava da li usluga zaista odgovara. Svaki je na spisku sa svojim nazivom, a ispod njega sa modelom i adresom svoje usluge. Tabela navodi svaku vrstu usluge koju telefon podržava, onako kako ih nudi Vrsta na kartici, sa adresom i modelima koje dobija novi prepoznavač te vrste; poslednja kolona prikazuje pet podešenih na slici:

ВрстаAdresa za prepiseAdresa za šaptačaModelNa slici
Saglasno sa OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, uživo 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, uživo scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, ili za region eu., us., au. umesto global.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(prazno: podrazumevani model usluge), uživo grok-voice-transcribe-2.0X.ai · uživo grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(prazno: podrazumevani model usluge), uživo stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(prazno: podrazumevani model usluge)—
Vosk (na vašoj sopstvenoj mašini)vaš server, na primer ws://localhost:2700(isti server)(podešava se na serveru)Vosk · ws://localhost:2700
WhisperLive (na vašoj sopstvenoj mašini)vaš server, na primer ws://localhost:9090(isti server)uživo small—
NVIDIA Riva (na vašoj sopstvenoj mašini)vaš server, na primer localhost:50051(isti server)(podešava se na serveru)—

Polje Adresa za šaptača obično sadrži WebSocket adresu: wss:// za uslugu u oblaku, ws:// za server u vašoj mreži; NVIDIA Riva se zadaje kao host:port.

Dve oznake desno u redu govore za šta je prepoznavač podrazumevan. Sat svetli kod podrazumevanog za prepise — na slici X.ai —, koji se koristi kada ne izaberete drugi. Munja svetli kod podrazumevanog za šaptača — na slici Vosk. Možete imati više prepoznavača; padajući spisak iznad prepisa u prozoru Snimci prikazuje prepise koje je napravio svaki od njih.

Kartica prepoznavača​

Pritisak na prepoznavač otvara njegovu karticu.

PoljeŠta je
NazivNaziv na spiskovima.
VrstaVrsta usluge, od koje zavisi kako telefon razgovara s njom: Saglasno sa OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics i tri koje rade na vašoj sopstvenoj mašini — Vosk, WhisperLive i NVIDIA Riva.
Adresa za prepiseKuda se šalju završeni razgovori.
Adresa za šaptačaKuda ide zvuk uživo dok razgovor traje. Obično WebSocket adresa: wss:// za uslugu u oblaku, kao wss://api.x.ai na slici, ws:// za server u vašoj mreži. Prazno se izvodi iz susedne adrese.
KljučKljuč usluge. Čuva se u privesku ovog računara, nikada u datoteci s podešavanjima.
IsprobajPita uslugu i kaže šta je odgovorila, na primer Odgovorio je i nudi 3 modela.
Model za prepise i Model za šaptačaModel tačno onako kako ga usluga naziva. Prazno ne šalje ime modela, a usluga koristi svoj podrazumevani; gde ga dobavljač objavljuje, kartica ga navodi. Za vrstu bez izbora polje se ne prikazuje. Na slici xAI nema polje Model za prepise, a Model za šaptača je grok-voice-transcribe-2.0.
Podrazumevano za prepiseČini ovaj prepoznavač onim koji se koristi kada ne izaberete drugi.
Podrazumevano za šaptačaČini ovaj prepoznavač onim kojim sluša novi pomoćnik šaptača.
UključenoIsključen prepoznavač ostaje na spisku, ali se ne koristi.

Napredna podešavanja otvaraju ostatak kartice. Vrednosti koje su najvažnije:

PoljeŠta radi
OblastOblast usluge, ako ih ima više.
Šalji dve strane odvojenoPoziv se snima sa dve osobe na dva kanala, i upravo po tome prepoznavač zna ko je šta rekao. Isključite to za server koji tvrdi da to ume, a ne ume.
Traži ko govoriRazlikuje osobe unutar jednog kanala kada na njemu govori više njih.
Brojeve pisati ciframaIznosi, datumi i brojevi telefona vraćaju se onako kako se pišu, a ne ispisani rečima.
Granica slanja, Granica trajanjaNajveća datoteka u bajtovima i najduži snimak u sekundama koje će ovaj telefon poslati.
Zahteva odjednomKoliko zahteva sme da bude u toku istovremeno.
Završi odgovor nakon, Spoji kratke odgovore u roku od, Razmak među replikamaZa šaptača: koliko vremena bez novih reči završava odgovor, koliko kratak odgovor čeka sledeći da bi se spojio s njim, i koliko tišine završava repliku kada je prepoznavač sam ne označi. U milisekundama.
JezikDvoslovni kod jezika prema ISO 639-1 (en, de, es, fr, sr…). Ostavite ga praznim i prepoznavač odlučuje sam — to je ispravno, osim ako su vaši pozivi na jeziku koji on uporno pogrešno čuje.
DodatnoJedan name = value po redu, prosleđuje se usluzi nepromenjen. Ostavite prazno, osim ako server nešto dokumentuje.
Čekanje, minutiKoliko čekati prepis. Prazno to izračunava iz trajanja snimka.
Cena po minutuKoliko košta minut zvuka uživo prema cenovniku usluge. Šaptač pokazuje koliko je sesija koštala i zaustavlja se na svom mesečnom ograničenju.

Prepoznavanje uživo za šaptača​

Šaptaču treba prepoznavač koji sluša dok neko govori — tokom, a ne gotovom datotekom. To mogu ove vrste: Deepgram, ElevenLabs (Scribe), xAI (Grok), Saglasno sa OpenAI (sa prepisivanjem OpenAI u realnom vremenu), AssemblyAI, Soniox i Speechmatics u oblaku i Vosk, WhisperLive i NVIDIA Riva na vašoj sopstvenoj mašini. Prepoznavač na vašoj sopstvenoj mašini zadržava glas sagovornika u kući i ne košta ništa.

Kako da ga koristite: otvorite njegovu karticu, proverite polje Adresa za šaptača — obično WebSocket adresu, na primer wss://api.x.ai za X.ai, wss://api.deepgram.com za Deepgram ili ws://localhost:2700 za Vosk; prazno se izvodi iz polja Adresa za prepise. Zatim izaberite Model za šaptača: modeli uživo se često razlikuju od onih za datoteke — grok-voice-transcribe-2.0 za X.ai, kao na kartici na slici, scribe_v2_realtime za ElevenLabs, gpt-live-transcribe za OpenAI, stt-rt-v5 za Soniox. Pritisnite Isprobaj. Označite Podrazumevano za šaptača da bi novi pomoćnici slušali njime.

Koji model izabrati​

Tabela navodi modele za prepoznavanje govora svake vrste sa spiska Vrsta. Podebljani modeli su podešeni na slici; kod prepoznavača X.ai model je prazan, pa se koristi podrazumevani model usluge, grok-voice-transcribe-2.0. Prazno je tamo polje Model za prepise; Model za šaptača je podešen na isti model. Za šta kaže za šta je model napravljen: za gotove snimke (prepisi), za govor uživo za šaptača (šaptač) ili za oboje.

Vrsta i adresaModelZa štaČemu služi
Saglasno sa OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribeprepisiModel koji OpenAI preporučuje za snimljeni govor na izvornom jeziku.
gpt-4o-transcribeobojePrepis opšte namene. Dobija ga novi prepoznavač ove vrste.
gpt-4o-mini-transcribeobojeLakša i jeftinija varijanta prethodnog.
gpt-4o-transcribe-diarizeprepisiOznačava ko kada govori. Koristite ga samo ako vam to treba.
whisper-1prepisiStariji model Whisper, zadržan za posebne namene poput vremenskih oznaka reči i titlova.
gpt-live-transcribešaptačModel OpenAI uživo: reči stižu kako se izgovaraju. Telefon ga nudi za šaptača.
Deepgram
https://api.deepgram.com/v1
nova-3obojeNajbolji Deepgram model opšte namene, za sastanke, bučan i višejezičan zvuk. Dobija ga novi prepoznavač ove vrste.
nova-2obojePrethodna generacija; zadržite je za jezike koje nova-3 još ne podržava.
nova-2-phonecallobojenova-2 prilagođen uskom zvuku telefonske linije. Engleski.
flux-general-enšaptačNapravljen za razgovor: čuje kada je neko završio sa govorom. Engleski.
flux-general-multišaptačIsto na deset jezika, a razgovor sme da prelazi s jednog na drugi.
enhanced, baseprepisiStariji nivoi; base je za velike količine.
whisperprepisiWhisper koji pokreće Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2prepisiPrepis opšte namene na više od 90 jezika, sa razdvajanjem govornika.
scribe_v2_realtimešaptačVerzija scribe_v2 uživo. Telefon je nudi za šaptača.
scribe_v2_medicalprepisiscribe_v2 prilagođen kliničkom zvuku.
scribe_v1prepisiPrva generacija; zastarela, koristite scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedobojeNajtačniji, za razgovor na jednom jeziku. Dobija ga novi prepoznavač ove vrste.
standardobojeBrži i jeftiniji, nešto manje tačan.
melia-1prepisiRazgovor na više jezika, koji menja jezik usred rečenice, vraća se kao jedan prepis. Samo snimci, u oblastima EU i SAD; zasad bez sopstvenog rečnika i oznaka govornika.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0obojeJedini aktuelni model i podrazumevani: 38 jezika, koje sam prepoznaje. Datoteke do 500 MB; govor uživo ide na wss://api.x.ai.
grok-voice-transcribe-1.0prepisiZastareo: usluga ga preusmerava na 2.0.
Soniox
https://api.soniox.com
stt-async-v5prepisiViše od 60 jezika, sa razdvajanjem govornika.
stt-rt-v5šaptačUživo, na istih 60+ jezika, i čuje gde se replika završava. Telefon ga nudi za šaptača.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proobojeNajtačniji model za snimke; 18 jezika, a razgovor sme da prelazi s jednog na drugi.
universal-2prepisi99 jezika, jeftiniji; AssemblyAI poseže za njim za jezik koji universal-3-5-pro ne poznaje.
universal-3-6-prošaptačNajnoviji AssemblyAI model uživo, 32 jezika; usluga ga koristi kada je model prazan.
universal-streaming-multilingualšaptačJeftinije prepoznavanje uživo na engleskom, španskom, nemačkom, francuskom, portugalskom i italijanskom.
universal-streaming-englishšaptačJeftinije prepoznavanje uživo, samo na engleskom.
Vosk (na vašoj sopstvenoj mašini)
ws://localhost:2700
(podešava se na serveru)obojeBesplatan i lagan; radi bez grafičke kartice. Model je onaj sa kojim je server pokrenut, po jedan za svaki jezik, na primer vosk-model-en-us-0.22 ili mali vosk-model-small-en-us-0.15.
WhisperLive (na vašoj sopstvenoj mašini)
ws://localhost:9090
smallobojeWhisper u toku uživo. Veličina se bira na kartici: tiny, base, small (nju nudi telefon), medium, large-v3; što je veći, to je tačniji i to više traži grafičku karticu.
NVIDIA Riva (na vašoj sopstvenoj mašini)
localhost:50051
(podešava se na serveru)obojeGovorni server NVIDIA za računar sa NVIDIA grafičkom karticom. Nudi modele poput Parakeet i Canary.

Šta je dobro znati pre izbora:

  • Prepisi ili šaptač. Model za govor uživo ne prima gotovu datoteku, a većina modela za datoteke ne ume da sluša uživo. Zato kartica ima dva polja, Model za prepise i Model za šaptača.
  • Veličina datoteke. OpenAI prima datoteke do 25 MB, X.ai do 500 MB. Dug razgovor može biti veći nego što usluga u oblaku prima.
  • Cena. Usluge u oblaku naplaćuju minut zvuka, a cene se razlikuju po modelu i menjaju; pročitajte ih na stranici same usluge pre prelaska. Prepoznavač na vašoj sopstvenoj mašini ne košta ništa.
  • Jezici. Svaka usluga ima svoj spisak; proverite svoj i podesite kod u polju Jezik u naprednim podešavanjima prepoznavača ako pogađa pogrešno.

Spisak modela usluge se često menja. Ako ovde nedostaje model koji želite, aktuelni spisak je u dokumentaciji same usluge — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — a Model je naziv tačno onakav kakav ga daje usluga.

Sopstveni modeli​

Prepoznavač ne mora da bude usluga u oblaku. Telefon može da koristi bilo koji model dostupan preko API-ja kompatibilnog sa OpenAI — sučelja POST /v1/audio/transcriptions —, bilo da radi lokalno na vašem računaru ili na sopstvenom serveru. Zvuk nikada ne napušta vaše prostorije, ništa se ne naplaćuje po minutu i nema ograničenja količine.

Da biste ga dodali, pritisnite Dodaj i upišite:

  • adresu servera, do i uključujući /v1, na primer http://localhost:8000/v1 za sam računar ili http://asr.local:8080/v1 za server u vašoj mreži;
  • naziv modela tačno onakav kakav ga navodi server, na primer openai/whisper-large-v3-turbo.

Šta može da se koristi​

Uobičajen izbor je Whisper, OpenAI-jev otvoreni model za prepoznavanje govora. Besplatan je za korišćenje, razume stotinak jezika i dolazi u nekoliko veličina: mali model radi na običnom računaru, veliki su primetno tačniji i najbolje im je dati grafičku karticu.

ModelNapomene
whisper-large-v3Najtačniji Whisper. Za server sa GPU-om.
openai/whisper-large-v3-turboBrža verzija large-v3 sa malim gubitkom tačnosti.
Systran/faster-whisper-large-v3large-v3 pretvoren za pogon faster-whisper; brži i štedljiviji sa memorijom.
medium, small, baseManji modeli Whisper, za računar bez grafičke kartice.

Whisper je model oko kog su ovi serveri izgrađeni. Neki od njih mogu da služe i druge modele za prepoznavanje govora, kao što je NVIDIA Parakeet.

Serveri koji nude API kompatibilan sa OpenAI​

Model mora da pokreće server koji nudi krajnju tačku /v1/audio/transcriptions kompatibilnu sa OpenAI. Ovi to rade:

ServerŠta je
vLLMServer modela visokih performansi. Nakon pokretanja služi Whisper na http://localhost:8000/v1.
SpeachesServer za govorne modele, „Ollama za govor”, izgrađen na faster-whisperu. Model učitava kada se prvi put zatraži.
whisper.cppEfikasno pokreće Whisper na CPU-u, uključujući Apple silicon. Njegov whisper-server pokreće se sa --inference-path /v1/audio/transcriptions.
LocalAIDirektna zamena za OpenAI koja modele pokreće lokalno.

Svaki drugi server koji nudi istu krajnju tačku radi na isti način. Ako server traži ključ, upišite ga kao za uslugu u oblaku.

Pre nego što se oslonite na server, napravite probni snimak i pogledajte prepis u prozoru Snimci: razgovor na jeziku koji model slabo poznaje to odmah pokazuje.