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:
| Врста | Adresa za prepise | Adresa za šaptača | Model | Na slici |
|---|---|---|---|---|
| Saglasno sa OpenAI (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, uživo 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, uživo scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, ili za region eu., us., au. umesto global. | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (prazno: podrazumevani model usluge), uživo grok-voice-transcribe-2.0 | X.ai · uživo grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (prazno: podrazumevani model usluge), uživo stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://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.
| Polje | Šta je |
|---|---|
| Naziv | Naziv na spiskovima. |
| Vrsta | Vrsta 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 prepise | Kuda se šalju završeni razgovori. |
| Adresa za šaptača | Kuda 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. |
| Ključ | Ključ usluge. Čuva se u privesku ovog računara, nikada u datoteci s podešavanjima. |
| Isprobaj | Pita uslugu i kaže šta je odgovorila, na primer Odgovorio je i nudi 3 modela. |
| Model za prepise i Model za šaptača | Model 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 prepise | Čini ovaj prepoznavač onim koji se koristi kada ne izaberete drugi. |
| Podrazumevano za šaptača | Čini ovaj prepoznavač onim kojim sluša novi pomoćnik šaptača. |
| Uključeno | Isključen prepoznavač ostaje na spisku, ali se ne koristi. |
Napredna podešavanja otvaraju ostatak kartice. Vrednosti koje su najvažnije:
| Polje | Šta radi |
|---|---|
| Oblast | Oblast usluge, ako ih ima više. |
| Šalji dve strane odvojeno | Poziv 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 govori | Razlikuje osobe unutar jednog kanala kada na njemu govori više njih. |
| Brojeve pisati ciframa | Iznosi, datumi i brojevi telefona vraćaju se onako kako se pišu, a ne ispisani rečima. |
| Granica slanja, Granica trajanja | Najveća datoteka u bajtovima i najduži snimak u sekundama koje će ovaj telefon poslati. |
| Zahteva odjednom | Koliko zahteva sme da bude u toku istovremeno. |
| Završi odgovor nakon, Spoji kratke odgovore u roku od, Razmak među replikama | Za 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. |
| Jezik | Dvoslovni 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. |
| Dodatno | Jedan name = value po redu, prosleđuje se usluzi nepromenjen. Ostavite prazno, osim ako server nešto dokumentuje. |
| Čekanje, minuti | Koliko čekati prepis. Prazno to izračunava iz trajanja snimka. |
| Cena po minutu | Koliko 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 adresa | Model | Za šta | Čemu služi |
|---|---|---|---|
Saglasno sa OpenAI (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | prepisi | Model koji OpenAI preporučuje za snimljeni govor na izvornom jeziku. |
gpt-4o-transcribe | oboje | Prepis opšte namene. Dobija ga novi prepoznavač ove vrste. | |
gpt-4o-mini-transcribe | oboje | Lakša i jeftinija varijanta prethodnog. | |
gpt-4o-transcribe-diarize | prepisi | Označava ko kada govori. Koristite ga samo ako vam to treba. | |
whisper-1 | prepisi | Stariji model Whisper, zadržan za posebne namene poput vremenskih oznaka reči i titlova. | |
gpt-live-transcribe | šaptač | Model OpenAI uživo: reči stižu kako se izgovaraju. Telefon ga nudi za šaptača. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | oboje | Najbolji Deepgram model opšte namene, za sastanke, bučan i višejezičan zvuk. Dobija ga novi prepoznavač ove vrste. |
nova-2 | oboje | Prethodna generacija; zadržite je za jezike koje nova-3 još ne podržava. | |
nova-2-phonecall | oboje | nova-2 prilagođen uskom zvuku telefonske linije. Engleski. | |
flux-general-en | šaptač | Napravljen za razgovor: čuje kada je neko završio sa govorom. Engleski. | |
flux-general-multi | šaptač | Isto na deset jezika, a razgovor sme da prelazi s jednog na drugi. | |
enhanced, base | prepisi | Stariji nivoi; base je za velike količine. | |
whisper | prepisi | Whisper koji pokreće Deepgram. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | prepisi | Prepis opšte namene na više od 90 jezika, sa razdvajanjem govornika. |
scribe_v2_realtime | šaptač | Verzija scribe_v2 uživo. Telefon je nudi za šaptača. | |
scribe_v2_medical | prepisi | scribe_v2 prilagođen kliničkom zvuku. | |
scribe_v1 | prepisi | Prva generacija; zastarela, koristite scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | oboje | Najtačniji, za razgovor na jednom jeziku. Dobija ga novi prepoznavač ove vrste. |
standard | oboje | Brži i jeftiniji, nešto manje tačan. | |
melia-1 | prepisi | Razgovor 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-2.0 | oboje | Jedini aktuelni model i podrazumevani: 38 jezika, koje sam prepoznaje. Datoteke do 500 MB; govor uživo ide na wss://api.x.ai. |
grok-voice-transcribe-1.0 | prepisi | Zastareo: usluga ga preusmerava na 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | prepisi | Više od 60 jezika, sa razdvajanjem govornika. |
stt-rt-v5 | šaptač | Uživo, na istih 60+ jezika, i čuje gde se replika završava. Telefon ga nudi za šaptača. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | oboje | Najtačniji model za snimke; 18 jezika, a razgovor sme da prelazi s jednog na drugi. |
universal-2 | prepisi | 99 jezika, jeftiniji; AssemblyAI poseže za njim za jezik koji universal-3-5-pro ne poznaje. | |
universal-3-6-pro | šaptač | Najnoviji AssemblyAI model uživo, 32 jezika; usluga ga koristi kada je model prazan. | |
universal-streaming-multilingual | šaptač | Jeftinije prepoznavanje uživo na engleskom, španskom, nemačkom, francuskom, portugalskom i italijanskom. | |
universal-streaming-english | šaptač | Jeftinije prepoznavanje uživo, samo na engleskom. | |
Vosk (na vašoj sopstvenoj mašini)ws://localhost:2700 | (podešava se na serveru) | oboje | Besplatan 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 | small | oboje | Whisper 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) | oboje | Govorni 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 primerhttp://localhost:8000/v1za sam računar ilihttp://asr.local:8080/v1za 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.
| Model | Napomene |
|---|---|
whisper-large-v3 | Najtačniji Whisper. Za server sa GPU-om. |
openai/whisper-large-v3-turbo | Brža verzija large-v3 sa malim gubitkom tačnosti. |
Systran/faster-whisper-large-v3 | large-v3 pretvoren za pogon faster-whisper; brži i štedljiviji sa memorijom. |
medium, small, base | Manji 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:
| Server | Šta je |
|---|---|
| vLLM | Server modela visokih performansi. Nakon pokretanja služi Whisper na http://localhost:8000/v1. |
| Speaches | Server za govorne modele, „Ollama za govor”, izgrađen na faster-whisperu. Model učitava kada se prvi put zatraži. |
| whisper.cpp | Efikasno pokreće Whisper na CPU-u, uključujući Apple silicon. Njegov whisper-server pokreće se sa --inference-path /v1/audio/transcriptions. |
| LocalAI | Direktna 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.