Пређи на главни садржај

Преписивање

Подешавања → Преписивање наводи препознаваче: услуге које претварају звук у текст, за завршене разговоре и, за шаптача, док разговор траје.

Разговор се преписује када то затражите у прозору Снимци, или сам од себе ако је у одељку Обрада укључено Обрађуј разговоре самостално. Препознавач на вашој сопственој машини не кошта ништа; онај у облаку наплаћује минут звука.

Препознавачи​

Препознавач је услуга за препознавање говора којој телефон шаље звук. Додај додаје нови; дугме Испробај на његовој картици проверава да ли услуга заиста одговара. Сваки је на списку са својим називом, а испод њега са моделом и адресом своје услуге. Табела наводи сваку врсту услуге коју телефон подржава, онако како их нуди Врста на картици, са адресом и моделима које добија нови препознавач те врсте; последња колона приказује пет подешених на слици:

ВрстаАдреса за преписеАдреса за шаптачаМоделНа слици
Сагласно са OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, уживо 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, уживо scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, или за регион eu., us., au. уместо global.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(празно: подразумевани модел услуге), уживо grok-voice-transcribe-2.0X.ai · уживо grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(празно: подразумевани модел услуге), уживо stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(празно: подразумевани модел услуге)—
Vosk (на вашој сопственој машини)ваш сервер, на пример ws://localhost:2700(исти сервер)(подешава се на серверу)Vosk · ws://localhost:2700
WhisperLive (на вашој сопственој машини)ваш сервер, на пример ws://localhost:9090(исти сервер)уживо small—
NVIDIA Riva (на вашој сопственој машини)ваш сервер, на пример localhost:50051(исти сервер)(подешава се на серверу)—

Поље Адреса за шаптача обично садржи WebSocket адресу: wss:// за услугу у облаку, ws:// за сервер у вашој мрежи; NVIDIA Riva се задаје као хост:порт.

Две ознаке десно у реду говоре за шта је препознавач подразумеван. Сат светли код подразумеваног за преписе — на слици X.ai —, који се користи када не изаберете други. Муња светли код подразумеваног за шаптача — на слици Vosk. Можете имати више препознавача; падајући списак изнад преписа у прозору Снимци приказује преписе које је направио сваки од њих.

Картица препознавача​

Притисак на препознавач отвара његову картицу.

ПољеШта је
НазивНазив на списковима.
ВрстаВрста услуге, од које зависи како телефон разговара с њом: Сагласно са OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics и три које раде на вашој сопственој машини — Vosk, WhisperLive и NVIDIA Riva.
Адреса за преписеКуда се шаљу завршени разговори.
Адреса за шаптачаКуда иде звук уживо док разговор траје. Обично WebSocket адреса: wss:// за услугу у облаку, као wss://api.x.ai на слици, ws:// за сервер у вашој мрежи. Празно се изводи из суседне адресе.
КључКључ услуге. Чува се у привеску овог рачунара, никада у датотеци с подешавањима.
ИспробајПита услугу и каже шта је одговорила, на пример Одговорио је и нуди 3 модела.
Модел за преписе и Модел за шаптачаМодел тачно онако како га услуга назива. Празно не шаље име модела, а услуга користи свој подразумевани; где га добављач објављује, картица га наводи. За врсту без избора поље се не приказује. На слици xAI нема поље Модел за преписе, а Модел за шаптача је grok-voice-transcribe-2.0.
Подразумевано за преписеЧини овај препознавач оним који се користи када не изаберете други.
Подразумевано за шаптачаЧини овај препознавач оним којим слуша нови помоћник шаптача.
УкљученоИскључен препознавач остаје на списку, али се не користи.

Напредна подешавања отварају остатак картице. Вредности које су најважније:

ПољеШта ради
ОбластОбласт услуге, ако их има више.
Шаљи две стране одвојеноПозив се снима са две особе на два канала, и управо по томе препознавач зна ко је шта рекао. Искључите то за сервер који тврди да то уме, а не уме.
Тражи ко говориРазликује особе унутар једног канала када на њему говори више њих.
Бројеве писати цифрамаИзноси, датуми и бројеви телефона враћају се онако како се пишу, а не исписани речима.
Граница слања, Граница трајањаНајвећа датотека у бајтовима и најдужи снимак у секундама које ће овај телефон послати.
Захтева одједномКолико захтева сме да буде у току истовремено.
Заврши одговор након, Споји кратке одговоре у року од, Размак међу репликамаЗа шаптача: колико времена без нових речи завршава одговор, колико кратак одговор чека следећи да би се спојио с њим, и колико тишине завршава реплику када је препознавач сам не означи. У милисекундама.
ЈезикДвословни код језика према ISO 639-1 (en, de, es, fr, sr…). Оставите га празним и препознавач одлучује сам — то је исправно, осим ако су ваши позиви на језику који он упорно погрешно чује.
ДодатноЈедан name = value по реду, прослеђује се услузи непромењен. Оставите празно, осим ако сервер нешто документује.
Чекање, минутиКолико чекати препис. Празно то израчунава из трајања снимка.
Цена по минутуКолико кошта минут звука уживо према ценовнику услуге. Шаптач показује колико је сесија коштала и зауставља се на свом месечном ограничењу.

Препознавање уживо за шаптача​

Шаптачу треба препознавач који слуша док неко говори — током, а не готовом датотеком. То могу ове врсте: Deepgram, ElevenLabs (Scribe), xAI (Grok), Сагласно са OpenAI (са преписивањем OpenAI у реалном времену), AssemblyAI, Soniox и Speechmatics у облаку и Vosk, WhisperLive и NVIDIA Riva на вашој сопственој машини. Препознавач на вашој сопственој машини задржава глас саговорника у кући и не кошта ништа.

Како да га користите: отворите његову картицу, проверите поље Адреса за шаптача — обично WebSocket адресу, на пример wss://api.x.ai за X.ai, wss://api.deepgram.com за Deepgram или ws://localhost:2700 за Vosk; празно се изводи из поља Адреса за преписе. Затим изаберите Модел за шаптача: модели уживо се често разликују од оних за датотеке — grok-voice-transcribe-2.0 за X.ai, као на картици на слици, scribe_v2_realtime за ElevenLabs, gpt-live-transcribe за OpenAI, stt-rt-v5 за Soniox. Притисните Испробај. Означите Подразумевано за шаптача да би нови помоћници слушали њиме.

Који модел изабрати​

Табела наводи моделе за препознавање говора сваке врсте са списка Врста. Подебљани модели су подешени на слици; код препознавача X.ai модел је празан, па се користи подразумевани модел услуге, grok-voice-transcribe-2.0. Празно је тамо поље Модел за преписе; Модел за шаптача је подешен на исти модел. За шта каже за шта је модел направљен: за готове снимке (преписи), за говор уживо за шаптача (шаптач) или за обоје.

Врста и адресаМоделЗа штаЧему служи
Сагласно са OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribeпреписиМодел који OpenAI препоручује за снимљени говор на изворном језику.
gpt-4o-transcribeобојеПрепис опште намене. Добија га нови препознавач ове врсте.
gpt-4o-mini-transcribeобојеЛакша и јефтинија варијанта претходног.
gpt-4o-transcribe-diarizeпреписиОзначава ко када говори. Користите га само ако вам то треба.
whisper-1преписиСтарији модел Whisper, задржан за посебне намене попут временских ознака речи и титлова.
gpt-live-transcribeшаптачМодел OpenAI уживо: речи стижу како се изговарају. Телефон га нуди за шаптача.
Deepgram
https://api.deepgram.com/v1
nova-3обојеНајбољи Deepgram модел опште намене, за састанке, бучан и вишејезичан звук. Добија га нови препознавач ове врсте.
nova-2обојеПретходна генерација; задржите је за језике које nova-3 још не подржава.
nova-2-phonecallобојеnova-2 прилагођен уском звуку телефонске линије. Енглески.
flux-general-enшаптачНаправљен за разговор: чује када је неко завршио са говором. Енглески.
flux-general-multiшаптачИсто на десет језика, а разговор сме да прелази с једног на други.
enhanced, baseпреписиСтарији нивои; base је за велике количине.
whisperпреписиWhisper који покреће Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2преписиПрепис опште намене на више од 90 језика, са раздвајањем говорника.
scribe_v2_realtimeшаптачВерзија scribe_v2 уживо. Телефон је нуди за шаптача.
scribe_v2_medicalпреписиscribe_v2 прилагођен клиничком звуку.
scribe_v1преписиПрва генерација; застарела, користите scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedобојеНајтачнији, за разговор на једном језику. Добија га нови препознавач ове врсте.
standardобојеБржи и јефтинији, нешто мање тачан.
melia-1преписиРазговор на више језика, који мења језик усред реченице, враћа се као један препис. Само снимци, у областима ЕУ и САД; засад без сопственог речника и ознака говорника.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0обојеЈедини актуелни модел и подразумевани: 38 језика, које сам препознаје. Датотеке до 500 MB; говор уживо иде на wss://api.x.ai.
grok-voice-transcribe-1.0преписиЗастарео: услуга га преусмерава на 2.0.
Soniox
https://api.soniox.com
stt-async-v5преписиВише од 60 језика, са раздвајањем говорника.
stt-rt-v5шаптачУживо, на истих 60+ језика, и чује где се реплика завршава. Телефон га нуди за шаптача.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proобојеНајтачнији модел за снимке; 18 језика, а разговор сме да прелази с једног на други.
universal-2преписи99 језика, јефтинији; AssemblyAI посеже за њим за језик који universal-3-5-pro не познаје.
universal-3-6-proшаптачНајновији AssemblyAI модел уживо, 32 језика; услуга га користи када је модел празан.
universal-streaming-multilingualшаптачЈефтиније препознавање уживо на енглеском, шпанском, немачком, француском, португалском и италијанском.
universal-streaming-englishшаптачЈефтиније препознавање уживо, само на енглеском.
Vosk (на вашој сопственој машини)
ws://localhost:2700
(подешава се на серверу)обојеБесплатан и лаган; ради без графичке картице. Модел је онај са којим је сервер покренут, по један за сваки језик, на пример vosk-model-en-us-0.22 или мали vosk-model-small-en-us-0.15.
WhisperLive (на вашој сопственој машини)
ws://localhost:9090
smallобојеWhisper у току уживо. Величина се бира на картици: tiny, base, small (њу нуди телефон), medium, large-v3; што је већи, то је тачнији и то више тражи графичку картицу.
NVIDIA Riva (на вашој сопственој машини)
localhost:50051
(подешава се на серверу)обојеГоворни сервер NVIDIA за рачунар са NVIDIA графичком картицом. Нуди моделе попут Parakeet и Canary.

Шта је добро знати пре избора:

  • Преписи или шаптач. Модел за говор уживо не прима готову датотеку, а већина модела за датотеке не уме да слуша уживо. Зато картица има два поља, Модел за преписе и Модел за шаптача.
  • Величина датотеке. OpenAI прима датотеке до 25 МБ, X.ai до 500 МБ. Дуг разговор може бити већи него што услуга у облаку прима.
  • Цена. Услуге у облаку наплаћују минут звука, а цене се разликују по моделу и мењају; прочитајте их на страници саме услуге пре преласка. Препознавач на вашој сопственој машини не кошта ништа.
  • Језици. Свака услуга има свој списак; проверите свој и подесите код у пољу Језик у напредним подешавањима препознавача ако погађа погрешно.

Списак модела услуге се често мења. Ако овде недостаје модел који желите, актуелни списак је у документацији саме услуге — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — а Модел је назив тачно онакав какав га даје услуга.

Сопствени модели​

Препознавач не мора да буде услуга у облаку. Телефон може да користи било који модел доступан преко API-ја компатибилног са OpenAI — сучеља POST /v1/audio/transcriptions —, било да ради локално на вашем рачунару или на сопственом серверу. Звук никада не напушта ваше просторије, ништа се не наплаћује по минуту и нема ограничења количине.

Да бисте га додали, притисните Додај и упишите:

  • адресу сервера, до и укључујући /v1, на пример http://localhost:8000/v1 за сам рачунар или http://asr.local:8080/v1 за сервер у вашој мрежи;
  • назив модела тачно онакав какав га наводи сервер, на пример openai/whisper-large-v3-turbo.

Шта може да се користи​

Уобичајен избор је Whisper, OpenAI-јев отворени модел за препознавање говора. Бесплатан је за коришћење, разуме стотинак језика и долази у неколико величина: мали модел ради на обичном рачунару, велики су приметно тачнији и најбоље им је дати графичку картицу.

МоделНапомене
whisper-large-v3Најтачнији Whisper. За сервер са GPU-ом.
openai/whisper-large-v3-turboБржа верзија large-v3 са малим губитком тачности.
Systran/faster-whisper-large-v3large-v3 претворен за погон faster-whisper; бржи и штедљивији са меморијом.
medium, small, baseМањи модели Whisper, за рачунар без графичке картице.

Whisper је модел око ког су ови сервери изграђени. Неки од њих могу да служе и друге моделе за препознавање говора, као што је NVIDIA Parakeet.

Сервери који нуде API компатибилан са OpenAI​

Модел мора да покреће сервер који нуди крајњу тачку /v1/audio/transcriptions компатибилну са OpenAI. Ови то раде:

СерверШта је
vLLMСервер модела високих перформанси. Након покретања служи Whisper на http://localhost:8000/v1.
SpeachesСервер за говорне моделе, „Ollama за говор”, изграђен на faster-whisper-у. Модел учитава када се први пут затражи.
whisper.cppЕфикасно покреће Whisper на CPU-у, укључујући Apple silicon. Његов whisper-server покреће се са --inference-path /v1/audio/transcriptions.
LocalAIДиректна замена за OpenAI која моделе покреће локално.

Сваки други сервер који нуди исту крајњу тачку ради на исти начин. Ако сервер тражи кључ, упишите га као за услугу у облаку.

Пре него што се ослоните на сервер, направите пробни снимак и погледајте препис у прозору Снимци: разговор на језику који модел слабо познаје то одмах показује.