# Преписивање

> Избор препознавача који претвара звук у текст: његова адреса, његов модел и табела модела свих врста услуга.

**Подешавања → Преписивање** наводи препознаваче: услуге које претварају звук у текст, за завршене разговоре и, за [шаптача](https://docs.ai-softphone.com/sr/interface/prompter/index.md), док разговор траје.

![Подешавања → Преписивање: пет препознавача](https://docs.ai-softphone.com/screenshots/macos/sr/25_transcription.png)

Разговор се преписује када то затражите у [прозору Снимци](https://docs.ai-softphone.com/sr/interface/recordings/index.md), или сам од себе ако је у одељку [Обрада](https://docs.ai-softphone.com/sr/ai-processing/processing/index.md) укључено **Обрађуј разговоре самостално**. Препознавач на вашој сопственој машини не кошта ништа; онај у облаку наплаћује минут звука.

## Препознавачи {#recognisers}
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:

| Врста | Адреса за преписе | Адреса за шаптача | Модел | На слици |
| --- | --- | --- | --- | --- |
| **Сагласно са OpenAI (Whisper, OpenAI)** | `https://api.openai.com/v1` | `wss://api.openai.com` | `gpt-4o-transcribe`, уживо `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`, уживо `scribe_v2_realtime` | **ElevenLabs** · `scribe_v2` |
| **Speechmatics** | `https://asr.api.speechmatics.com/v2` | `wss://global.rt.speechmatics.com`, или за регион `eu.`, `us.`, `au.` уместо `global.` | `enhanced` | — |
| **xAI (Grok)** | `https://api.x.ai/v1` | `wss://api.x.ai` | *(празно: подразумевани модел услуге)*, уживо `grok-voice-transcribe-2.0` | **X.ai** · уживо `grok-voice-transcribe-2.0` |
| **Soniox** | `https://api.soniox.com` | `wss://stt-rt.soniox.com` | *(празно: подразумевани модел услуге)*, уживо `stt-rt-v5` | — |
| **AssemblyAI** | `https://api.assemblyai.com` | `wss://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](https://docs.ai-softphone.com/sr/interface/recordings/index.md#transcript-or-write-up-the-drop-down) приказује преписе које је направио сваки од њих.

## Картица препознавача {#the-recognisers-card}
Притисак на препознавач отвара његову картицу.

![Картица препознавача X.ai: врста, две адресе, кључ, Испробај и подразумеване вредности](https://docs.ai-softphone.com/screenshots/macos/sr/43_recogniser_card.png)

| Поље | Шта је |
| --- | --- |
| **Назив** | Назив на списковима. |
| **Врста** | Врста 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 преписе** | Куда се шаљу завршени разговори. |
| **Адреса за шаптача** | Куда 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*. |
| **Кључ** | Кључ услуге. *Чува се у привеску овог рачунара, никада у датотеци с подешавањима.* |
| **Испробај** | Пита услугу и каже шта је одговорила, на пример *Одговорио је и нуди 3 модела*. |
| **Модел за преписе** и **Модел за шаптача** | Модел 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 преписе** | Чини овај препознавач оним који се користи када не изаберете други. |
| **Подразумевано за шаптача** | Чини овај препознавач оним којим слуша нови помоћник шаптача. |
| **Укључено** | Искључен препознавач остаје на списку, али се не користи. |

**Напредна подешавања** отварају остатак картице. Вредности које су најважније:

![Напредна подешавања препознавача: границе, како се секу одговори, језик](https://docs.ai-softphone.com/screenshots/macos/sr/43b_recogniser_advanced.png)

| Поље | Шта ради |
| --- | --- |
| **Област** | Област услуге, ако их има више. |
| **Шаљи две стране одвојено** | Позив 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 говори** | Разликује особе унутар једног канала када на њему говори више њих. |
| **Бројеве писати цифрама** | Износи, датуми и бројеви телефона враћају се онако како се пишу, а не исписани речима. |
| **Граница слања**, **Граница трајања** | Највећа датотека у бајтовима и најдужи снимак у секундама које ће овај телефон послати. |
| **Захтева одједном** | Колико захтева сме да буде у току истовремено. |
| **Заврши одговор након**, **Споји кратке одговоре у року од**, **Размак међу репликама** | За 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. |
| **Језик** | Двословни 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. |
| **Додатно** | Један `name = value` по реду, прослеђује се услузи непромењен. Оставите празно, осим ако сервер нешто документује. |
| **Чекање, минути** | Колико чекати препис. Празно то израчунава из трајања снимка. |
| **Цена по минуту** | Колико кошта минут звука уживо према ценовнику услуге. Шаптач показује колико је сесија коштала и зауставља се на свом [месечном ограничењу](https://docs.ai-softphone.com/sr/ai-processing/prompter/index.md#spending). |

## Препознавање уживо за шаптача {#live-recognition-for-the-prompter}
[Шаптачу](https://docs.ai-softphone.com/sr/interface/prompter/index.md) 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 {#which-model-to-choose}
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](#live-recognition-for-the-prompter) (*шаптач*) или за *обоје*.

| Врста и адреса | Модел | За шта | Чему служи |
| --- | --- | --- | --- |
| **Сагласно са OpenAI (Whisper, OpenAI)**<br />`https://api.openai.com/v1` | `gpt-transcribe` | преписи | Модел који OpenAI препоручује за снимљени говор на изворном језику. |
| | **`gpt-4o-transcribe`** | обоје | Препис опште намене. Добија га нови препознавач ове врсте. |
| | `gpt-4o-mini-transcribe` | обоје | Лакша и јефтинија варијанта претходног. |
| | `gpt-4o-transcribe-diarize` | преписи | Означава ко када говори. Користите га само ако вам то треба. |
| | `whisper-1` | преписи | Старији модел Whisper, задржан за посебне намене попут временских ознака речи и титлова. |
| | `gpt-live-transcribe` | шаптач | Модел OpenAI уживо: речи стижу како се изговарају. Телефон га нуди за шаптача. |
| **Deepgram**<br />`https://api.deepgram.com/v1` | `nova-3` | обоје | Најбољи Deepgram модел опште намене, за састанке, бучан и вишејезичан звук. Добија га нови препознавач ове врсте. |
| | **`nova-2`** | обоје | Претходна генерација; задржите је за језике које `nova-3` још не подржава. |
| | `nova-2-phonecall` | обоје | `nova-2` прилагођен уском звуку телефонске линије. Енглески. |
| | `flux-general-en` | шаптач | Направљен за разговор: чује када је неко завршио са говором. Енглески. |
| | `flux-general-multi` | шаптач | Исто на десет језика, а разговор сме да прелази с једног на други. |
| | `enhanced`, `base` | преписи | Старији нивои; `base` је за велике количине. |
| | `whisper` | преписи | Whisper који покреће Deepgram. |
| **ElevenLabs (Scribe)**<br />`https://api.elevenlabs.io/v1` | **`scribe_v2`** | преписи | Препис опште намене на више од 90 језика, са раздвајањем говорника. |
| | `scribe_v2_realtime` | шаптач | Верзија `scribe_v2` уживо. Телефон је нуди за шаптача. |
| | `scribe_v2_medical` | преписи | `scribe_v2` прилагођен клиничком звуку. |
| | `scribe_v1` | преписи | Прва генерација; застарела, користите `scribe_v2`. |
| **Speechmatics**<br />`https://asr.api.speechmatics.com/v2` | `enhanced` | обоје | Најтачнији, за разговор на једном језику. Добија га нови препознавач ове врсте. |
| | `standard` | обоје | Бржи и јефтинији, нешто мање тачан. |
| | `melia-1` | преписи | Разговор 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)**<br />`https://api.x.ai/v1` | **`grok-voice-transcribe-2.0`** | обоје | Једини актуелни модел и подразумевани: 38 језика, које сам препознаје. Датотеке до 500 MB; говор уживо иде на `wss://api.x.ai`. |
| | `grok-voice-transcribe-1.0` | преписи | Застарео: услуга га преусмерава на `2.0`. |
| **Soniox**<br />`https://api.soniox.com` | `stt-async-v5` | преписи | Више од 60 језика, са раздвајањем говорника. |
| | `stt-rt-v5` | шаптач | Уживо, на истих 60+ језика, и чује где се реплика завршава. Телефон га нуди за шаптача. |
| **AssemblyAI**<br />`https://api.assemblyai.com` | `universal-3-5-pro` | обоје | Најтачнији модел за снимке; 18 језика, а разговор сме да прелази с једног на други. |
| | `universal-2` | преписи | 99 језика, јефтинији; AssemblyAI посеже за њим за језик који `universal-3-5-pro` не познаје. |
| | `universal-3-6-pro` | шаптач | Најновији AssemblyAI модел уживо, 32 језика; услуга га користи када је модел празан. |
| | `universal-streaming-multilingual` | шаптач | Јефтиније препознавање уживо на енглеском, шпанском, немачком, француском, португалском и италијанском. |
| | `universal-streaming-english` | шаптач | Јефтиније препознавање уживо, само на енглеском. |
| **Vosk (на вашој сопственој машини)**<br />`ws://localhost:2700` | *(подешава се на серверу)* | обоје | Бесплатан 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)**<br />`ws://localhost:9090` | `small` | обоје | Whisper 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)**<br />`localhost:50051` | *(подешава се на серверу)* | обоје | Говорни 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](https://developers.openai.com/api/docs/guides/speech-to-text), [Deepgram](https://developers.deepgram.com/docs/models-languages-overview), [ElevenLabs](https://elevenlabs.io/docs/capabilities/speech-to-text), [Speechmatics](https://docs.speechmatics.com/speech-to-text/models), [X.ai](https://docs.x.ai/developers/model-capabilities/audio/speech-to-text), [Soniox](https://soniox.com/docs/stt/models), [AssemblyAI](https://www.assemblyai.com/docs/getting-started/models), [Vosk](https://alphacephei.com/vosk/models), [WhisperLive](https://github.com/collabora/WhisperLive), [NVIDIA Riva](https://docs.nvidia.com/deeplearning/riva/user-guide/docs/asr/asr-overview.html) — а **Модел** је назив тачно онакав какав га даје услуга.

## Сопствени модели {#your-own-models}

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 {#what-can-be-used}

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.

| Модел | Напомене |
| --- | --- |
| `whisper-large-v3` | Најтачнији Whisper. За сервер са GPU-ом. |
| `openai/whisper-large-v3-turbo` | Бржа верзија `large-v3` са малим губитком тачности. |
| `Systran/faster-whisper-large-v3` | `large-v3` претворен за погон faster-whisper; бржи и штедљивији са меморијом. |
| `medium`, `small`, `base` | Мањи 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 {#servers-that-offer-the-openai-compatible-api}

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

| Сервер | Шта је |
| --- | --- |
| [vLLM](https://docs.vllm.ai/en/latest/serving/online_serving/speech_to_text/) | Сервер модела високих перформанси. Након покретања служи Whisper на `http://localhost:8000/v1`. |
| [Speaches](https://github.com/speaches-ai/speaches) | Сервер за говорне моделе, „Ollama за говор”, изграђен на faster-whisper-у. Модел учитава када се први пут затражи. |
| [whisper.cpp](https://github.com/ggml-org/whisper.cpp) | Ефикасно покреће Whisper на CPU-у, укључујући Apple silicon. Његов `whisper-server` покреће се са `--inference-path /v1/audio/transcriptions`. |
| [LocalAI](https://localai.io/) | Директна 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](https://docs.ai-softphone.com/sr/interface/recordings/index.md): разговор на језику који модел слабо познаје то одмах показује.
