Transkription
Inställningar → Transkription listar igenkännarna: tjänsterna som gör ljud till text, för avslutade samtal och, för sufflören, medan ett samtal pågår.
Ett samtal transkriberas när du ber om det i fönstret Inspelningar, eller av sig självt om Bearbeta samtal automatiskt är påslaget under Bearbetning. En igenkännare på din egen maskin kostar ingenting att köra; en i molnet tar betalt per minut ljud.
Igenkännare
En igenkännare är en taligenkänningstjänst som telefonen skickar ljudet till. Lägg till lägger till en; knappen Prova på dess kort kontrollerar att tjänsten verkligen svarar. Var och en står i listan med sitt namn och under det modellen och adressen till sin tjänst. Tabellen visar varje sorts tjänst som telefonen stöder, så som Sort på kortet erbjuder dem, med adressen och modellerna som en ny igenkännare av den sorten får; den sista kolumnen visar de fem som är inställda på bilden:
| Sort | Adress för transkriptioner | Adress för sufflören | Modell | På bilden |
|---|---|---|---|---|
| OpenAI-kompatibel (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, levande 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, levande scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, eller eu., us., au. i stället för global. för en region | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (tomt: tjänstens standard), levande grok-voice-transcribe-2.0 | X.ai · levande grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (tomt: tjänstens standard), levande stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://streaming.assemblyai.com | (tomt: tjänstens standard) | — |
| Vosk (på din egen maskin) | din server, till exempel ws://localhost:2700 | (samma server) | (ställs in på servern) | Vosk · ws://localhost:2700 |
| WhisperLive (på din egen maskin) | din server, till exempel ws://localhost:9090 | (samma server) | levande small | — |
| NVIDIA Riva (på din egen maskin) | din server, till exempel localhost:50051 | (samma server) | (ställs in på servern) | — |
Fältet Adress för sufflören är oftast en WebSocket-adress: wss:// för en tjänst i molnet, ws:// för en server i ditt eget nätverk; NVIDIA Riva anges som värd:port.
De två märkena till höger i en rad säger vad igenkännaren är standard för. Klockan lyser vid standarden för transkriptioner — X.ai på bilden —, som används när du inte väljer någon annan. Blixten lyser vid standarden för sufflören — Vosk på bilden. Du kan behålla flera igenkännare; rullgardinslistan ovanför en transkription i fönstret Inspelningar visar de transkriptioner som var och en har gjort.
Igenkännarens kort
Ett klick på en igenkännare öppnar dess kort.
| Fält | Vad det är |
|---|---|
| Namn | Namnet i listorna. |
| Sort | Tjänstens sort, som avgör hur telefonen pratar med den: OpenAI-kompatibel (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics och tre som körs på din egen maskin — Vosk, WhisperLive och NVIDIA Riva. |
| Adress för transkriptioner | Dit avslutade samtal skickas. |
| Adress för sufflören | Dit det levande ljudet går medan ett samtal pågår. Oftast en WebSocket-adress: wss:// för en tjänst i molnet, som wss://api.x.ai på bilden, ws:// för en server i ditt eget nätverk. Tomt härleds från adressen bredvid. |
| Nyckel | Tjänstens nyckel. Det ligger i den här datorns nyckelring, aldrig i en inställningsfil. |
| Prova | Frågar tjänsten och säger vad den svarade, till exempel Svarade, och erbjuder 3 modeller. |
| Modell för transkriptioner och Modell för sufflören | Modellen, exakt som tjänsten kallar den. Tomt skickar inget modellnamn, och tjänsten använder sin egen standard; där leverantören publicerar en nämner kortet den. Fältet visas inte för en sort utan val. På bilden har xAI inget fält Modell för transkriptioner, och Modell för sufflören är satt till grok-voice-transcribe-2.0. |
| Standard för transkriptioner | Gör den här till igenkännaren som används när du inte väljer någon annan. |
| Standard för sufflören | Gör den här till igenkännaren som en ny hjälpare i sufflören lyssnar med. |
| På | Avslagen stannar igenkännaren i listan och används inte. |
Avancerade inställningar öppnar resten av kortet. De värden som betyder mest:
| Fält | Vad det gör |
|---|---|
| Region | Tjänstens region, för en tjänst som har flera. |
| Skicka de två sidorna var för sig | Ett samtal spelas in med de två personerna på två kanaler, och det är det som talar om för igenkännaren vem som sa vad. Slå av det för en server som säger att den klarar det och inte gör det. |
| Fråga vem som talar | Skiljer på personerna inom en kanal, där flera talar på den. |
| Skriv tal med siffror | Belopp, datum och telefonnummer kommer tillbaka som de skrivs i stället för utskrivna med bokstäver. |
| Uppladdningsgräns, Längdgräns | Den största filen, i byte, och den längsta inspelningen, i sekunder, som den här telefonen skickar. |
| Begäranden samtidigt | Hur många begäranden som får vara på gång samtidigt. |
| Avsluta ett svar efter, Slå ihop korta svar inom, Paus mellan turer | För sufflören: hur länge utan nya ord som avslutar ett svar, hur länge ett kort svar väntar på nästa för att slås ihop med det, och hur lång tystnad som avslutar en tur där igenkännaren inte markerar någon. I millisekunder. |
| Språk | En språkkod på två bokstäver enligt ISO 639-1 (en, de, es, fr, sr…). Lämna den tom så bestämmer igenkännaren — det är rätt, om inte dina samtal är på ett språk som den hela tiden hör fel. |
| Extra | En name = value per rad, som skickas oförändrad till tjänsten. Lämna det tomt om inte servern dokumenterar något. |
| Väntan, minuter | Hur länge man väntar på en transkription. Tomt räknar ut det från inspelningens längd. |
| Pris per minut | Vad en minut levande ljud kostar, enligt tjänstens prislista. Sufflören visar vad en session har kostat och stannar vid sitt månadstak. |
Levande igenkänning för sufflören
Sufflören behöver en igenkännare som lyssnar medan någon talar, via en ström i stället för med en färdig fil. Dessa sorter kan det: Deepgram, ElevenLabs (Scribe), xAI (Grok), OpenAI-kompatibel (med OpenAI:s realtidstranskription), AssemblyAI, Soniox och Speechmatics i molnet och Vosk, WhisperLive och NVIDIA Riva på din egen maskin. En igenkännare på din egen maskin håller den andra partens röst inom huset och kostar ingenting.
Så använder du en: öppna dess kort, kontrollera fältet Adress för sufflören — oftast en WebSocket-adress, till exempel wss://api.x.ai för X.ai, wss://api.deepgram.com för Deepgram eller ws://localhost:2700 för Vosk; tomt härleds det ur fältet Adress för transkriptioner. Välj sedan Modell för sufflören: livemodellerna är ofta andra än de för filer — grok-voice-transcribe-2.0 för X.ai, som på kortet på bilden, scribe_v2_realtime för ElevenLabs, gpt-live-transcribe för OpenAI, stt-rt-v5 för Soniox. Tryck på Prova. Bocka för Standard för sufflören så att nya hjälpare lyssnar med den.
Vilken modell du ska välja
Tabellen listar taligenkänningsmodellerna för varje sort i listan Sort. Modellerna i fetstil är de som är inställda på bilden; för igenkännaren X.ai är modellen tom, så tjänstens standard, grok-voice-transcribe-2.0, är den som används. Tomt är där fältet Modell för transkriptioner; Modell för sufflören är satt till samma modell. För säger vad en modell är gjord för: färdiga inspelningar (transkriptioner), levande tal för sufflören (sufflör) eller båda.
| Sort och adress | Modell | För | Vad den är till för |
|---|---|---|---|
OpenAI-kompatibel (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | transkriptioner | Modellen som OpenAI rekommenderar för inspelat tal på originalspråket. |
gpt-4o-transcribe | båda | Transkription för allmänt bruk. En ny igenkännare av den här sorten får den. | |
gpt-4o-mini-transcribe | båda | En lättare och billigare variant av den förra. | |
gpt-4o-transcribe-diarize | transkriptioner | Markerar vem som talar när. Använd den bara om du behöver det. | |
whisper-1 | transkriptioner | Den äldre Whisper-modellen, sparad för särskilda behov som tidsstämplar per ord och undertexter. | |
gpt-live-transcribe | sufflör | OpenAI:s levande modell: orden kommer medan de sägs. Telefonen erbjuder den för sufflören. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | båda | Deepgrams bästa modell för allmänt bruk, för möten, bullrigt och flerspråkigt ljud. En ny igenkännare av den här sorten får den. |
nova-2 | båda | Den förra generationen; behåll den för språk som nova-3 ännu inte stöder. | |
nova-2-phonecall | båda | nova-2 anpassad till det smala ljudet i en telefonlinje. Engelska. | |
flux-general-en | sufflör | Gjord för samtal: den hör när någon har pratat färdigt. Engelska. | |
flux-general-multi | sufflör | Samma sak på tio språk, och ett samtal får växla mellan dem. | |
enhanced, base | transkriptioner | Äldre nivåer; base är för stora volymer. | |
whisper | transkriptioner | Whisper, körd av Deepgram. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | transkriptioner | Transkription för allmänt bruk på över 90 språk, med åtskillnad av talare. |
scribe_v2_realtime | sufflör | Den levande versionen av scribe_v2. Telefonen erbjuder den för sufflören. | |
scribe_v2_medical | transkriptioner | scribe_v2 anpassad till kliniskt ljud. | |
scribe_v1 | transkriptioner | Första generationen; föråldrad, använd scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | båda | Den mest exakta, för ett samtal på ett språk. En ny igenkännare av den här sorten får den. |
standard | båda | Snabbare och billigare, lite mindre exakt. | |
melia-1 | transkriptioner | Ett samtal på flera språk, som byter mitt i en mening, kommer tillbaka som en enda transkription. Bara inspelningar, i regionerna EU och USA; ännu utan egen ordlista och talaretiketter. | |
xAI (Grok)https://api.x.ai/v1 | grok-voice-transcribe-2.0 | båda | Den enda aktuella modellen och standarden: 38 språk, som den känner igen själv. Filer upp till 500 MB; levande tal går till wss://api.x.ai. |
grok-voice-transcribe-1.0 | transkriptioner | Föråldrad: tjänsten skickar den vidare till 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | transkriptioner | Över 60 språk, med åtskillnad av talare. |
stt-rt-v5 | sufflör | Levande, på samma 60+ språk, och hör var en tur slutar. Telefonen erbjuder den för sufflören. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | båda | Den mest exakta modellen för inspelningar; 18 språk, och ett samtal får växla mellan dem. |
universal-2 | transkriptioner | 99 språk, billigare; AssemblyAI faller tillbaka på den för ett språk som universal-3-5-pro inte kan. | |
universal-3-6-pro | sufflör | AssemblyAI:s nyaste levande modell, 32 språk; tjänsten använder den när modellen är tom. | |
universal-streaming-multilingual | sufflör | Billigare levande igenkänning på engelska, spanska, tyska, franska, portugisiska och italienska. | |
universal-streaming-english | sufflör | Billigare levande igenkänning, bara engelska. | |
Vosk (på din egen maskin)ws://localhost:2700 | (ställs in på servern) | båda | Gratis och lätt; körs utan grafikkort. Modellen är den som servern startades med, en per språk, till exempel vosk-model-small-sv-rhasspy-0.15 eller vosk-model-en-us-0.22. |
WhisperLive (på din egen maskin)ws://localhost:9090 | small | båda | Whisper över en levande ström. Storleken väljs på kortet: tiny, base, small (det som telefonen erbjuder), medium, large-v3; ju större, desto mer exakt, och desto mer vill den ha ett grafikkort. |
NVIDIA Riva (på din egen maskin)localhost:50051 | (ställs in på servern) | båda | NVIDIA:s talserver, för en dator med ett NVIDIA-grafikkort. Den levererar modeller som Parakeet och Canary. |
Bra att veta innan du väljer:
- Transkriptioner eller sufflör. En modell för levande tal tar inte emot en färdig fil, och de flesta modeller för filer kan inte lyssna levande. Därför har ett kort två fält, Modell för transkriptioner och Modell för sufflören.
- Filstorlek. OpenAI tar emot filer upp till 25 MB; X.ai upp till 500 MB. Ett långt samtal kan vara större än en molntjänst tar emot.
- Pris. Molntjänster tar betalt per minut ljud, och priserna skiljer sig mellan modeller och ändras; läs dem på tjänstens egen sida innan du byter. En igenkännare på din egen maskin kostar ingenting att köra.
- Språk. Varje tjänst har sin egen lista; kontrollera din och ange koden under Språk i igenkännarens avancerade inställningar om den gissar fel.
En tjänsts lista över modeller ändras ofta. Saknas en modell du vill ha här finns den aktuella listan i tjänstens egen dokumentation — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — och Modell är namnet exakt som tjänsten anger det.
Dina egna modeller
En igenkännare behöver inte vara en molntjänst. Telefonen kan använda vilken modell som helst som tillhandahålls via det OpenAI-kompatibla API:et — gränssnittet POST /v1/audio/transcriptions —, oavsett om den körs lokalt på din dator eller på en egen server. Ljudet lämnar aldrig dina lokaler, ingenting debiteras per minut och det finns ingen gräns för volymen.
För att lägga till en trycker du på Lägg till och anger:
- serverns adress, till och med
/v1, till exempelhttp://localhost:8000/v1för själva datorn ellerhttp://asr.local:8080/v1för en server i ditt nätverk; - modellens namn exakt som servern visar det, till exempel
openai/whisper-large-v3-turbo.
Vad som kan användas
Det vanliga valet är Whisper, OpenAIs öppna modell för taligenkänning. Den är gratis att använda, förstår ungefär hundra språk och finns i flera storlekar: en liten modell körs på en vanlig dator, de stora är märkbart noggrannare och mår bäst av ett grafikkort.
| Modell | Anmärkningar |
|---|---|
whisper-large-v3 | Den noggrannaste Whisper. För en server med GPU. |
openai/whisper-large-v3-turbo | En snabbare version av large-v3 med en liten förlust i noggrannhet. |
Systran/faster-whisper-large-v3 | large-v3 konverterad för motorn faster-whisper; snabbare och snålare med minnet. |
medium, small, base | Mindre Whisper-modeller, för en dator utan grafikkort. |
Whisper är modellen som de här servrarna är byggda kring. Vissa av dem kan också tillhandahålla andra modeller för taligenkänning, som NVIDIA Parakeet.
Servrar som erbjuder det OpenAI-kompatibla API:et
Modellen måste köras av en server som erbjuder den OpenAI-kompatibla slutpunkten /v1/audio/transcriptions. De här gör det:
| Server | Vad den är |
|---|---|
| vLLM | En högpresterande modellserver. Tillhandahåller Whisper på http://localhost:8000/v1 när den har startat. |
| Speaches | En server för talmodeller, ”Ollama för tal”, byggd på faster-whisper. Läser in en modell första gången den efterfrågas. |
| whisper.cpp | Kör Whisper effektivt på en CPU, även Apple silicon. Dess whisper-server startas med --inference-path /v1/audio/transcriptions. |
| LocalAI | En direkt ersättning för OpenAI som kör modeller lokalt. |
Varje annan server som erbjuder samma slutpunkt fungerar på samma sätt. Om en server kräver en nyckel anger du den som för en molntjänst.
Innan du förlitar dig på en server gör du en testinspelning och tittar på utskriften i fönstret Inspelningar: ett samtal på ett språk som modellen kan dåligt avslöjar det direkt.