Перейти до основного вмісту

Розшифровка

Налаштування → Розшифровка — це список розпізнавачів: сервісів, які перетворюють звук на текст, для завершених розмов і, для суфлера, під час розмови.

Розмова розшифровується, коли ви просите про це у вікні записів, або сама, якщо в розділі Обробка увімкнено Обробляти розмови автоматично. Розпізнавач на вашій власній машині нічого не коштує; хмарний бере плату за хвилину звуку.

Розпізнавачі​

Розпізнавач — це сервіс розпізнавання мовлення, якому телефон надсилає звук. Додати додає новий; кнопка Перевірити в його картці перевіряє, що сервіс справді відповідає. Кожен показано у списку з назвою, а під нею — модель і адреса його сервісу. У таблиці — усі види сервісів, які підтримує телефон, так, як їх пропонує Вид у картці, з адресою та моделями, які отримує новий розпізнавач цього виду; останній стовпець показує п’ять налаштованих на зображенні:

ВидАдреса для розшифровокАдреса для суфлераМодельНа зображенні
Сумісний з OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, наживо 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, наживо scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, для регіону — eu., us. або au. замість global.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(порожньо: типова модель сервісу), наживо grok-voice-transcribe-2.0X.ai · наживо grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(порожньо: типова модель сервісу), наживо stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(порожньо: типова модель сервісу)—
Vosk (на вашій власній машині)ваш сервер, наприклад ws://localhost:2700(той самий сервер)(задається на сервері)Vosk · ws://localhost:2700
WhisperLive (на вашій власній машині)ваш сервер, наприклад ws://localhost:9090(той самий сервер)наживо small—
NVIDIA Riva (на вашій власній машині)ваш сервер, наприклад localhost:50051(той самий сервер)(задається на сервері)—

У полі Адреса для суфлера зазвичай адреса WebSocket: wss:// для хмарного сервісу, ws:// для сервера у вашій мережі; NVIDIA Riva задається як хост:порт.

Два значки праворуч у рядку показують, для чого розпізнавач типовий. Годинник світиться біля типового для розшифровок — на зображенні це X.ai: його використовують, коли ви не обрали іншого. Блискавка світиться біля типового для суфлера — на зображенні це Vosk. Розпізнавачів можна мати кілька; випадний список над розшифровкою у вікні записів показує розшифровки, зроблені кожним із них.

Картка розпізнавача​

Натискання на розпізнавач відкриває його картку.

ПолеЩо це
НазваІм’я у списках.
ВидВид сервісу, від якого залежить, як телефон із ним розмовляє: Сумісний з OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics і три, що працюють на вашій власній машині, — Vosk, WhisperLive і NVIDIA Riva.
Адреса для розшифровокКуди надсилаються завершені розмови.
Адреса для суфлераКуди йде живий звук під час розмови. Зазвичай це адреса WebSocket: wss:// для хмарного сервісу, як wss://api.x.ai на зображенні, ws:// для сервера у вашій мережі. Порожнє визначається з адреси поруч.
КлючКлюч сервісу. Зберігається у сховищі ключів цього комп’ютера, ніколи у файлі налаштувань.
ПеревіритиЗапитує сервіс і повідомляє, що він відповів, наприклад Відповів і пропонує 3 моделі.
Модель для розшифровок і Модель для суфлераМодель — точно так, як її називає сервіс. Порожнє не надсилає назви моделі, і сервіс бере свою типову; якщо постачальник її публікує, картка її називає. Для виду, у якого вибору немає, поле не показується. На зображенні в xAI немає поля Модель для розшифровок, а в полі Модель для суфлера задано grok-voice-transcribe-2.0.
Типовий для розшифровокРобить цей розпізнавач тим, який використовують, коли ви не обрали іншого.
Типовий для суфлераРобить цей розпізнавач тим, яким слухає новий помічник суфлера.
УвімкненоВимкнений розпізнавач лишається у списку, але не використовується.

Додаткові налаштування розкривають решту картки. Найважливіше в них:

ПолеЩо робить
РегіонРегіон сервісу, якщо їх у нього кілька.
Надсилати дві сторони окремоДзвінок записується так, що двоє співрозмовників лежать у двох каналах, — саме з цього розпізнавач розуміє, хто що сказав. Вимкніть для сервера, який заявляє, що вміє це, а насправді не вміє.
Просити, хто говоритьРозрізняє людей усередині одного каналу, якщо в ньому говорять кілька осіб.
Писати числа цифрамиСуми, дати й номери телефонів приходять записаними цифрами, а не словами.
Межа вивантаження, Межа тривалостіНайбільший файл у байтах і найдовший запис у секундах, які надішле телефон.
Запитів водночасСкільки запитів може виконуватися одночасно.
Завершувати репліку через, Склеювати короткі репліки в межах, Проміжок між реплікамиДля суфлера: скільки часу без нових слів завершує репліку, скільки коротка репліка чекає на наступну, щоб склеїтися з нею, і яка тиша завершує чергу мовця, якщо розпізнавач сам її не позначає. У мілісекундах.
МоваДволітерний код мови за ISO 639-1 (en, de, es, fr, sr…). Залиште порожнім — розпізнавач вирішить сам; це правильно, якщо тільки ваші розмови не йдуть мовою, яку він постійно плутає.
ДодатковеПараметри виду name = value, по одному в рядку, — передаються сервісу як є. Залиште порожнім, якщо сервер нічого такого не описує.
Очікування, хвилиниСкільки чекати розшифровку. Порожнє — очікування рахується за тривалістю запису.
Ціна за хвилинуСкільки коштує хвилина живого звуку — з прайс-листа сервісу. Суфлер показує, скільки коштував сеанс, і зупиняється на своїй місячній межі.

Живе розпізнавання для суфлера​

Суфлеру потрібен розпізнавач, який слухає, поки людина говорить, — потоком, а не готовим файлом. Це вміють такі види: Deepgram, ElevenLabs (Scribe), xAI (Grok), Сумісний з OpenAI (з живою розшифровкою OpenAI), AssemblyAI, Soniox і Speechmatics у хмарі і Vosk, WhisperLive та NVIDIA Riva на вашій власній машині. Розпізнавач на вашій власній машині залишає голос співрозмовника всередині й нічого не коштує.

Щоб ним скористатися, відкрийте його картку, перевірте поле Адреса для суфлера — зазвичай це адреса WebSocket, наприклад wss://api.x.ai для X.ai, wss://api.deepgram.com для Deepgram або ws://localhost:2700 для Vosk; порожнє поле обчислюється з поля Адреса для розшифровок. Потім виберіть Модель для суфлера: живі моделі часто відрізняються від моделей для файлів — grok-voice-transcribe-2.0 для X.ai, як на картці на зображенні, scribe_v2_realtime для ElevenLabs, gpt-live-transcribe для OpenAI, stt-rt-v5 для Soniox. Натисніть Перевірити. Позначте Типовий для суфлера, щоб нові помічники слухали саме ним.

Яку модель вибрати​

У таблиці — моделі розпізнавання мовлення всіх видів зі списку Вид. Жирним виділено моделі, налаштовані на зображенні; у розпізнавача X.ai модель порожня, тому використовується типова модель сервісу — grok-voice-transcribe-2.0. Порожнє там поле Модель для розшифровок; у полі Модель для суфлера задано ту саму модель. Стовпець Для чого каже, для чого зроблено модель: для завершених записів (розшифровки), для живого мовлення суфлера (суфлер) чи для обох.

Вид і адресаМодельДля чогоЩо це
Сумісний з OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribeрозшифровкиМодель, яку OpenAI рекомендує для записаного мовлення мовою оригіналу.
gpt-4o-transcribeобидваРозшифровка загального призначення. Її отримує новий розпізнавач цього виду.
gpt-4o-mini-transcribeобидваПолегшений і дешевший варіант попередньої.
gpt-4o-transcribe-diarizeрозшифровкиПозначає, хто коли говорить. Беріть, лише якщо це потрібно.
whisper-1розшифровкиСтара модель Whisper — для особливих завдань на кшталт часових міток для слів і субтитрів.
gpt-live-transcribeсуфлерЖива модель OpenAI: слова надходять у міру того, як їх вимовляють. Телефон пропонує її для суфлера.
Deepgram
https://api.deepgram.com/v1
nova-3обидваНайкраща модель Deepgram загального призначення — для зустрічей, шумного й багатомовного мовлення. Її отримує новий розпізнавач цього виду.
nova-2обидваПопереднє покоління; залиште його для мов, яких nova-3 ще не знає.
nova-2-phonecallобидваnova-2, налаштована на вузький звук телефонної лінії. Англійська.
flux-general-enсуфлерЗроблена для розмови: чує, коли людина договорила. Англійська.
flux-general-multiсуфлерТе саме десятьма мовами, і розмова може переходити з однієї на іншу.
enhanced, baseрозшифровкиСтаріші рівні; base — для великих обсягів.
whisperрозшифровкиWhisper, запущений у Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2розшифровкиРозшифровка загального призначення понад 90 мовами, з розділенням мовців.
scribe_v2_realtimeсуфлерЖива версія scribe_v2. Телефон пропонує її для суфлера.
scribe_v2_medicalрозшифровкиscribe_v2, налаштована на медичне мовлення.
scribe_v1розшифровкиПерше покоління; застаріло, використовуйте scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedобидваНайточніша — для розмови однією мовою. Її отримує новий розпізнавач цього виду.
standardобидваШвидша й дешевша, трохи менш точна.
melia-1розшифровкиРозмова кількома мовами, з переходами посеред фрази, приходить однією розшифровкою. Лише для записів, у регіонах ЄС і США; власного словника й позначення мовців поки немає.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0обидваЄдина актуальна модель і водночас типова: 38 мов, мову визначає сама. Файли до 500 МБ; жива мова йде на wss://api.x.ai.
grok-voice-transcribe-1.0розшифровкиЗастаріла: сервіс переадресовує її на 2.0.
Soniox
https://api.soniox.com
stt-async-v5розшифровкиПонад 60 мов, з розділенням мовців.
stt-rt-v5суфлерЖиве розпізнавання тими самими 60+ мовами; чує, де закінчується репліка. Телефон пропонує її для суфлера.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proобидваНайточніша модель для записів; 18 мов, і розмова може переходити з однієї на іншу.
universal-2розшифровки99 мов, дешевша; AssemblyAI переходить на неї для мови, якої universal-3-5-pro не знає.
universal-3-6-proсуфлерНайновіша жива модель AssemblyAI, 32 мови; сервіс бере її, коли модель не вказано.
universal-streaming-multilingualсуфлерДешевше живе розпізнавання англійською, іспанською, німецькою, французькою, португальською та італійською.
universal-streaming-englishсуфлерДешевше живе розпізнавання, лише англійською.
Vosk (на вашій власній машині)
ws://localhost:2700
(задається на сервері)обидваБезплатний і легкий, працює без відеокарти. Модель — та, з якою запущено сервер, своя для кожної мови, наприклад vosk-model-uk-v3 або vosk-model-en-us-0.22.
WhisperLive (на вашій власній машині)
ws://localhost:9090
smallобидваWhisper у живому потоці. Розмір обирається в картці: tiny, base, small (його пропонує телефон), medium, large-v3; що більший, то точніший і то потрібніша відеокарта.
NVIDIA Riva (на вашій власній машині)
localhost:50051
(задається на сервері)обидваМовний сервер NVIDIA для комп’ютера з відеокартою NVIDIA. Обслуговує моделі на кшталт Parakeet і Canary.

Що варто знати до вибору:

  • Розшифровки чи суфлер. Модель для живого мовлення не приймає готовий файл, а більшість моделей для файлів не вміє слухати наживо. Тому в картці два поля — Модель для розшифровок і Модель для суфлера.
  • Розмір файлу. OpenAI приймає файли до 25 МБ, X.ai — до 500 МБ. Довга розмова може виявитися більшою, ніж приймає хмарний сервіс.
  • Ціна. Хмарні сервіси беруть плату за хвилину звуку, тарифи залежать від моделі й змінюються; дивіться їх на сторінці сервісу, перш ніж перемикатися. Розпізнавач на вашій власній машині нічого не коштує.
  • Мови. У кожного сервісу свій список; перевірте свій і вкажіть код у полі Мова в додаткових налаштуваннях розпізнавача, якщо він вгадує неправильно.

Список моделей сервісів змінюється часто. Якщо потрібної моделі тут немає, актуальний список — у документації сервісу: OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva; Модель — це назва точно так, як її дає сервіс.

Ваші власні моделі​

Розпізнавач не мусить бути хмарною службою. Телефон може використовувати будь-яку модель, яку обслуговують через API, сумісний з OpenAI, — інтерфейс POST /v1/audio/transcriptions, — хоч би вона працювала локально на вашому комп'ютері, хоч на вашому власному сервері. Звук ніколи не залишає ваших приміщень, за хвилини нічого не платиться, і обсяг нічим не обмежений.

Щоб додати таку модель, натисніть Додати і вкажіть:

  • адресу сервера аж до /v1 включно, наприклад http://localhost:8000/v1 для самого комп'ютера або http://asr.local:8080/v1 для сервера у вашій мережі;
  • назву моделі точно так, як її наводить сервер, наприклад openai/whisper-large-v3-turbo.

Що можна використати​

Звичний вибір — Whisper, відкрита модель розпізнавання мовлення від OpenAI. Вона безкоштовна, розуміє близько сотні мов і буває кількох розмірів: мала модель працює на звичайному комп'ютері, великі помітно точніші, і для них найкраще мати відеокарту.

МодельПримітки
whisper-large-v3Найточніший Whisper. Для сервера з GPU.
openai/whisper-large-v3-turboШвидша версія large-v3 з невеликою втратою точності.
Systran/faster-whisper-large-v3large-v3, перетворена для рушія faster-whisper; швидша й ощадливіша щодо пам'яті.
medium, small, baseМенші моделі Whisper, для комп'ютера без відеокарти.

Саме навколо Whisper побудовано ці сервери. Деякі з них можуть обслуговувати й інші моделі розпізнавання мовлення, як-от NVIDIA Parakeet.

Сервери, що пропонують API, сумісний з OpenAI​

Модель має запускати сервер, який пропонує сумісну з OpenAI кінцеву точку /v1/audio/transcriptions. Ось такі сервери:

СерверЩо це
vLLMВисокопродуктивний сервер моделей. Після запуску обслуговує Whisper за адресою http://localhost:8000/v1.
SpeachesСервер для мовленнєвих моделей, «Ollama для мовлення», побудований на faster-whisper. Завантажує модель, коли її вперше запитують.
whisper.cppЕфективно запускає Whisper на CPU, зокрема на Apple silicon. Його whisper-server запускають з --inference-path /v1/audio/transcriptions.
LocalAIПряма заміна OpenAI, що запускає моделі локально.

Будь-який інший сервер, що пропонує ту саму кінцеву точку, працює так само. Якщо серверу потрібен ключ, введіть його, як для хмарної служби.

Перш ніж покладатися на сервер, зробіть пробний запис і подивіться на розшифровку у вікні Записи: розмова мовою, яку модель знає погано, одразу це покаже.