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:
| Вид | Адреса для розшифровок | Адреса для суфлера | Модель | На зображенні |
|---|---|---|---|---|
| Сумісний з OpenAI (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, наживо 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, наживо scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, для регіону — eu., us. або au. замість global. | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (порожньо: типова модель сервісу), наживо grok-voice-transcribe-2.0 | X.ai · наживо grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (порожньо: типова модель сервісу), наживо stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://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.
| Поле | Що це |
|---|---|
| Назва | Ім’я у списках. |
| Вид | Вид 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 розшифровок | Куди надсилаються завершені розмови. |
| Адреса для суфлера | Куди 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. |
| Ключ | Ключ сервісу. Зберігається у сховищі ключів цього комп’ютера, ніколи у файлі налаштувань. |
| Перевірити | Запитує сервіс і повідомляє, що він відповів, наприклад Відповів і пропонує 3 моделі. |
| Модель для розшифровок і Модель для суфлера | Модель — 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 розшифровок | Робить цей розпізнавач тим, який використовують, коли ви не обрали іншого. |
| Типовий для суфлера | Робить цей розпізнавач тим, яким слухає новий помічник суфлера. |
| Увімкнено | Вимкнений розпізнавач лишається у списку, але не використовується. |
Додаткові налаштування розкривають решту картки. Найважливіше в них:
| Поле | Що робить |
|---|---|
| Регіон | Регіон сервісу, якщо їх у нього кілька. |
| Надсилати дві сторони окремо | Дзвінок 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 говорить | Розрізняє людей усередині одного каналу, якщо в ньому говорять кілька осіб. |
| Писати числа цифрами | Суми, дати й номери телефонів приходять записаними цифрами, а не словами. |
| Межа вивантаження, Межа тривалості | Найбільший файл у байтах і найдовший запис у секундах, які надішле телефон. |
| Запитів водночас | Скільки запитів може виконуватися одночасно. |
| Завершувати репліку через, Склеювати короткі репліки в межах, Проміжок між репліками | Для 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. |
| Мова | Дволітерний 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. |
| Додаткове | Параметри виду name = value, по одному в рядку, — передаються сервісу як є. Залиште порожнім, якщо сервер нічого такого не описує. |
| Очікування, хвилини | Скільки чекати розшифровку. Порожнє — очікування рахується за тривалістю запису. |
| Ціна за хвилину | Скільки 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 адреса | Модель | Для чого | Що це |
|---|---|---|---|
Сумісний з OpenAI (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | розшифровки | Модель, яку OpenAI рекомендує для записаного мовлення мовою оригіналу. |
gpt-4o-transcribe | обидва | Розшифровка загального призначення. Її отримує новий розпізнавач цього виду. | |
gpt-4o-mini-transcribe | обидва | Полегшений і дешевший варіант попередньої. | |
gpt-4o-transcribe-diarize | розшифровки | Позначає, хто коли говорить. Беріть, лише якщо це потрібно. | |
whisper-1 | розшифровки | Стара модель Whisper — для особливих завдань на кшталт часових міток для слів і субтитрів. | |
gpt-live-transcribe | суфлер | Жива модель OpenAI: слова надходять у міру того, як їх вимовляють. Телефон пропонує її для суфлера. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | обидва | Найкраща модель Deepgram загального призначення — для зустрічей, шумного й багатомовного мовлення. Її отримує новий розпізнавач цього виду. |
nova-2 | обидва | Попереднє покоління; залиште його для мов, яких nova-3 ще не знає. | |
nova-2-phonecall | обидва | nova-2, налаштована на вузький звук телефонної лінії. Англійська. | |
flux-general-en | суфлер | Зроблена для розмови: чує, коли людина договорила. Англійська. | |
flux-general-multi | суфлер | Те саме десятьма мовами, і розмова може переходити з однієї на іншу. | |
enhanced, base | розшифровки | Старіші рівні; base — для великих обсягів. | |
whisper | розшифровки | Whisper, запущений у Deepgram. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | розшифровки | Розшифровка загального призначення понад 90 мовами, з розділенням мовців. |
scribe_v2_realtime | суфлер | Жива версія scribe_v2. Телефон пропонує її для суфлера. | |
scribe_v2_medical | розшифровки | scribe_v2, налаштована на медичне мовлення. | |
scribe_v1 | розшифровки | Перше покоління; застаріло, використовуйте scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | обидва | Найточніша — для розмови однією мовою. Її отримує новий розпізнавач цього виду. |
standard | обидва | Швидша й дешевша, трохи менш точна. | |
melia-1 | розшифровки | Розмова 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-2.0 | обидва | Єдина 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-1.0 | розшифровки | Застаріла: сервіс переадресовує її на 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | розшифровки | Понад 60 мов, з розділенням мовців. |
stt-rt-v5 | суфлер | Живе розпізнавання тими самими 60+ мовами; чує, де закінчується репліка. Телефон пропонує її для суфлера. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | обидва | Найточніша модель для записів; 18 мов, і розмова може переходити з однієї на іншу. |
universal-2 | розшифровки | 99 мов, дешевша; AssemblyAI переходить на неї для мови, якої universal-3-5-pro не знає. | |
universal-3-6-pro | суфлер | Найновіша жива модель AssemblyAI, 32 мови; сервіс бере її, коли модель не вказано. | |
universal-streaming-multilingual | суфлер | Дешевше живе розпізнавання англійською, іспанською, німецькою, французькою, португальською та італійською. | |
universal-streaming-english | суфлер | Дешевше живе розпізнавання, лише англійською. | |
Vosk (на вашій власній машині)ws://localhost:2700 | (задається на сервері) | обидва | Безплатний 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 | small | обидва | Whisper 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) | обидва | Мовний 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
/v1включно, наприкладhttp://localhost:8000/v1для самого комп'ютера абоhttp://asr.local:8080/v1для 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.
| Модель | Примітки |
|---|---|
whisper-large-v3 | Найточніший Whisper. Для сервера з GPU. |
openai/whisper-large-v3-turbo | Швидша версія large-v3 з невеликою втратою точності. |
Systran/faster-whisper-large-v3 | large-v3, перетворена для рушія faster-whisper; швидша й ощадливіша щодо пам'яті. |
medium, small, base | Менші 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:
| Сервер | Що це |
|---|---|
| vLLM | Високопродуктивний сервер моделей. Після запуску обслуговує Whisper за адресою http://localhost:8000/v1. |
| Speaches | Сервер для мовленнєвих моделей, «Ollama для мовлення», побудований на faster-whisper. Завантажує модель, коли її вперше запитують. |
| whisper.cpp | Ефективно запускає Whisper на CPU, зокрема на Apple silicon. Його whisper-server запускають з --inference-path /v1/audio/transcriptions. |
| LocalAI | Пряма 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.