# Розшифровка

> Вибір розпізнавача, який перетворює звук на текст: його адреса, його модель і таблиця моделей усіх видів сервісів.

**Налаштування → Розшифровка** — це список розпізнавачів: сервісів, які перетворюють звук на текст, для завершених розмов і, для [суфлера](https://docs.ai-softphone.com/uk/interface/prompter/index.md), під час розмови.

![Налаштування → Розшифровка: п’ять розпізнавачів](https://docs.ai-softphone.com/screenshots/macos/uk/25_transcription.png)

Розмова розшифровується, коли ви просите про це у [вікні записів](https://docs.ai-softphone.com/uk/interface/recordings/index.md), або сама, якщо в розділі [Обробка](https://docs.ai-softphone.com/uk/ai-processing/processing/index.md) увімкнено **Обробляти розмови автоматично**. Розпізнавач на вашій власній машині нічого не коштує; хмарний бере плату за хвилину звуку.

## Розпізнавачі {#recognisers}
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](https://docs.ai-softphone.com/uk/interface/recordings/index.md#transcript-or-write-up-the-drop-down) показує розшифровки, зроблені кожним із них.

## Картка розпізнавача {#the-recognisers-card}
Натискання на розпізнавач відкриває його картку.

![Картка розпізнавача X.ai: вид, дві адреси, ключ, «Перевірити» і типові значення](https://docs.ai-softphone.com/screenshots/macos/uk/43_recogniser_card.png)

| 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:

![Додаткові налаштування розпізнавача: межі, як нарізаються репліки, мова](https://docs.ai-softphone.com/screenshots/macos/uk/43b_recogniser_advanced.png)

| 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](https://docs.ai-softphone.com/uk/ai-processing/prompter/index.md#spending). |

## Живе розпізнавання для суфлера {#live-recognition-for-the-prompter}
[Суфлеру](https://docs.ai-softphone.com/uk/interface/prompter/index.md) 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 {#which-model-to-choose}
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](#live-recognition-for-the-prompter) (*суфлер*) чи для *обох*.

| Вид і адреса | Модель | Для чого | Що це |
| --- | --- | --- | --- |
| **Сумісний з OpenAI (Whisper, OpenAI)**<br />`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. |
| **Deepgram**<br />`https://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)**<br />`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`. |
| **Speechmatics**<br />`https://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)**<br />`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`. |
| **Soniox**<br />`https://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. |
| **AssemblyAI**<br />`https://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)**<br />`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)**<br />`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)**<br />`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](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); **Модель** — це назва точно так, як її дає сервіс.

## Ваші власні моделі {#your-own-models}

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 {#what-can-be-used}

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 {#servers-that-offer-the-openai-compatible-api}

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

| Сервер | Що це |
| --- | --- |
| [vLLM](https://docs.vllm.ai/en/latest/serving/online_serving/speech_to_text/) | Високопродуктивний сервер моделей. Після запуску обслуговує Whisper за адресою `http://localhost:8000/v1`. |
| [Speaches](https://github.com/speaches-ai/speaches) | Сервер для мовленнєвих моделей, «Ollama для мовлення», побудований на faster-whisper. Завантажує модель, коли її вперше запитують. |
| [whisper.cpp](https://github.com/ggml-org/whisper.cpp) | Ефективно запускає Whisper на CPU, зокрема на Apple silicon. Його `whisper-server` запускають з `--inference-path /v1/audio/transcriptions`. |
| [LocalAI](https://localai.io/) | 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](https://docs.ai-softphone.com/uk/interface/recordings/index.md): розмова мовою, яку модель знає погано, одразу це покаже.
