AI politika eta gardentasuna
Zer da AI erabiltzen duguna, non exekutatzen den eta nola betetzen dugun informazioa emateko betebeharrak (Europar Batasuneko AI Legearen 50. artikulua, 2026-08-02an indarrean).
TL;DR
- Transkribapen guztiak AI-k sortzen ditu. Irteera bakoitzak makina irakurgai bat du.
- AI guztiak gure GPU propioan exekutatzen dira. Ez dugu zure audioa edo testua OpenAI, Anthropic, Google edo beste edozein LLM API-ra bidaltzen.
- Ez dugu inolako eredurik entrenatzen zure transkribapenetan. Exekutatzen dugun eredu bakoitza kode irekiko modeloa da. Zuk esplizituki egiten dituzun zuzenketak soilik bilduko dira parte hartzen baduzu.
- Ahots sintetikoaren klonak (TTS) AI-k sortutakoak bezala etiketatzen dira fitxategi-izenetan, metadatuetan eta orrialdean.
Erabili ditugun ereduak
| Modeloa | Honi erabilia | Lizentzia | Exekutatzen ari da |
|---|---|---|---|
| Whisper large-v3-turbo (faster-whisper) | Transkripzioa (lehenetsia) | MIT | Gure GPUa |
| Whisper large-v3 (faster-whisper) — branded “STT.ai Enhanced” | Transkribapena (ordainpeko planak) | MIT | Gure GPUa |
| Vosk | Denbora errealeko hitz-fluxua | Apache 2.0 | Gure GPUa |
| SpeechBrain ECAPA-TDNN | Ahoskariaren diarizazioa | Apache 2.0 | Gure GPUa |
| MadLAD-400 3B | Itzulpena (450+ hizkuntza) | Apache 2.0 | Gure GPUa |
| Qwen2.5-1.5B (llama.cpp) | Laburpena, analisia, edukien sorkuntza, RAG berriketa | Apache 2.0 | Gure GPUa |
| Chatterbox (Resemble AI) | Ahots klonaketa / testua hizketan | MIT | Gure GPUa |
| all-MiniLM-L6-v2 | RAG bilaketaren kapsulazioak | Apache 2.0 | Gure GPUa |
"STT.ai Enhanced" da Whisper large-v3 gure GPU propioan exekutatzen ari den produktuaren izena. Ez da modelo pertsonalizatu bat, ez doikuntza bat, ez pisu propietario bat - Whisper-en kontrol-puntu handiena eta zehatzena da. Whisper large-v3-turbo lehenetsia baino zehatzagoa da, eta 1,5 aldiz motela eguneratutako lan batean, gure hardwarean neurturik.
Ez dugu OpenAI, Anthropic, Google Cloud edo beste edozein LLM API deitzen, ezta bestelakorik ere. Goiko modelo guztiak gure hardwarean exekutatzen dira. Kanpoko AI zerbitzu bakarra translateapi.ai da (Muddy Holdings ere bai) UI kateak itzultzeko. Ez du inoiz zure transkribatutako edukia ukitzen.
Nola azaltzen dugu AI sorkuntza
- Transkribatu HTML orriak: <meta name=\> barnean
- Testu esportazioak (TXT, SRT, VTT, JSON, CSV, DOCX, PDF): 'AI-k sortutako transkribapena' goiburu-lerroa sartu fitxategi bakoitzaren goialdean.
- Ahots sintetikoa / TTS irteera: WAV fitxategiek 'ahots sintetikoa' etiketa metadatuetan dute eta jakinarazpen argi bat deskarga-orrian. Eragozpen entzungarria bide-orriaren gainean dago.
- API erantzunak: _ai_generated: true eremua txertatzen du eduki transkribatua duen JSON erantzun guztietan.
Entrenamendu-datuak
- Oinarrizko ereduak (Whisper, MadLAD, Qwen, etab.) beren argitaletxeen aldetik prestatuta datoz. Bidali bezala erabiltzen ditugu.
- Zure transkribapenak EZ dira oinarrizko modeloak entrenatzeko erabiltzen.
- Transkriptu segmentu bat zuzentzen baduzu (arkatzari buruzko ikonoa) edo okerra dela markatzen baduzu (banderak adierazten du), ETA /privacy-settings/-en aukeratzen baduzu ("Modeloa prestatzea" txandakatu, lehenespenez desgaituta), (testu okerra → testu zuzendua) bikotea bildu daiteke etorkizuneko testu-zuzenketa eredu bat prestatzeko. Bide honek testu bikotea bakarrik erabiltzen du - inguraturik dagoen audioa ez. Gaur egun ez dago horrelako eredurik: bikoteak gordetzen dira soilik, eta ez dugu ezer prestatu haietan.
- Bestetik, Egin ekarpena zuzenketei eta audioari Ahots-laborategian txandakatzaileak (/privacy-settings/-en ere badago, lehenespenez desgaituta ere badago) aukeratzen du zuzentzen dituzun segmentuen audioa, zuzendutako testuarekin batera, gure Ahots-laborategiko datu-multzoan CC-BY-SA-4.0 lizentziapean partekatzea. Bi txandakatzaileak independenteak dira: bat, biak edo biak ematea aukera dezakezu.
- Igotzen duzun audioa 24 orduko epean ezabatzen da orduro garbiketa-lan baten bidez, bi salbuespen izan ezik, hautatu badituzu bakarrik aplikatuko direnak. /privacy-settings/-en "Egin ekarpen zuzenketak + audioa Voice Lab-era" aukera hautatu baduzu, audioa 90 egun arte artxibatu egingo da Voice Lab-ek egunero zuzendutako segmentua atera dezan; hartzean (edo 90 egunen ondoren, lehenago gertatzen dena), iturburuko audioa ezabatu egingo da. Saioa hasi eta grabazioaren audioa esteka partekatu batean sartzen baduzu, audio hori esteka aktibo dagoen bitartean mantenduko da (30 egun arte doako kontu batean; 30 egun, 90 egun edo mugagabea Forever ordaindutako plan batean) eta esteka iraungi ondoren 24 orduko epean ezabatuko da. Audio partekatua ez da entrenamendurako erabiliko. Transkribatutako testuak zure planaren mantentze-politika jarraitzen du (24 ordu anonimoak, 30 egun doakoak, Pro+ iraunkorra).
Zehaztasuna eta erroreak
AI transkribapena ez da perfektua. Hitzen errore-tasak aldakorrak dira hiztunaren ahotsaren, audio-kalitatearen, hizkuntzaren eta domeinuaren hiztegiaren arabera. Erabilera kritikoetarako (legezkoa, medikoa, industria arautuak) jatorrizko audioarekin egiaztatu. Gure WER erreferentzia publikoak modelo bakoitzeko honakoak dira: /models/.
Konformitateari buruzko galderak
EU AI Act, GDPR edo bestelako betekizunei buruzko galderei erantzuteko: hello@stt.ai edo erabili kontaktu-inprimakia.
Azken eguneratzea: 2026-08-05.