Política e transparencia da IA
Que IA usamos, onde se executa, e como cumprimos cos requisitos de divulgación (EU AI Act Article 50, efectivo 2026-08-02).
TL; DR
- Todas as transcricións son xeradas por IA. Cada saída leva unha revelación lexíbel por máquina.
- Toda a IA executase na nosa propia GPU. NON enviamos o seu son ou texto a OpenAI, Anthropic, Google ou a API de LLM de terceiros.
- NON adestramos ningún modelo nas súas transcricións. Cada modelo que executamos é un modelo de código aberto. As correccións que faga explicitamente só se recollen se o desexa.
- Os clons de voz sintética (TTS) están claramente etiquetados como xerados por IA no nome do ficheiro, nos metadatos e na páxina.
Modelos que usamos
| Modelo | Empregado para | Licenza | Executado |
|---|---|---|---|
| Whisper large-v3-turbo (faster-whisper) | Transcrición (predeterminado) | MIT | A nosa GPU |
| Whisper large-v3 (faster-whisper) — branded “STT.ai Enhanced” | Transcrición (planos de pago) | MIT | A nosa GPU |
| Vosk | Fluxo de palabras en tempo real | Apache 2.0 | A nosa GPU |
| SpeechBrain ECAPA-TDNN | Diarización do orador | Apache 2.0 | A nosa GPU |
| MadLAD-400 3B | Tradución (máis de 450 linguas) | Apache 2.0 | A nosa GPU |
| Qwen2.5-1.5B (llama.cpp) | Resumo, análise, xeración de contido, conversas RAG | Apache 2.0 | A nosa GPU |
| Chatterbox (Resemble AI) | Clonaxe de voz / texto- a- voz | MIT | A nosa GPU |
| all-MiniLM-L6-v2 | Inclusións para procuras RAG | Apache 2.0 | A nosa GPU |
“STT.ai Enhanced” is our product name for Whisper large-v3 running on our own GPU. It is not a custom model, a fine-tune, or proprietary weights — it is the largest and most accurate Whisper checkpoint. It is more accurate than the default Whisper large-v3-turbo, and about 1.5x slower on a diarized job, measured on our own hardware.
Non chamamos a OpenAI, Anthropic, Google Cloud, ou a API de LLM de terceiros para ningunha funcionalidade. Todos os modelos de riba executanse no hardware que posuímos e operamos. O único servizo de IA externo que usamos é translateapi. ai (tamén Muddy Holdings) para traducir as cadeas da interface de usuario - isto nunca toca o contido transcrito.
Como revelamos a xeración de IA
- Transcrición de páxinas HTML: include < meta name=\
- Exportacións de texto (TXT, SRT, VTT, JSON, CSV, DOCX, PDF): incluír unha liña de cabeceira « transcripción xerada por IA » no principio de cada ficheiro.
- Saída de voz sintética / TTS: Os ficheiros WAV inclúen unha etiqueta « synthetic- voice » nos metadatos e un aviso claro na páxina de descarga. A exención de responsabilidade audible está no mapa.
- Respostas da API: incluír un campo _ ai_ generated: true en cada resposta JSON que conteña contido transcrito.
Datos de adestramento
- Os modelos base (Whisper, MadLAD, Qwen, etc.) veñen pre- adestrados dos seus respectivos editores. Empréganos como se envían.
- As súas transcricións non se empregan para adestrar modelos base.
- Se corrixe un segmento de transcrición (a icona do lapis) ou o marca como incorrecto (a icona da bandeira), E se o escolleu en / confidencialidade- configuración/ (conmutar "Adestramento de modelos", por omisión desactivado), o par (texto incorrecto → texto corrixido) pode ser recollido para adestrar un futuro modelo de corrección de texto. Só o par de texto - nunca o son circundante - é usado por esta rota. Non existe tal modelo hoxe: os pares só son almacenados, e nada do que servimos actualmente foi adestrado neles.
- Por separado, a opción Contribuir coas correccións e o son ao Laboratorio de Voz (tamén en / confidencialidade- configuración/, tamén desactivada por omisión) permite que se contribúa co son dos segmentos que corrixa, xunto co texto corrixido, ao conxunto de datos do Laboratorio de Voz baixo CC- BY- SA- 4. 0. As dúas opcións son independentes: pode conceder unha, ambas ou ningunha.
- O son que envíe é borrado no prazo de 24 horas por un traballo de limpeza horario, con dúas excepcións que só se aplican se as escolle. Se escolleu « Contribuir coas correccións + son ao Voice Lab » en / confidencialidade- configuración /, o son arquivase durante un máximo de 90 días para que o Voice Lab poida extraer o segmento corrixido; unha vez que se inxeriu (ou despois de 90 días, o que sexa antes), o son fonte é borrado. Se está conectado e inclúe o son da súa gravación nunha ligazón de compartición, ese son mantense mentres a ligazón estea activa (ata 30 días nunha conta gratuíta; 30 días, 90 días ou indefinidamente con Forever nun plan de pago) e é borrado no prazo de 24 horas despois de que a ligazón caduque. O son compartido non se emprega para adestramento. O texto da transcrición segue a política de retención do seu plan (anónimo 24h, gratuíto 30 días, Pro+ permanente).
Precisión e erros
A transcrición da IA non é perfecta. As taxas de erro das palabras varían segundo o acento do falante, a calidade do son, a lingua e o vocabulario do dominio. Para uso crítico (legais, médicos, industrias reguladas) verifique co son orixinal. As nosas referencias públicas de WER por modelo están en /models/.
Preguntas de compatibilidade
Para preguntas sobre a Lei de IA da UE, o RGPD ou outras cuestións de cumprimento: hello@stt.ai ou empregar o Contacto.
Última actualización: 2026-08-05.