સાથે લખો Vosk
12.0%
WER
20
ભાષાઓ
100.0x
ઝડપ
Apache 2.0
લાઇસન્સ
વિશે Vosk
Vosk એ ઓફલાઇન ભાષા ઓળખ સાધન છે કે જે ઇન્ટરનેટ જોડાણ વગર કામ કરે છે. તે 20+ ભાષાઓને કોમ્પેક્ટ મોડેલો સાથે આધાર આપે છે કે જે મોબાઇલ ઉપકરણો, Raspberry Pi, અને કોઈપણ પ્લેટફોર્મ પર ચલાવી શકે છે. Kaldi અને Zipformer આર્કિટેક્ચર પર બનાવેલ છે.
મોડેલ જાણકારી
- પૂરૂં પાડનારAlpha Cephei
- આર્કિટેક્ચર-
- લાઇસન્સApache 2.0
- સુધારેલMar 2026
વારંવાર પૂછાતા પ્રશ્નો
Vosk એ Alpha Cephei દ્દારા બોલી-થી-લખાણ મોડેલ છે. STT.ai એ અમારા GPU ઇન્ફ્રાસ્ટ્રક્ચર પર Vosk ને યજમાન બનાવે છે જેથી તમે તમારા પોતાના હાર્ડવેર પૂરુ પાડ્યા વિના તેને વાપરી શકો - ઓડિયો અથવા વિડિયો અપલોડ કરો અને મોડેલ પસંદ કરનારમાંથી Vosk ને પસંદ કરો.
પ્રમાણભૂત બેન્ચમાર્ક પર, Vosk એ 12.0% શબ્દ ભૂલ દરને આસપાસ મેળવે છે. વાસ્તવિક-વિશ્વની ચોકસાઈ ઓડિયો ગુણવત્તા, ઉચ્ચારણ અને ભાષા પર આધારિત છે; ધુમાડાવાળા અથવા ઉચ્ચારણવાળા રેકોર્ડિંગ માટે, થોડા ટકા પોઇન્ટ્સ ઊંચા WER ની અપેક્ષા રાખો.
Vosk STT.ai ની મુક્ત સ્તર પર ચલાવે છે - દરેક મુલાકાતીને કોઈ ખર્ચ વગર શરૂ કરવા માટે 600 મિનિટ મળે છે. ચૂકવેલ યોજનાઓ ફાઇલ પ્રતિ લાંબી મર્યાદાઓ, ખાનગી ટ્રાન્સક્રિપ્ટ્સ, અને પ્રાથમિકતા કતાર ઉમેરવા માટે.
Vosk Apache 2.0 ની નીચે બહાર પાડવામાં આવે છે, એક પરવાનગી આપતી ઓપન-સોર્સ લાઇસન્સ. તમે તમારા પોતાના હાર્ડવેરમાં Vosk ને સ્વયં-હોસ્ટ કરી શકો છો અથવા અમારી હોસ્ટ કરેલ આવૃત્તિનો ઉપયોગ કરી શકો છો - બંને વાણિજ્યિક રીતે ઉપયોગી છે.
Vosk 20 ભાષાઓને આધાર આપે છે. આપમેળે-શોધ એ મોટાભાગના ઓડિયો માટે સાચી ભાષા પસંદ કરે છે; તમે તેને નાની ચોકસાઈ માટે જાતે પણ સ્પષ્ટ કરી શકો છો.
Vosk ઓડિયો પ્રક્રિયાઓ અમારા GPUs પર 100.0x વાસ્તવિક સમય પર. 1-કલાકની ઓડિયો ફાઈલ 1 મિનિટમાં સમાપ્ત થાય છે; લાંબી ફાઈલો કતારમાં અને જ્યારે પૂર્ણ થાય ત્યારે ઈમેઈલ દ્વારા સૂચિત કરે છે.
Vosk પાસે 50M પરિમાણો છે. મોટા મોડેલો વધુ ચોક્કસ હોય છે પરંતુ ધીમા; STT.ai GPU પર Vosk યજમાન છે તેથી પરિમાણ ગણતરી તમારી ક્લાયન્ટ-સાઇડ કાર્યક્ષમતા અસર કરતી નથી.
Vosk દરેક બંધારણને સ્વીકારે છે કે જે STT.ai આધાર આપે છે — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, અને અન્ય. આઉટપુટ TXT, SRT, VTT, DOCX, JSON, અથવા PDF તરીકે.
હા. સ્પીકર ડેટાબેઝ દરેક અનુવાદ માટે Vosk ની સાથે ચાલે છે - દરેક સ્પીકર ને લેબલ કરેલ છે અને તમે પછી સંપાદકમાં તેનું નામ બદલી શકો છો.
હા. Vosk અમારા સંચાલિત વાતાવરણમાં ચાલે છે - ઓડિયો મૂળભૂત રીતે પ્રક્રિયા કરેલ છે અને કાઢી નાખવામાં આવે છે અને સ્પષ્ટ રીતે પસંદગી કર્યા વિના તાલીમ માટે ક્યારેય વપરાય નહિં. પ્રો યોજનાઓ અસ્થિર ટ્રાન્સક્રિપ્ટ્સ માટે ક્લાયન્ટ-સાઇડ એનક્રિપ્શન ઉમેરે છે.
Vosk ને કોઈપણ અન્ય આધારભૂત મોડેલ સામે એ જ ઓડિયો પર ચલાવવા માટે સરખામણી-stt સાધનનો ઉપયોગ કરો - તમે WER, સેગમેન્ટ ગણતરી, સ્પીકર લેબલ્સ, અને વિશ્વાસ સ્કોર બાજુ-બે-બાજુ જોશો. Vosk વિ Whisper Large V3 સરખામણી સૌથી સામાન્ય રીતે ચલાવે છે.
હા. /v1/transcribe અંતિમબિંદુ પર મોડેલ પરિમાણ તરીકે "vosk" ને સ્પષ્ટ કરો. Python અને Node.js SDKs Vosk ઉદાહરણો સમાવે છે. મુક્ત API સ્તરમાં 100 મિનિટ/મહિના સમાવે છે.
હા. કારણ કે Vosk એ Apache 2.0-લાઇસન્સ થયેલ છે, તમે તેને સ્વયં-હોસ્ટ કરી શકો છો. STT.ai નું ઓપન-સોર્સ પાનું પ્રોજેક્ટ રેપો અને વજનોની યાદી કરે છે. મોટાભાગના ઉત્પાદન ટીમો GPU ખરીદી, મોડેલ સ્વેપ અને ઓપસને છોડવા માટે અમારી યજમાન આવૃત્તિ વાપરે છે.