Transcribe with Vosk
12.0%
WER
20
Languages
100.0x
Speed
Apache 2.0
License
About Vosk
Languages Supported by Vosk
Model Info
- ProviderAlpha Cephei
- Architecture-
- LicenseApache 2.0
- UpdatedMar 2026
Kesyon ki poze souvan
Vosk se yon modèl pale-a-tèks pa Alpha Cephei. STT.ai anrejistre Vosk sou infrastrikti GPU nou an pou ou ka itilize li san ou pa bezwen enstale pwòp aparèy ou an. Upload videyo oswa son epi chwazi Vosk nan modèl ki chwazi a.
Sou baz tès standard, Vosk rive nan alantou 12.0% Word Rate Erè. Real-mond egzakteman depann sou bon jan kalite son, accent, ak lang; pou enskri briyan oswa accented, espere kèk pwen pousan pi wo WER.
Vosk kouri sou STT.ai's gratis tiwa - chak vizitè jwenn 600 minit / mwa san okenn pri. plan peye ajoute pi long limit pou chak dosye, transkript prive, ak wout la nan liy priyorite.
Vosk se yon lojisyèl ki disponib anba lisans Apache 2.0, yon lisans ki pèmèt pou itilize lojisyèl ki gen sous louvri. Ou ka itilize Vosk sou aparèy ou menm oswa ou ka itilize vèsyon nou an ki disponib sou entènèt. Tout de sa ka itilize pou rezon komèsyal.
Vosk sipòte 20 lang. Deteksyon otomatik chwazi lang ki kòrèk la pou pifò son; ou ka tou endike li pa men pou yon ti kras pi byen.
Vosk ap trete son an nan yon vitès de 100.0x nan tan reyèl sou GPU nou yo. Yon dosye son 1 èdtan fini nan mwens pase 1 minit. Fichiers ki pi long yo pral mete nan yon liy epi yo pral notifye pa imèl lè yo fin fè.
Vosk gen 50M paramèt. Pi gwo modèl yo gen tandans pou yo pi egzat men pi lent; STT.ai òganize Vosk sou GPU pou ke kantite paramèt pa afekte pèfòmans bò kliyan ou a.
Vosk aksepte chak fòma STT.ai sipòte - MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, ak lòt moun.Soti nan kòm TXT, SRT, VTT, DOCX, JSON, oswa PDF.
Diarization pale kouri ansanm ak Vosk pou chak transkriptyon — chak pale se étiqueté ak ou ka re-nome yo nan editè a apre sa.
Vosk kouri nan environnement nou an managed — son se trete ak efase pa default ak pa janm itilize pou fòmasyon san opt-an esplicite. Pro plan yo ajoute enkripsyon bò kliyan pou transkript nan repoze.
Itilize zouti konpare-stt pou kouri Vosk kont nenpòt lòt modèl ki sipòte sou menm son - ou pral wè WER, konte segman, atik pale, ak pwen konfidans bò-a-bò. Vosk vs Whisper Large V3 konparasyon se pi souvan kouri.
Wi. Espesifik "vosk" kòm paramèt modèl la sou /v1/transcribe pwen an bout. Python ak Node.js SDKs gen ladan Vosk egzanp. Gratis API nivo gen ladan 100 minit / mwa.
Wi. paske Vosk se Apache 2.0-licensed, ou ka self-host li. STT.ai's open-source page lists the project repo and weights. Pifò ekip pwodiksyon itilize nou an ki estoke vèsyon pou sispann GPU akizisyon, swaps modèl, ak ops.