転写 Vosk
12.0%
WER
20
言語
100.0x
スピード
Apache 2.0
ライセンス
情報 Vosk
Voskはインターネット接続なしで動作するオフライン音声認識ツールキットです。20以上の言語をサポートし、モバイルデバイス、Raspberry Pi、その他のプラットフォームで動作するコンパクトなモデルを備えています。KaldiとZipformerアーキテクチャに基づいています。
モデル情報
- プロバイダAlpha Cephei
- 建築-
- ライセンスApache 2.0
- 更新Mar 2026
よくある質問
STT.aiはVoskをGPUインフラストラクチャ上にホストしており、自分のハードウェアをプロビジョニングすることなく使用できます。オーディオやビデオをアップロードし、モデルピックアップからVoskを選択します。
標準ベンチマークでは、Voskは約12.0%のワードエラー率を達成しています。実際の精度は音声品質、アクセント、言語に依存します。ノイズやアクセントのある録音の場合、数パーセント高いWERを期待してください。
VoskはSTT.aiのフリー版で動作し、訪問者は600分間無料で利用できる。有料プランではファイルごとの制限時間が長くなり、プライベートトランスクリプト、優先順位キューが追加される。
Voskは、オープンソースライセンスのApache 2.0でリリースされています。Voskを自分のハードウェア上でセルフホストすることも、私たちのホストバージョンを使用することもできます。どちらも商用利用可能です。
Vosk は 20 言語をサポートします。自動検出はほとんどのオーディオに適した言語を選択します。手動で指定することもできます。
VoskはGPU上で音声を約100.0xのリアルタイムで処理します。1時間の音声ファイルは1分以下で終了します。長いファイルはキューに並び、完了したらメールで通知します。
Vosk には 50M パラメータがあります。より大きなモデルはより正確ですが、遅い傾向にあります。STT.ai は GPU 上で Vosk をホストしていますので、パラメータ数はクライアント側の性能に影響しません。
VoskはSTT.aiがサポートするすべてのフォーマットを受け入れます。MP3、WAV、M4A、FLAC、OGG、MP4、MKV、MOV、WebM、AVIなど。出力はTXT、SRT、VTT、DOCX、JSON、PDFです。
はい。スピーカーダイアリゼーションはVoskと共に実行されます。各スピーカーはラベル付きで、後でエディタで名前を変更できます。
はい。Vosk回の実行を管理環境で行います。オーディオはデフォルトで処理され削除され、明示的なオプションなしに訓練に使用されません。プロプランは静止中の転写に対してクライアント側暗号化を追加します。
Voskと同じオーディオでサポートされている他のモデルを比較するには compare-stt ツールを使用してください。WER、セグメント数、スピーカーラベル、信頼度スコアが並んで表示されます。Voskと Whisper Large V3 の比較が最もよく行われます。
はい。 /v1/transcribe エンドポイントにモデルパラメータとして"vosk"を指定してください。PythonとNode.js SDKにはVoskの例が含まれています。無料のAPIは月間100分の利用が含まれています。
STT.aiのオープンソースページにはプロジェクトのリポと重みがリストされています。ほとんどのプロダクションチームは、GPUの調達、モデルのスワップ、オペレーションを省略するために、私たちのホストバージョンを使用しています。