Atzīmēt ar Vosk
12.0%
WER
20
Valodas
100.0x
Ātrums
Apache 2.0
Licence
Par Vosk
Vosk ir bezsaistē runas atpazīšanas rīku komplekts, kas darbojas bez interneta pieslēgumu. Tas atbalsta 20+ valodas ar kompaktiem modeļiem, kas var darboties uz mobilajām ierīcēm, Aveņu Pi, un jebkura platforma. Built uz Kaldi un Zipformers arhitektūras.
Modelis Info
- PiegādātājsAlpha Cephei
- Arhitektūra-
- LicenceApache 2.0
- AtjaunotsMar 2026
Bieži uzdoti jautājumi
Vosk ir runas-teksta modelis līdz Alpha Cephei. STT.ai uzstādā Vosk mūsu GPU infrastruktūrā, lai jūs varētu to izmantot, nenodrošinot savu aparatūru — augšupielādēt audio vai video un izvēlēties Vosk no modeļa izvēlētājs.
Par standarta etaloniem 8801% sasniedz aptuveni 8801% vārdu kļūdu rādītājs. Reālā pasaules precizitāte ir atkarīga no audio kvalitātes, akcenta un valodas; trokšņainiem vai izceltiem ierakstiem, sagaida dažus procentu punktus augstāka WER.
Vosk notiek uz STT.ai bezmaksas līmeni – katrs apmeklētājs saņem 600 minūtes, lai sāktu bez maksas. Maksājamie plāni pievienot ilgākus vienas datnes limitus, privātus transkriptus, un prioritātes rindas.
Vosk tiek izlaists zem Apache 2.0, atļautā atvērtā pirmkoda licence. Jūs varat paša-host Vosk uz savu aparatūru vai izmantot mūsu hostinga versiju — abi ir komerciāli izmantojami.
Vosk atbalsta 20 valodas. Auto-noteikšana izvēlas pareizo valodu lielākajai daļai audio; jūs varat arī norādīt to manuāli, lai mazs precizitātes pacēlājs.
Vosk apstrādā audio apmēram 100.0x reāllaikā mūsu GPU. 1 stundu audio fails beidzas zem 1 minūtēm; ilgāka failu rinda un paziņo pa e-pastu, kad izdarīts.
Vosk ir 50M parametri. Lielāki modeļi mēdz būt precīzāki, bet lēnāki; STT.ai saimnieki Vosk par GPU, tāpēc parametru skaits neietekmē jūsu klientu veiktspēju.
Vosk pieņem katru formātu STT.ai atbalsta - MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI un citi. Izlaide kā TXT, SRT, VTT, DOCX, JSON, vai PDF.
Jā. Skaļruņa diarizācija notiek līdzās 88 000 par katru transkripciju — katrs runātājs ir marķēts un jūs varat pārdēvēt tos redaktorā pēc tam.
Jā. Vosk darbojas mūsu pārvaldītajā vidē — audio tiek apstrādāts un dzēsts pēc noklusējuma un nekad netiek izmantots apmācībai bez skaidra opt-in. Pro plāni pievienot klienta pusē šifrēšanu transkriptiem miera stāvoklī.
Izmantojiet salīdzināšanas-stt rīku, lai palaistu Vosk pret jebkuru citu atbalstīto modeli tajā pašā audio — jūs redzēsiet WER, segmentu skaitu, skaļruņu etiķetes un uzticamības punktus blakus-by-by. Vosk vs Whisper Lielo V3 salīdzinājums ir visbiežāk palaist.
Jā. Norādīt "vosk" kā modeļa parametru /v1/tractor galapunktā. Python un Node.js SDK ietver Vosk piemērus. Bezmaksas API līmenis ietver 100 minūtes/mēnesi.
Jā. Tā kā Vosk ir licences Apache 2.0, jūs varat paši-host to. STT.ai atvērtā pirmkoda lapā uzskaitīti projekta repo un svaru. Lielākā daļa ražošanas komandas izmanto mūsu hostinga versiju, lai izlaistu GPU iepirkumu, modeļu mijmaiņas darījumi, un opcijas.