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
Ofte stilte spørsmål
Vosk er ein tale-til-tekst-modell frå Alpha Cephei. STT.ai er vert for Vosk på vår GPU-infrastruktur, slik at du kan bruka han utan å ha din eigen maskinvare — last opp lyd eller video og vel Vosk frå modellveljaren.
På standard målestokkar oppnår Vosk om lag 12.0% ordfeilrate. Nøyaktigheita i verkeleg liv avheng av lydkvalitet, aksent og språk. For støyande eller aksenterte opptak, kan du venta eit par prosentpoeng høgare WER.
Vosk køyrer på STT.ai sitt gratisnivå — kvar besøkjar får 600 minutt/månad utan kostnad. Betalte abonnement legg til lengre grense per fil, private transkripsjonar og prioritert kø.
Vosk er utgjeve under Apache 2.0, ein permissiv open kjeldekode-lisens. Du kan sjølv ha Vosk på din eigen maskinvare eller bruke vår vertsversjon — begge er kommersielt brukbare.
Vosk støttar 20 språk. Automatisk oppdaging vel det rette språket for dei fleste lydfiler. Du kan òg velja språket manuelt for å få ein liten forbetring av nøyaktigheita.
Vosk prosesserer lyd med om lag 100.0x sanntid på grafikkprosessorane våre. Ein 1-timers lydfil er ferdig på under 1 minutt. Lengre filer vert lagt i kø og varsla via e-post når dei er ferdige.
Vosk har 50M-parametrar. Større modeller har ein tendens til å vera meir nøyaktige, men tregare. STT.ai er vert for Vosk på GPU-en, så parametertalet påverkar ikkje ytinga på klientsida.
Vosk godtek alle formata STT.ai støttar — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI og andre. Utdata som TXT, SRT, VTT, DOCX, JSON eller PDF.
Ja. Diarisering av talarar køyrer saman med Vosk for kvar transkripsjon — kvar talar er merket og du kan endra namnet på dei i redigeringa etterpå.
Ja. Vosk køyrer i vårt administrerte miljø – lyd blir handsama og sletta som standard og blir aldri brukt til opplæring utan eksplisitt samtykke. Pro-planar legg til klientkryptering for avskriftar i ro.
Bruk verktøyet compare-stt for å køyra Vosk mot ein annan støtta modell på same lyd. Du vil sjå WER, segmenttal, høgtalarnamn og tiltrupoeng side om side. Samanlikninga Vosk vs Whisper Large V3 er den mest brukte.
Ja. Oppgje «vosk» som modellparameter på /v1/transcribe-endepunktet. Python- og Node.js-SDK-ar inneheld Vosk-eksempela. Gratis API-nivå inkluderer 100 minutt/månad.
Ja. Sidan Vosk er Apache 2.0-lisensiert, kan du sjølv vera vert for det. STT.ai sin open kjeldekode-side viser prosjektarkivet og vektene. Dei fleste produksjonsteam brukar vår vertsversjon for å hoppa over GPU-innkjøp, modellbytte og operasjonar.