Transkripto me Vosk
12.0%
WER
20
Gjuhë
100.0x
Shpejtësia
Apache 2.0
Liçenca
Për Vosk
Vosk është një instrument njohjeje të foljes jashtë linje që punon pa lidhje interneti. Ai suporton më shumë se 20 gjuhë me modele kompakte që mund të ekzekutohen në pajisje mobile, Raspberry Pi dhe çdo platformë. I ndërtuar mbi arkitekturat Kaldi dhe Zipformer.
Gjuhët e mbështetura Vosk
Informacione mbi modelin
- ProviderAlpha Cephei
- Arkitektura-
- LiçencaApache 2.0
- PërditësoMar 2026
Pyetje të shpeshta
Vosk është një model i fjalës në tekst nga Alpha Cephei. STT.ai mban Vosk në infrastrukturën tonë të GPU kështu që mund ta përdorni pa furnizuar hardware-in tuaj — ngarkoni audion ose videon dhe zgjidhni Vosk nga zgjedhësi i modelit.
Në standartet e vlerësimit, Vosk arrin rreth 12.0% të normave të gabimeve të fjalëve. Saktësia në botën reale varet nga cilësia e audios, theksi dhe gjuha; për regjistrime me zhurmë ose theks, prit disa përqindje më të larta WER.
Vosk punon në nivelin e lirë të STT.ai - çdo vizitor merr 600 minuta për të filluar pa kosto. Planet e paguar shtojnë kufij më të gjatë për file, transkripta private dhe renditje përparësie.
Vosk është lëshuar nën Apache 2.0, një licencë e hapur e hapur. Mund të vetë-hostoni Vosk në hardware-in tuaj ose të përdorni versionin tonë të pritur — të dy janë komercialisht të përdorshëm.
Vosk suporton 20 gjuhë. Zbulimi automatik zgjedh gjuhën e duhur për shumicën e audiove; mund ta specifikoni gjithashtu manualisht për një rritje të vogël të saktësisë.
Vosk përpunon audion në rreth 100.0x në kohë reale në GPU-të tona. Një file audio 1 orë përfundon në më pak se 1 minuta; file më të gjatë vënë në radhë dhe njoftohen me email kur përfundojnë.
Vosk ka parametrat 50M. Modelet më të mëdha priren të jenë më të sakta por më të ngadalshme; STT.ai hosts Vosk në GPU kështu që numërimi i parametrave nuk ndikon në performancën e anës së klientit.
Vosk pranon çdo format që suporton STT.ai — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, dhe të tjerë. Shfaq si TXT, SRT, VTT, DOCX, JSON, ose PDF.
Po. Diarization e folësit punon së bashku me Vosk për çdo transkriptim - çdo folës është i etiketuar dhe mund t'i riemërtoni ata në editor më pas.
Po. Vosk punon në mjedisin tonë të menazhuar — audiot përpunohen dhe eleminohen në mënyrë të prezgjedhur dhe nuk përdoren kurrë për trainim pa opsion të hapur. Planet Pro shtojnë kriptimin në anën e klientit për transkriptat në pushim.
Përdor instrumentin compare-stt për të ekzekutuar Vosk kundër çdo modeli tjetër të suportuar në të njëjtin audio — do të shihni WER, numrin e segmenteve, etiketat e folësve dhe rezultatet e besimit krah-për-krah. Krahasimi Vosk vs Whisper Large V3 është më i zakonshmi.
Po. Specifiko "vosk" si parametri i modelit në /v1/transcribe endpoint. Python dhe Node.js SDK përfshijnë shembuj Vosk. Niveli i API pa pagesë përfshin 100 minuta në muaj.
Po. Sepse Vosk është i licencuar Apache 2.0, mund ta hostosh vetë. Faqja e burimit të hapur të STT.ai-ës përmban listën e projektit dhe peshat. Shumica e ekipeve të prodhimit përdorin versionin tonë të pritur për të kaluar GPU-në, modelin e shkëmbimit dhe operacionet.