Bu bilen ýaz Vosk
12.0%
WER
20
Diller
100.0x
Tizlik
Apache 2.0
Lisenziýa
Habar Vosk
Vosk bir internet baglanyşygy bolmadyk sözi tanamak esbap toplumy. Ol 20+ dili goldaýar we mobil enjamlarda, Raspberry Pi we her hili platformalarda işleýän kompakt modelleri goldaýar. Kaldi we Zipformer binagärliklerinde gurlan.
Model Maglumaty
- SaýlawAlpha Cephei
- Mimari-
- LisenziýaApache 2.0
- GüncelleMar 2026
Gynançly Soraglar
Vosk Alpha Cephei tarapyndan bir sözden metin modeldir. STT.ai Vosk-i biziň GPU-myzyň infratrukturasynda kabul edýär, şonuň üçin siz ony öz haýalyňyzy bermän ulanyp bilersiňiz — audio ýa-da video ýükläp we Vosk-i modlu saýlajydan saýlaň.
Standart benchmarks'da, Vosk 12.0% söz hata derejesine ýetýär. Hakykatda dogrylyk ses hili, aksent we dilde bagly; gürleşikli ýa aksentli ýazgylar üçin, birnäçe göterim WER'den ýokary garaş.
Vosk STT.ai's free tier üstünde işleýär — her bir myhman 600 minut başlamak üçin hiç bir töleg almaýar. Ödenilen planlar faýl üçin uzak çäklendirmeleri, şahsy transkriptleri we öňe sürülen nobaty goşýar.
Vosk Apache 2.0 astynda çykaryldy, bir ygtybarly açyk çeşme lisenziýasy. Siz Vosk-i öz hasabyňyzda öz-özüňize kabul edip bilersiňiz ýa-da biziň kabul edilen wersiýamyzy ulanyp bilersiňiz — ikisi hem söwda taýdan ulanylyp bilner.
Vosk 20 dilleri goldaýar. Otomatik tapmak köp ses üçin dogry dili saýlar; siz ony el bilen hem bellip bilersiňiz kiçiçe dogrylyk üçin.
Vosk audiony 100.0x real-time bilen işlemek üçin GPU'larymyzy ulanýar. 1 sagatlyk audio faýl 1 minutyň içinde tamamlanýar; uzak faýllar nobatda durýar we tamamlananda e-poçta bilen habar berler.
Vosk 50M parametrleri bar. Büyük modeller has dogry emma yavaş; STT.ai GPU'da Vosk'i kabul edýär şuňa görä parametrleriň sany siziň kliýent tarap işleýşinize täsir etmez.
Vosk STT.ai goldaýan her hili formaty kabul edýär — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, we beýlekiler. Çykyş TXT, SRT, VTT, DOCX, JSON, ýa-da PDF.
Eý. Sözleýji diaryzasiýasy her bir transkripsiýa üçin Vosk bilen bir hatarda işleýär - her bir sözleýji etiketlenýär we siz olary soňra redaktorda täzeden atlandyryp bilersiňiz.
Eý. Vosk biziň dolandyrylan gurşawymyzda işleýär — ses işlemek we pozmak öň bellenen we hiç wagt belli bir opt-insiz tälim üçin ulanylmaýar. Pro planlar ýatda duran transkripsiýalar üçin müşderi tarapy şifreleme goşýar.
Vosk-i aňşy sesde her haýsy goldawa eýe model bilen deňeşdirmek üçin compare-stt esbaby ullan — siz WER, segment sanaw, sözleýji etiketleri we ynamlylyk skorlaryny birikdiren görersiňiz. Vosk vs Whisper Large V3 deňeşdirmesi iň köp işlenen biridir.
Eý. "vosk" parametrini /v1/transcribe ahyrynda model parametri hökmünde belle. Python we Node.js SDKs Vosk mysallary içer. Beýik API derejesi 100 minut/aýda içer.
Eý. Vosk Apache 2.0-licensiýaly bolansoň, siz ony öz-özüňize kabul edip bilersiňiz. STT.ai's open-source page lists the project repo and weights. Most production teams use our hosted version to skip GPU procurement, model swaps, and ops.