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
Mga Madalas Itanong
STT.ai hosts Vosk sa aming GPU imprastraktura kaya maaari mong gamitin ito nang walang pagbibigay ng iyong sariling hardware — mag-upload ng audio o video at pumili Vosk mula sa modelo picker.
> Sa mga pamantayan benchmarks, Vosk ay nakamit sa paligid ng 12.0% Word Error Rate. Real-world katumpakan ay depende sa kalidad ng audio, accent, at wika; para sa noisy o accented recordings, asahan ng ilang porsyento puntos mas mataas na WER.
Vosk ay tumatakbo sa STT.ai ng libreng antas - bawat bisita ay makakakuha ng 600 minuto / buwan nang walang gastos. Paid plano magdagdag ng mas mahabang bawat-file na limitasyon, pribadong transcripts, at prayoridad queueing.
Vosk ay inilabas sa ilalim ng Apache 2.0, isang permissive open-source na lisensya. Maaari mong self-host Vosk sa iyong sariling hardware o gamitin ang aming hosted na bersyon - parehong commercially magagamit.
> Vosk sumusuporta sa 20 wika. Auto-detection picks ang tamang wika para sa karamihan ng audio; maaari mo ring tukuyin ito nang manu-mano para sa isang maliit na katumpakan lift.
> Vosk proseso audio sa tungkol sa 100.0x real-time sa aming GPUs. Ang isang 1-oras na audio file ay nagtatapos sa ilalim ng 1 minuto; mas mahabang file queue at mag-notify sa pamamagitan ng email kapag tapos na.
Vosk ay may 50M parameter. Mas malaki modelo ay may posibilidad na maging mas tumpak ngunit mas mabagal; STT.ai host Vosk sa GPU kaya ang bilang ng parameter ay hindi nakakaapekto sa iyong client-side pagganap.
Ang mga format na suportado ng STT.ai ay MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, at iba pa. Ang output ay TXT, SRT, VTT, DOCX, JSON, o PDF.
> Oo. Speaker diarization tumatakbo kasama Vosk para sa bawat transcription — bawat speaker ay may label at maaari mong palitan ang pangalan ng mga ito sa editor pagkatapos.
Vosk tumatakbo sa aming pinamamahalaang kapaligiran – audio ay pinoproseso at tinanggal sa pamamagitan ng default at hindi kailanman ginagamit para sa pagsasanay nang walang malinaw na opt-in. Pro plano magdagdag ng client-side encryption para sa transcripts sa pahinga.
> Gamitin ang i-compare-stt tool upang patakbuhin ang Vosk laban sa anumang iba pang mga suportadong modelo sa parehong audio - makikita mo WER, segment count, speaker label, at kumpiyansa score side-by-side. Ang Vosk vs Whisper Large V3 paghahambing ay ang pinaka-karaniwang tumakbo.
> Oo. tukuyin ang "vosk" bilang ang modelo parameter sa / v1 / transcribe endpoint. Python at Node.js SDKs isama Vosk halimbawa. Libreng API tier kasama ang 100 minuto / buwan.
> Oo. Dahil Vosk ay Apache 2.0-licensed, maaari mong self-host ito. STT.ai's open-source page listahan ng proyekto repo at timbang. Karamihan sa mga koponan ng produksyon gamitin ang aming hosted na bersyon upang i-skip GPU procurement, modelo swaps, at ops.