Motors

Audiotext transcriu amb un de tres motors, que es tria a la targeta Motor de la configuració de la transcripció.

	WhisperX	API de Whisper	API de Google
S’executa a	El teu ordinador	Servidors d’OpenAI	Servidors de Google
Internet	Només per descarregar els models	Necessari	Necessari
Cost	De franc, sense límits	De pagament	Gratuïta (60 min/mes), o de pagament amb una clau d’API
Detecta l’idioma	✓	✓	✗
Tradueix	✓	✓	✗
Marques de temps	✓	Segons el model	✗
Identifica parlants	✓ (token de Hugging Face)	gpt-4o-transcribe-diarize	✗
Temps per paraula	✓	whisper-1	✗
Text en directe	✓	✗	✗
Paraules de baixa confiança	✓ (temps per paraula)	whisper-1 (segments)	✗

WhisperX

WhisperX és una implementació ràpida de Whisper d’OpenAI que s’executa al teu ordinador, així que el teu àudio no en surt mai. Funciona a la CPU o, molt més ràpid, en una GPU NVIDIA amb CUDA o a la GPU d’un Mac amb Apple Silicon.

Model

Els models més grans són més precisos, però més lents i fan servir més memòria. El model es descarrega la primera vegada que es fa servir.

Model	Paràmetres	VRAM necessària
tiny, tiny.en	39 M	~1 GB
base, base.en	74 M	~1 GB
small, small.en	244 M	~2 GB
distil-small.en	166 M	~2 GB
medium, medium.en	769 M	~5 GB
distil-medium.en	394 M	~3 GB
large-v1, large-v2, large-v3	1550 M	<8 GB
large-v3-turbo	809 M	~6 GB
distil-large-v2, distil-large-v3, distil-large-v3.5	756 M	~5 GB

• large-v2 és el model per defecte, ja que large-v3 tendeix a al·lucinar i repetir text més sovint, sobretot en alguns idiomes com el japonès, i omet més signes de puntuació.
• large-v3-turbo és una versió reduïda de large-v3, molt més ràpida i gairebé igual de precisa.
• Els models que acaben en .en (tiny.en, base.en, small.en, medium.en) i els destil·lats (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) només transcriuen anglès. Són més ràpids que els models multilingües de la mateixa mida.

Consell

Per provar Audiotext ràpidament, tria tiny o small. Per obtenir la millor qualitat, fes servir large-v2 o large-v3-turbo en una GPU.

En un Mac

En els Mac amb Apple Silicon, MLX Whisper transcriu a la GPU, molt més ràpid que a la CPU. Després, WhisperX alinea les paraules i identifica els parlants a la CPU, com sempre, així que les transcripcions conserven els temps per paraula, les puntuacions i els parlants.

• La versió MLX del model es baixa la primera vegada que es fa servir.
• distil-small.en, distil-large-v2 i distil-large-v3.5 no tenen versió MLX, així que s’executen a la CPU.
• El text en directe sempre s’executa a la CPU.
• Tipus de càlcul i Mida del lot no s’apliquen a la GPU, ja que MLX sempre calcula en mitja precisió i sense lots.
• Per transcriure a la CPU, activa Utilitza la CPU a Preferències → Transcripció.

Opcions avançades

Són a Preferències → Transcripció → WhisperX. Canvia-les només si tens problemes o saps què fas: una GPU que es queda sense memòria pot bloquejar el sistema.

• Tipus de càlcul: la precisió dels nombres del model. float16 és més ràpid en GPU NVIDIA (el valor per defecte amb CUDA). int8 fa servir menys memòria i és el valor per defecte a la CPU, ja que moltes CPU no admeten float16 de manera eficient. float32 és el més precís, per a GPU amb més de 8 GB de VRAM.
• Mida del lot: quantes parts de l’àudio es processen alhora (8 per defecte). No canvia la qualitat, només la velocitat. Abaixa-la si et quedes sense memòria; es recomana fins a 16.
• Utilitza la CPU: executa WhisperX a la CPU. Sempre està activat si no s’ha trobat cap GPU (una GPU NVIDIA amb CUDA, o la GPU d’un Mac amb Apple Silicon).

API de Whisper

Fa servir l’API de veu a text d’OpenAI. Està pensada per a ordinadors que no poden executar WhisperX amb fluïdesa, i requereix una clau d’API d’OpenAI (consulta Claus d’API).

Model	Marques de temps	Parlants	Notes
whisper-1 (per defecte)	✓	✗	Es pot reproduir segment a segment i subtitular. Tradueix a l’anglès. Puntua cada segment, per revisar els de baixa confiança.
gpt-transcribe	✗	✗	Més precís, però sense marques de temps.
gpt-4o-transcribe-diarize	✓	✓	Identifica els parlants. No fa servir les paraules clau ni la descripció.

Les traduccions a l’anglès sempre les fa whisper-1, ja que és l’únic model que tradueix.

Els àudios llargs es divideixen en fragments de fins a 10 minuts, tallats en un silenci perquè no es parteixi cap paraula, ja que l’API rebutja els fitxers de més de 25 MB. Amb whisper-1, el final de cada fragment es dona com a context al següent; amb gpt-4o-transcribe-diarize, s’envia una mostra de la veu de cada parlant amb els fragments següents, perquè mantinguin les seves etiquetes.

Opcions

• Format de resposta (targeta Sortida, per a carpetes): text (per defecte), json, verbose_json, srt o vtt. Els subtítols i verbose_json necessiten un model amb marques de temps.
• Temperatura (Preferències → Transcripció): entre 0 i 1. Els valors alts com 0,8 fan que el resultat sigui més aleatori, i els baixos com 0,2, més precís. Amb 0 (per defecte), el model l’apuja automàticament quan cal.
• Marques de temps de les paraules (Preferències → Transcripció): si whisper-1 també retorna les marques de temps de cada paraula, per ressaltar-la en reproduir. Triga més. Activat per defecte.

API de Google

Fa servir l’API Speech-to-Text de Google. No puntua les frases (Audiotext hi afegeix la puntuació), i la seva qualitat és inferior a la de Whisper, així que les transcripcions sovint necessiten correccions. No pot detectar l’idioma ni traduir, i retorna text pla sense marques de temps.

Sense clau d’API, es fa servir el nivell gratuït, limitat a 60 minuts al mes. Per ampliar-lo, configura una clau d’API de Google. Google cobra pel seu ús, del qual Audiotext no es fa responsable.