Nástroje

Audiotext přepisuje pomocí jednoho ze tří nástrojů, který vyberete na kartě Nástroj v nastavení přepisu.

	WhisperX	Whisper API	Google API
Běží na	Vašem počítači	Serverech OpenAI	Serverech Googlu
Internet	Jen pro stažení modelů	Nutný	Nutný
Cena	Zdarma, bez omezení	Placené	Bezplatný limit (60 min/měsíc) nebo placené s klíčem API
Rozpozná jazyk	✓	✓	✗
Překládá	✓	✓	✗
Časové značky	✓	Podle modelu	✗
Rozpozná mluvčí	✓ (token Hugging Face)	`gpt-4o-transcribe-diarize`	✗
Časování slov	✓	`whisper-1`	✗
Živý text	✓	✗	✗
Slova s nízkou jistotou	✓ (časování slov)	`whisper-1` (segmenty)	✗

WhisperX

WhisperX je rychlá implementace Whisperu od OpenAI, která běží na vašem počítači, takže zvuk ho nikdy neopustí. Běží na procesoru, nebo mnohem rychleji na grafické kartě NVIDIA s CUDA či na grafickém procesoru Macu s Apple Silicon.

Model

Větší modely jsou přesnější, ale pomalejší a spotřebují více paměti. Model se stáhne při prvním použití.

Model	Parametry	Potřebná VRAM
`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 je výchozí, protože large-v3 častěji halucinuje a opakuje text, zvláště v některých jazycích, jako je japonština, a vynechává více interpunkce.
large-v3-turbo je odlehčená verze large-v3, mnohem rychlejší a téměř stejně přesná.
Modely končící na .en (tiny.en, base.en, small.en, medium.en) a destilované modely (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) přepisují jen angličtinu. Jsou rychlejší než vícejazyčné modely stejné velikosti.

Na Macu

Na Macích s Apple Silicon přepisuje MLX Whisper na grafickém procesoru, mnohem rychleji než na procesoru. WhisperX pak jako vždy zarovná slova a rozpozná mluvčí na procesoru, takže přepisy si zachovají časování slov, hodnocení i mluvčí.

Verze MLX modelu se stáhne při prvním použití.
distil-small.en, distil-large-v2 a distil-large-v3.5 verzi MLX nemají, takže běží na procesoru.
Živý text běží vždy na procesoru.
Typ výpočtu a Velikost dávky se na grafickém procesoru neuplatní, protože MLX vždy počítá s poloviční přesností a bez dávek.
Chcete-li přepisovat na procesoru, zapněte Použít CPU v Předvolby → Přepis.

Pokročilé možnosti

Najdete je v Předvolby → Přepis → WhisperX. Měňte je jen při problémech nebo pokud víte, co děláte: grafická karta bez volné paměti může systém zamrazit.

Typ výpočtu: přesnost čísel modelu. float16 je rychlejší na grafických kartách NVIDIA (výchozí s CUDA). int8 spotřebuje méně paměti a je výchozí na procesoru, protože mnoho procesorů float16 efektivně nepodporuje. float32 je nejpřesnější, pro grafické karty s více než 8 GB VRAM.
Velikost dávky: kolik částí zvuku se zpracovává najednou (výchozí 8). Nemění kvalitu, jen rychlost. Pokud dochází paměť, snižte ji; doporučuje se nejvýše 16.
Použít CPU: spouští WhisperX na procesoru. Je vždy zapnuto, pokud nebyl nalezen grafický procesor (karta NVIDIA s CUDA nebo grafický procesor Macu s Apple Silicon).

Whisper API

Používá API OpenAI pro převod řeči na text. Je určeno pro počítače, na kterých WhisperX neběží plynule, a vyžaduje klíč API OpenAI (viz Klíče API).

Model	Časové značky	Mluvčí	Poznámky
`whisper-1` (výchozí)	✓	✗	Lze přehrávat segment po segmentu a převést na titulky. Překládá do angličtiny. Hodnotí každý segment, abyste mohli zkontrolovat ty s nízkou jistotou.
`gpt-transcribe`	✗	✗	Přesnější, ale bez časových značek.
`gpt-4o-transcribe-diarize`	✓	✓	Rozpozná mluvčí. Nepoužívá klíčová slova ani popis.

Překlady do angličtiny vždy provádí whisper-1, protože je to jediný model, který překládá.

Dlouhé nahrávky se dělí na části do 10 minut, střižené v tichu, aby se žádné slovo nerozdělilo, protože API odmítá soubory větší než 25 MB. U whisper-1 se konec každé části předá jako kontext další části; u gpt-4o-transcribe-diarize se s dalšími částmi posílá vzorek hlasu každého mluvčího, aby si zachovali označení.

Možnosti

Formát odpovědi (karta Výstup, pro složky): text (výchozí), json, verbose_json, srt nebo vtt. Titulky a verbose_json vyžadují model s časovými značkami.
Teplota (Předvolby → Přepis): mezi 0 a 1. Vysoké hodnoty jako 0,8 činí výsledek náhodnějším, nízké jako 0,2 cílenějším. Při 0 (výchozí) ji model podle potřeby sám zvýší.
Časové značky slov (Předvolby → Přepis): zda whisper-1 vrací i časové značky každého slova, aby se při přehrávání zvýrazňovalo. Trvá déle. Ve výchozím stavu zapnuto.

Google API

Používá Google Speech-to-Text API. Nedoplňuje interpunkci (tu přidává Audiotext) a jeho kvalita je nižší než u Whisperu, takže přepisy často vyžadují opravy. Neumí rozpoznat jazyk ani překládat a vrací prostý text bez časových značek.

Bez klíče API se používá bezplatný limit 60 minut měsíčně. Chcete-li ho rozšířit, nastavte klíč Google API. Google si používání účtuje a Audiotext za to neodpovídá.