Motores

Audiotext transcribe cun de tres motores, que se escolle na tarxeta Motor da configuración da transcrición.

	WhisperX	API de Whisper	API de Google
Execútase en	O teu ordenador	Servidores de OpenAI	Servidores de Google
Internet	Só para descargar os modelos	Necesario	Necesario
Custo	De balde, sen límites	De pagamento	Gratuíta (60 min/mes), ou de pagamento cunha clave de API
Detecta o idioma	✓	✓	✗
Traduce	✓	✓	✗
Marcas de tempo	✓	Segundo o modelo	✗
Identifica falantes	✓ (token de Hugging Face)	`gpt-4o-transcribe-diarize`	✗
Tempos por palabra	✓	`whisper-1`	✗
Texto en directo	✓	✗	✗
Palabras de baixa confianza	✓ (tempos por palabra)	`whisper-1` (segmentos)	✗

WhisperX

WhisperX é unha implementación rápida de Whisper de OpenAI que se executa no teu ordenador, así que o teu audio nunca sae del. Funciona na CPU ou, moito máis rápido, nunha GPU NVIDIA con CUDA ou na GPU dun Mac con Apple Silicon.

Modelo

Os modelos máis grandes son máis precisos, pero máis lentos e usan máis memoria. O modelo descárgase a primeira vez que se usa.

Modelo	Parámetros	VRAM necesaria
`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 é o modelo predeterminado, xa que large-v3 tende a alucinar e repetir texto con máis frecuencia, sobre todo nalgúns idiomas como o xaponés, e omite máis signos de puntuación.
large-v3-turbo é unha versión reducida de large-v3, moito máis rápida e case igual de precisa.
Os modelos que rematan en .en (tiny.en, base.en, small.en, medium.en) e os destilados (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) só transcriben inglés. Son máis rápidos que os modelos multilingües do mesmo tamaño.

Nun Mac

Nos Mac con Apple Silicon, MLX Whisper transcribe na GPU, moito máis rápido ca na CPU. Despois, WhisperX aliña as palabras e identifica os falantes na CPU, como sempre, así que as transcricións conservan os seus tempos por palabra, as súas puntuacións e os seus falantes.

A versión MLX do modelo descárgase a primeira vez que se usa.
distil-small.en, distil-large-v2 e distil-large-v3.5 non teñen versión MLX, así que se executan na CPU.
O texto en directo sempre se executa na CPU.
Tipo de cálculo e Tamaño do lote non se aplican na GPU, xa que MLX sempre calcula en media precisión e sen lotes.
Para transcribir na CPU, activa Usar a CPU en Preferencias → Transcrición.

Opcións avanzadas

Están en Preferencias → Transcrición → WhisperX. Cámbiaas só se tes problemas ou sabes o que fas: unha GPU que se queda sen memoria pode bloquear o teu sistema.

Tipo de cálculo: a precisión dos números do modelo. float16 é máis rápido en GPU NVIDIA (o valor predeterminado con CUDA). int8 usa menos memoria e é o valor predeterminado na CPU, xa que moitas CPU non admiten float16 de forma eficiente. float32 é o máis preciso, para GPU con máis de 8 GB de VRAM.
Tamaño do lote: cantas partes do audio se procesan á vez (8 de forma predeterminada). Non cambia a calidade, só a velocidade. Báixao se te quedas sen memoria; recoméndase ata 16.
Usar a CPU: executa WhisperX na CPU. Sempre está activado se non se atopou ningunha GPU (unha GPU NVIDIA con CUDA, ou a GPU dun Mac con Apple Silicon).

API de Whisper

Usa a API de voz a texto de OpenAI. Está pensada para ordenadores que non poden executar WhisperX con fluidez, e require unha clave de API de OpenAI (consulta Claves de API).

Modelo	Marcas de tempo	Falantes	Notas
`whisper-1` (predeterminado)	✓	✗	Pódese reproducir segmento a segmento e subtitular. Traduce ao inglés. Puntúa cada segmento, para revisar os de baixa confianza.
`gpt-transcribe`	✗	✗	Máis preciso, pero sen marcas de tempo.
`gpt-4o-transcribe-diarize`	✓	✓	Identifica os falantes. Non usa as palabras clave nin a descrición.

As traducións ao inglés sempre as fai whisper-1, xa que é o único modelo que traduce.

Os audios longos divídense en fragmentos de ata 10 minutos, cortados nun silencio para non partir ningunha palabra, xa que a API rexeita os ficheiros de máis de 25 MB. Con whisper-1, o final de cada fragmento dáselle como contexto ao seguinte; con gpt-4o-transcribe-diarize, envíase unha mostra da voz de cada falante cos seguintes fragmentos, para que manteñan as súas etiquetas.

Opcións

Formato de resposta (tarxeta Saída, para cartafoles): text (predeterminado), json, verbose_json, srt ou vtt. Os subtítulos e verbose_json precisan un modelo con marcas de tempo.
Temperatura (Preferencias → Transcrición): entre 0 e 1. Os valores altos como 0,8 fan que o resultado sexa máis aleatorio, e os baixos como 0,2, máis preciso. Con 0 (predeterminado), o modelo súbea automaticamente cando fai falla.
Marcas de tempo das palabras (Preferencias → Transcrición): se whisper-1 tamén devolve as marcas de tempo de cada palabra, para resaltala ao reproducir. Tarda máis. Activado de forma predeterminada.

API de Google

Usa a API Speech-to-Text de Google. Non puntúa as frases (Audiotext engade a puntuación), e a súa calidade é menor que a de Whisper, así que as transcricións adoitan precisar correccións. Non pode detectar o idioma nin traducir, e devolve texto plano sen marcas de tempo.

Sen clave de API, úsase o nivel gratuíto, limitado a 60 minutos ao mes. Para amplialo, configura unha clave de API de Google. Google cobra polo seu uso, do que Audiotext non se fai responsable.