Silniki

Audiotext transkrybuje za pomocą jednego z trzech silników, wybieranego na karcie Silnik w ustawieniach transkrypcji.

	WhisperX	API Whisper	API Google
Działa na	Twoim komputerze	Serwerach OpenAI	Serwerach Google
Internet	Tylko do pobrania modeli	Wymagany	Wymagany
Koszt	Za darmo, bez limitów	Płatne	Darmowy limit (60 min/mies.) lub płatne z kluczem API
Wykrywa język	✓	✓	✗
Tłumaczy	✓	✓	✗
Znaczniki czasu	✓	Zależnie od modelu	✗
Rozpoznaje mówców	✓ (token Hugging Face)	`gpt-4o-transcribe-diarize`	✗
Czasy słów	✓	`whisper-1`	✗
Tekst na żywo	✓	✗	✗
Słowa o niskiej pewności	✓ (czasy słów)	`whisper-1` (segmenty)	✗

WhisperX

WhisperX to szybka implementacja Whisper od OpenAI, która działa na twoim komputerze, więc nagrania nigdy go nie opuszczają. Działa na procesorze lub, znacznie szybciej, na karcie graficznej NVIDIA z CUDA albo na karcie graficznej Maca z Apple Silicon.

Model

Większe modele są dokładniejsze, ale wolniejsze i zużywają więcej pamięci. Model jest pobierany przy pierwszym użyciu.

Model	Parametry	Wymagana 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 jest domyślny, ponieważ large-v3 częściej halucynuje i powtarza tekst, zwłaszcza w niektórych językach, np. japońskim, i pomija więcej znaków interpunkcyjnych.
large-v3-turbo to odchudzona wersja large-v3, znacznie szybsza i prawie tak samo dokładna.
Modele kończące się na .en (tiny.en, base.en, small.en, medium.en) i modele destylowane (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) transkrybują tylko angielski. Są szybsze niż wielojęzyczne modele tej samej wielkości.

Na Macu

Na Macach z Apple Silicon MLX Whisper transkrybuje na karcie graficznej, znacznie szybciej niż na procesorze. Następnie WhisperX jak zawsze wyrównuje słowa i rozpoznaje mówców na procesorze, więc transkrypcje zachowują czasy słów, oceny i mówców.

Wersja MLX modelu jest pobierana przy pierwszym użyciu.
distil-small.en, distil-large-v2 i distil-large-v3.5 nie mają wersji MLX, więc działają na procesorze.
Tekst na żywo zawsze działa na procesorze.
Typ obliczeń i Rozmiar partii nie mają zastosowania na karcie graficznej, bo MLX zawsze liczy z połową precyzji i bez partii.
Aby transkrybować na procesorze, włącz Używaj CPU w Preferencje → Transkrypcja.

Opcje zaawansowane

Znajdują się w Preferencje → Transkrypcja → WhisperX. Zmieniaj je tylko w razie problemów lub jeśli wiesz, co robisz: karta graficzna bez wolnej pamięci może zawiesić system.

Typ obliczeń: precyzja liczb modelu. float16 jest szybszy na kartach graficznych NVIDIA (domyślny z CUDA). int8 zużywa mniej pamięci i jest domyślny na procesorze, ponieważ wiele procesorów nie obsługuje wydajnie float16. float32 jest najdokładniejszy, dla kart z ponad 8 GB VRAM.
Rozmiar partii: ile części nagrania jest przetwarzanych jednocześnie (domyślnie 8). Nie wpływa na jakość, tylko na szybkość. Zmniejsz go, jeśli brakuje pamięci; zalecane jest maksymalnie 16.
Używaj CPU: uruchamia WhisperX na procesorze. Zawsze włączone, jeśli nie znaleziono karty graficznej (karty NVIDIA z CUDA ani karty graficznej Maca z Apple Silicon).

API Whisper

Korzysta z API OpenAI do zamiany mowy na tekst. Jest przeznaczone dla komputerów, na których WhisperX nie działa płynnie, i wymaga klucza API OpenAI (zobacz Klucze API).

Model	Znaczniki czasu	Mówcy	Uwagi
`whisper-1` (domyślny)	✓	✗	Można go odtwarzać segment po segmencie i tworzyć napisy. Tłumaczy na angielski. Ocenia każdy segment, aby sprawdzić te o niskiej pewności.
`gpt-transcribe`	✗	✗	Dokładniejszy, ale bez znaczników czasu.
`gpt-4o-transcribe-diarize`	✓	✓	Rozpoznaje mówców. Nie używa słów kluczowych ani opisu.

Tłumaczenia na angielski zawsze wykonuje whisper-1, ponieważ to jedyny model, który tłumaczy.

Długie nagrania są dzielone na fragmenty do 10 minut, cięte w miejscu ciszy, aby nie przeciąć żadnego słowa, ponieważ API odrzuca pliki większe niż 25 MB. W whisper-1 koniec każdego fragmentu jest przekazywany jako kontekst do następnego; w gpt-4o-transcribe-diarize z kolejnymi fragmentami wysyłana jest próbka głosu każdego mówcy, aby zachowali swoje etykiety.

Opcje

Format odpowiedzi (karta Wynik, dla folderów): text (domyślny), json, verbose_json, srt lub vtt. Napisy i verbose_json wymagają modelu ze znacznikami czasu.
Temperatura (Preferencje → Transkrypcja): od 0 do 1. Wysokie wartości, np. 0,8, czynią wynik bardziej losowym, a niskie, np. 0,2, bardziej skupionym. Przy 0 (domyślnie) model w razie potrzeby sam ją zwiększa.
Znaczniki czasu słów (Preferencje → Transkrypcja): czy whisper-1 zwraca też znaczniki czasu każdego słowa, aby wyróżniać je podczas odtwarzania. Trwa dłużej. Domyślnie włączone.

API Google

Korzysta z Google Speech-to-Text API. Nie stawia znaków interpunkcyjnych (dodaje je Audiotext), a jego jakość jest niższa niż Whisper, więc transkrypcje często wymagają poprawek. Nie wykrywa języka ani nie tłumaczy i zwraca zwykły tekst bez znaczników czasu.

Bez klucza API używany jest darmowy limit, wynoszący 60 minut miesięcznie. Aby go zwiększyć, ustaw klucz API Google. Google pobiera opłaty za korzystanie, za które Audiotext nie odpowiada.