Motoare

Audiotext transcrie cu unul dintre cele trei motoare, ales pe cardul Motor din setările transcrierii.

	WhisperX	API Whisper	API Google
Rulează pe	Computerul dumneavoastră	Serverele OpenAI	Serverele Google
Internet	Doar pentru descărcarea modelelor	Necesar	Necesar
Cost	Gratuit, nelimitat	Plătit	Nivel gratuit (60 min/lună) sau plătit cu cheie API
Detectează limba	✓	✓	✗
Traduce	✓	✓	✗
Marcaje de timp	✓	În funcție de model	✗
Identifică vorbitorii	✓ (token Hugging Face)	`gpt-4o-transcribe-diarize`	✗
Temporizare pe cuvânt	✓	`whisper-1`	✗
Text live	✓	✗	✗
Cuvinte cu încredere scăzută	✓ (temporizare pe cuvânt)	`whisper-1` (segmente)	✗

WhisperX

WhisperX este o implementare rapidă a Whisper de la OpenAI care rulează pe computerul dumneavoastră, deci sunetul nu îl părăsește niciodată. Rulează pe procesor sau, mult mai rapid, pe o placă video NVIDIA cu CUDA ori pe placa video a unui Mac cu Apple Silicon.

Model

Modelele mai mari sunt mai precise, dar mai lente și folosesc mai multă memorie. Modelul este descărcat la prima utilizare.

Model	Parametri	VRAM necesar
`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 este implicit, deoarece large-v3 halucinează și repetă textul mai des, mai ales în unele limbi precum japoneza, și omite mai multe semne de punctuație.
large-v3-turbo este o versiune redusă a large-v3, mult mai rapidă și aproape la fel de precisă.
Modelele terminate în .en (tiny.en, base.en, small.en, medium.en) și modelele distilate (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) transcriu doar engleză. Sunt mai rapide decât modelele multilingve de aceeași dimensiune.

Pe un Mac

Pe Mac-urile cu Apple Silicon, MLX Whisper transcrie pe placa video, mult mai rapid decât pe procesor. Apoi WhisperX aliniază cuvintele și identifică vorbitorii pe procesor, ca întotdeauna, deci transcrierile își păstrează temporizarea pe cuvânt, scorurile și vorbitorii.

Versiunea MLX a modelului se descarcă la prima utilizare.
distil-small.en, distil-large-v2 și distil-large-v3.5 nu au versiune MLX, deci rulează pe procesor.
Textul live rulează mereu pe procesor.
Tip de calcul și Dimensiunea lotului nu se aplică pe placa grafică, deoarece MLX calculează mereu în semiprecizie și fără loturi.
Pentru a transcrie pe procesor, activați Folosește CPU în Preferințe → Transcriere.

Opțiuni avansate

Se află în Preferințe → Transcriere → WhisperX. Schimbați-le doar dacă aveți probleme sau știți ce faceți: o placă video fără memorie liberă poate bloca sistemul.

Tip de calcul: precizia numerelor modelului. float16 este mai rapid pe plăcile video NVIDIA (implicit cu CUDA). int8 folosește mai puțină memorie și este implicit pe procesor, deoarece multe procesoare nu acceptă eficient float16. float32 este cel mai precis, pentru plăci cu peste 8 GB VRAM.
Dimensiunea lotului: câte părți ale sunetului sunt procesate simultan (implicit 8). Nu schimbă calitatea, doar viteza. Reduceți-o dacă rămâneți fără memorie; se recomandă cel mult 16.
Folosește CPU: rulează WhisperX pe procesor. Este mereu activat dacă nu s-a găsit nicio placă video (o placă NVIDIA cu CUDA sau placa video a unui Mac cu Apple Silicon).

API Whisper

Folosește API-ul OpenAI de transformare a vorbirii în text. Este destinat computerelor care nu rulează WhisperX fluent și necesită o cheie API OpenAI (consultați Chei API).

Model	Marcaje de timp	Vorbitori	Observații
`whisper-1` (implicit)	✓	✗	Poate fi redat segment cu segment și subtitrat. Traduce în engleză. Evaluează fiecare segment, pentru a le verifica pe cele cu încredere scăzută.
`gpt-transcribe`	✗	✗	Mai precis, dar fără marcaje de timp.
`gpt-4o-transcribe-diarize`	✓	✓	Identifică vorbitorii. Nu folosește cuvintele cheie și nici descrierea.

Traducerile în engleză sunt făcute mereu de whisper-1, singurul model care traduce.

Înregistrările lungi sunt împărțite în fragmente de până la 10 minute, tăiate la o pauză ca să nu fie despărțit niciun cuvânt, deoarece API-ul respinge fișierele mai mari de 25 MB. Cu whisper-1, finalul fiecărui fragment este dat drept context următorului; cu gpt-4o-transcribe-diarize, o mostră din vocea fiecărui vorbitor este trimisă cu fragmentele următoare, ca să-și păstreze etichetele.

Opțiuni

Formatul răspunsului (cardul Ieșire, pentru dosare): text (implicit), json, verbose_json, srt sau vtt. Subtitrările și verbose_json necesită un model cu marcaje de timp.
Temperatură (Preferințe → Transcriere): între 0 și 1. Valorile mari, precum 0,8, fac rezultatul mai aleatoriu, iar cele mici, precum 0,2, mai concentrat. Cu 0 (implicit), modelul o crește automat când e nevoie.
Marcaje de timp ale cuvintelor (Preferințe → Transcriere): dacă whisper-1 returnează și marcajele de timp ale fiecărui cuvânt, pentru a-l evidenția la redare. Durează mai mult. Activat implicit.

API Google

Folosește Google Speech-to-Text API. Nu pune semne de punctuație (le adaugă Audiotext), iar calitatea este mai slabă decât a Whisper, deci transcrierile necesită adesea corecturi. Nu poate detecta limba și nici traduce și returnează text simplu fără marcaje de timp.

Fără cheie API se folosește nivelul gratuit, limitat la 60 de minute pe lună. Pentru a-l extinde, setați o cheie API Google. Google taxează utilizarea, pentru care Audiotext nu este responsabil.