Motorer

Audiotext transkriberar med en av tre motorer, som du väljer på kortet Motor i transkriberingsinställningarna.

	WhisperX	Whisper-API	Google-API
Körs på	Din dator	OpenAI:s servrar	Googles servrar
Internet	Bara för att ladda ner modellerna	Krävs	Krävs
Kostnad	Gratis, obegränsat	Betald	Gratisnivå (60 min/månad), eller betald med API-nyckel
Identifierar språket	✓	✓	✗
Översätter	✓	✓	✗
Tidsstämplar	✓	Beror på modellen	✗
Identifierar talare	✓ (Hugging Face-token)	`gpt-4o-transcribe-diarize`	✗
Tider per ord	✓	`whisper-1`	✗
Livetext	✓	✗	✗
Ord med låg säkerhet	✓ (tider per ord)	`whisper-1` (segment)	✗

WhisperX

WhisperX är en snabb implementering av OpenAI:s Whisper som körs på din dator, så ditt ljud lämnar den aldrig. Den körs på processorn eller, mycket snabbare, på ett NVIDIA-grafikkort med CUDA eller på grafikprocessorn i en Mac med Apple Silicon.

Modell

Större modeller är mer exakta, men långsammare och använder mer minne. Modellen laddas ner första gången den används.

Modell	Parametrar	VRAM som krävs
`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 är standard, eftersom large-v3 oftare hallucinerar och upprepar text, särskilt på vissa språk som japanska, och utelämnar mer interpunktion.
large-v3-turbo är en nedbantad version av large-v3, mycket snabbare och nästan lika exakt.
Modellerna som slutar på .en (tiny.en, base.en, small.en, medium.en) och de destillerade modellerna (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) transkriberar bara engelska. De är snabbare än flerspråkiga modeller av samma storlek.

På en Mac

På Mac-datorer med Apple Silicon transkriberar MLX Whisper på grafikprocessorn, mycket snabbare än på processorn. Sedan justerar WhisperX orden och identifierar talarna på processorn, som vanligt, så transkriberingarna behåller sina tider per ord, poäng och talare.

MLX-versionen av modellen laddas ned första gången den används.
distil-small.en, distil-large-v2 och distil-large-v3.5 har ingen MLX-version, så de körs på processorn.
Livetexten körs alltid på processorn.
Beräkningstyp och Batchstorlek gäller inte på GPU:n, eftersom MLX alltid räknar med halv precision och utan batchar.
För att transkribera på processorn slår du på Använd CPU under Inställningar → Transkribering.

Avancerade alternativ

De finns under Inställningar → Transkribering → WhisperX. Ändra dem bara om du har problem eller vet vad du gör: ett grafikkort som får slut på minne kan låsa systemet.

Beräkningstyp: precisionen i modellens tal. float16 är snabbare på NVIDIA-grafikkort (standard med CUDA). int8 använder mindre minne och är standard på processorn, eftersom många processorer inte hanterar float16 effektivt. float32 är mest exakt, för grafikkort med mer än 8 GB VRAM.
Batchstorlek: hur många delar av ljudet som bearbetas samtidigt (8 som standard). Den påverkar inte kvaliteten, bara hastigheten. Sänk den om minnet tar slut; högst 16 rekommenderas.
Använd CPU: kör WhisperX på processorn. Alltid aktiverat om ingen grafikprocessor hittades (ett NVIDIA-grafikkort med CUDA, eller grafikprocessorn i en Mac med Apple Silicon).

Whisper-API

Använder OpenAI:s API för tal till text. Det är avsett för datorer som inte kör WhisperX smidigt, och kräver en API-nyckel från OpenAI (se API-nycklar).

Modell	Tidsstämplar	Talare	Kommentarer
`whisper-1` (standard)	✓	✗	Kan spelas upp segment för segment och textas. Översätter till engelska. Poängsätter varje segment, för att granska de med låg säkerhet.
`gpt-transcribe`	✗	✗	Mer exakt, men utan tidsstämplar.
`gpt-4o-transcribe-diarize`	✓	✓	Identifierar talarna. Använder inte nyckelorden eller beskrivningen.

Översättningar till engelska görs alltid av whisper-1, eftersom det är den enda modellen som översätter.

Långa inspelningar delas upp i delar på upp till 10 minuter, kapade vid en tystnad så att inget ord delas, eftersom API:t avvisar filer större än 25 MB. Med whisper-1 skickas slutet av varje del som sammanhang till nästa; med gpt-4o-transcribe-diarize skickas ett röstprov från varje talare med de följande delarna, så att de behåller sina etiketter.

Alternativ

Svarsformat (kortet Utdata, för mappar): text (standard), json, verbose_json, srt eller vtt. Undertexter och verbose_json kräver en modell med tidsstämplar.
Temperatur (Inställningar → Transkribering): mellan 0 och 1. Höga värden som 0,8 gör resultatet mer slumpmässigt, låga som 0,2 mer fokuserat. Med 0 (standard) höjer modellen den automatiskt vid behov.
Tidsstämplar för orden (Inställningar → Transkribering): om whisper-1 även returnerar tidsstämplar för varje ord, för att markera det under uppspelning. Tar längre tid. Aktiverat som standard.

Google-API

Använder Googles Speech-to-Text API. Det sätter inte ut skiljetecken (det gör Audiotext), och kvaliteten är lägre än Whispers, så transkriberingarna behöver ofta korrigeras. Det kan varken identifiera språket eller översätta, och returnerar oformaterad text utan tidsstämplar.

Utan API-nyckel används gratisnivån, begränsad till 60 minuter per månad. För att utöka den anger du en API-nyckel från Google. Google tar betalt för användningen, vilket Audiotext inte ansvarar för.