Motorlar

Audiotext, transkripsiyon ayarlarının Motor kartında seçilen üç motordan biriyle yazıya döker.

	WhisperX	Whisper API	Google API
Çalıştığı yer	Bilgisayarınız	OpenAI sunucuları	Google sunucuları
İnternet	Yalnızca modelleri indirmek için	Gerekli	Gerekli
Ücret	Ücretsiz, sınırsız	Ücretli	Ücretsiz katman (ayda 60 dk) veya API anahtarıyla ücretli
Dili algılar	✓	✓	✗
Çevirir	✓	✓	✗
Zaman damgaları	✓	Modele bağlı	✗
Konuşmacıları belirler	✓ (Hugging Face belirteci)	`gpt-4o-transcribe-diarize`	✗
Kelime zamanlaması	✓	`whisper-1`	✗
Canlı metin	✓	✗	✗
Düşük güvenilirlikli kelimeler	✓ (kelime zamanlaması)	`whisper-1` (segmentler)	✗

WhisperX

WhisperX, OpenAI’nin Whisper’ının bilgisayarınızda çalışan hızlı bir uygulamasıdır; böylece sesiniz bilgisayarınızdan hiç çıkmaz. İşlemcide veya çok daha hızlı biçimde CUDA destekli bir NVIDIA ekran kartında ya da Apple Silicon’lu bir Mac’in grafik işlemcisinde çalışır.

Model

Büyük modeller daha doğrudur ancak daha yavaştır ve daha fazla bellek kullanır. Model ilk kullanımda indirilir.

Model	Parametre	Gereken 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 varsayılandır, çünkü large-v3 özellikle Japonca gibi bazı dillerde daha sık halüsinasyon görür ve metni tekrarlar, ayrıca daha fazla noktalama işaretini atlar.
large-v3-turbo, large-v3’ün budanmış bir sürümüdür; çok daha hızlıdır ve neredeyse aynı doğruluktadır.
.en ile biten modeller (tiny.en, base.en, small.en, medium.en) ve damıtılmış modeller (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) yalnızca İngilizceyi yazıya döker. Aynı boyuttaki çok dilli modellerden daha hızlıdırlar.

Mac’te

Apple Silicon’lu Mac’lerde MLX Whisper grafik işlemcide, işlemciden çok daha hızlı yazıya döker. Ardından WhisperX her zamanki gibi kelimeleri hizalar ve konuşmacıları işlemcide belirler, böylece transkripsiyonlar kelime zamanlamalarını, puanlarını ve konuşmacılarını korur.

Modelin MLX sürümü ilk kullanıldığında indirilir.
distil-small.en, distil-large-v2 ve distil-large-v3.5 modellerinin MLX sürümü yoktur, bu yüzden işlemcide çalışırlar.
Canlı metin her zaman işlemcide çalışır.
MLX her zaman yarım hassasiyetle ve toplu işler olmadan hesapladığı için Hesaplama türü ve Toplu iş boyutu GPU’da geçerli değildir.
İşlemcide yazıya dökmek için Tercihler → Transkripsiyon bölümünde CPU kullan’ı açın.

Gelişmiş seçenekler

Tercihler → Transkripsiyon → WhisperX bölümündedir. Yalnızca sorun yaşıyorsanız veya ne yaptığınızı biliyorsanız değiştirin: belleği tükenen bir ekran kartı sisteminizi dondurabilir.

Hesaplama türü: modelin sayılarının hassasiyeti. float16 NVIDIA ekran kartlarında daha hızlıdır (CUDA ile varsayılan). int8 daha az bellek kullanır ve işlemcide varsayılandır, çünkü birçok işlemci float16’yı verimli desteklemez. float32 en hassas olanıdır; 8 GB’tan fazla VRAM’e sahip ekran kartları içindir.
Toplu iş boyutu: sesin kaç parçasının aynı anda işlendiği (varsayılan 8). Kaliteyi değil, yalnızca hızı etkiler. Bellek yetmiyorsa düşürün; en fazla 16 önerilir.
CPU kullan: WhisperX’i işlemcide çalıştırır. Grafik işlemci bulunamazsa (CUDA destekli bir NVIDIA ekran kartı veya Apple Silicon’lu bir Mac’in grafik işlemcisi) her zaman açıktır.

Whisper API

OpenAI’nin konuşmadan metne API’sini kullanır. WhisperX’i rahat çalıştıramayan bilgisayarlar içindir ve bir OpenAI API anahtarı gerektirir (API anahtarları bölümüne bakın).

Model	Zaman damgaları	Konuşmacılar	Notlar
`whisper-1` (varsayılan)	✓	✗	Segment segment oynatılabilir ve altyazıya dönüştürülebilir. İngilizceye çevirir. Düşük güvenilirlikli olanları incelemek için her segmenti puanlar.
`gpt-transcribe`	✗	✗	Daha doğru, ancak zaman damgası yok.
`gpt-4o-transcribe-diarize`	✓	✓	Konuşmacıları belirler. Anahtar kelimeleri ve açıklamayı kullanmaz.

İngilizceye çeviriler her zaman whisper-1 tarafından yapılır, çünkü çeviri yapan tek model odur.

API 25 MB’tan büyük dosyaları reddettiği için uzun kayıtlar, hiçbir kelime bölünmesin diye bir sessizlikte kesilerek en fazla 10 dakikalık parçalara ayrılır. whisper-1 ile her parçanın sonu bir sonrakine bağlam olarak verilir; gpt-4o-transcribe-diarize ile her konuşmacının sesinden bir örnek sonraki parçalarla birlikte gönderilir, böylece etiketlerini korurlar.

Seçenekler

Yanıt biçimi (Çıktı kartı, klasörler için): text (varsayılan), json, verbose_json, srt veya vtt. Altyazılar ve verbose_json zaman damgalı bir model gerektirir.
Sıcaklık (Tercihler → Transkripsiyon): 0 ile 1 arasında. 0,8 gibi yüksek değerler sonucu daha rastgele, 0,2 gibi düşük değerler daha odaklı yapar. 0 (varsayılan) ile model gerektiğinde onu otomatik olarak artırır.
Kelimelerin zaman damgaları (Tercihler → Transkripsiyon): whisper-1’in oynatma sırasında vurgulamak için her kelimenin zaman damgasını da döndürüp döndürmeyeceği. Daha uzun sürer. Varsayılan olarak açıktır.

Google API

Google Speech-to-Text API’yi kullanır. Cümlelere noktalama koymaz (bunu Audiotext ekler) ve kalitesi Whisper’dan düşüktür, bu yüzden transkripsiyonlar sık sık düzeltme gerektirir. Dili algılayamaz, çeviri yapamaz ve zaman damgası olmadan düz metin döndürür.

API anahtarı olmadan ayda 60 dakikayla sınırlı ücretsiz katman kullanılır. Genişletmek için bir Google API anahtarı ayarlayın. Google kullanım için ücret alır; Audiotext bundan sorumlu değildir.