Рушії

Audiotext транскрибує за допомогою одного з трьох рушіїв, який вибирається на картці Рушій у налаштуваннях транскрипції.

	WhisperX	Whisper API	Google API
Працює на	Вашому комп’ютері	Серверах OpenAI	Серверах Google
Інтернет	Лише для завантаження моделей	Потрібен	Потрібен
Вартість	Безкоштовно, без обмежень	Платно	Безкоштовний ліміт (60 хв/міс) або платно з ключем API
Визначає мову	✓	✓	✗
Перекладає	✓	✓	✗
Часові мітки	✓	Залежно від моделі	✗
Визначає мовців	✓ (токен Hugging Face)	`gpt-4o-transcribe-diarize`	✗
Таймінг слів	✓	`whisper-1`	✗
Живий текст	✓	✗	✗
Слова з низькою впевненістю	✓ (таймінг слів)	`whisper-1` (сегменти)	✗

WhisperX

WhisperX — швидка реалізація Whisper від OpenAI, що працює на вашому комп’ютері, тож аудіо ніколи його не залишає. Працює на процесорі або, значно швидше, на відеокарті NVIDIA з CUDA чи на графічному процесорі Mac з Apple Silicon.

Модель

Більші моделі точніші, але повільніші й потребують більше пам’яті. Модель завантажується під час першого використання.

Модель	Параметри	Потрібна VRAM
`tiny`, `tiny.en`	39 M	~1 ГБ
`base`, `base.en`	74 M	~1 ГБ
`small`, `small.en`	244 M	~2 ГБ
`distil-small.en`	166 M	~2 ГБ
`medium`, `medium.en`	769 M	~5 ГБ
`distil-medium.en`	394 M	~3 ГБ
`large-v1`, `large-v2`, `large-v3`	1550 M	<8 ГБ
`large-v3-turbo`	809 M	~6 ГБ
`distil-large-v2`, `distil-large-v3`, `distil-large-v3.5`	756 M	~5 ГБ

large-v2 використовується типово, бо large-v3 частіше галюцинує й повторює текст, особливо деякими мовами, як-от японською, і пропускає більше розділових знаків.
large-v3-turbo — полегшена версія large-v3, значно швидша й майже така сама точна.
Моделі із закінченням .en (tiny.en, base.en, small.en, medium.en) і дистильовані моделі (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) транскрибують лише англійську. Вони швидші за багатомовні моделі того самого розміру.

На Mac

На Mac з Apple Silicon MLX Whisper транскрибує на графічному процесорі, значно швидше, ніж на центральному. Потім WhisperX, як завжди, вирівнює слова й визначає мовців на центральному процесорі, тож транскрипції зберігають таймінг слів, оцінки й мовців.

Версія моделі MLX завантажується під час першого використання.
distil-small.en, distil-large-v2 і distil-large-v3.5 не мають версії MLX, тож працюють на центральному процесорі.
Живий текст завжди працює на центральному процесорі.
Тип обчислень і Розмір пакета не застосовуються на графічному процесорі, бо MLX завжди обчислює з половинною точністю й без пакетів.
Щоб транскрибувати на центральному процесорі, увімкніть Використовувати CPU в Уподобання → Транскрипція.

Розширені параметри

Розташовані в Уподобання → Транскрипція → WhisperX. Змінюйте їх, лише якщо є проблеми або ви знаєте, що робите: відеокарта, якій забракло пам’яті, може завісити систему.

Тип обчислень: точність чисел моделі. float16 швидший на відеокартах NVIDIA (типовий із CUDA). int8 потребує менше пам’яті й використовується типово на процесорі, бо багато процесорів неефективно працюють із float16. float32 найточніший, для відеокарт із понад 8 ГБ VRAM.
Розмір пакета: скільки частин аудіо обробляється одночасно (типово 8). Впливає не на якість, а лише на швидкість. Зменште, якщо бракує пам’яті; рекомендовано не більше 16.
Використовувати CPU: запускає WhisperX на процесорі. Завжди ввімкнено, якщо графічний процесор не знайдено (відеокарту NVIDIA з CUDA чи графічний процесор Mac з Apple Silicon).

Whisper API

Використовує API OpenAI для перетворення мовлення на текст. Призначений для комп’ютерів, на яких WhisperX працює повільно, і потребує ключа API OpenAI (див. Ключі API).

Модель	Часові мітки	Мовці	Примітки
`whisper-1` (типова)	✓	✗	Можна відтворювати по сегментах і створювати субтитри. Перекладає англійською. Оцінює кожен сегмент, щоб перевірити сегменти з низькою впевненістю.
`gpt-transcribe`	✗	✗	Точніша, але без часових міток.
`gpt-4o-transcribe-diarize`	✓	✓	Визначає мовців. Не використовує ключові слова й опис.

Переклади англійською завжди виконує whisper-1, бо це єдина модель, що перекладає.

Довгі записи діляться на фрагменти до 10 хвилин, розрізані на паузі, щоб не розривати слова, оскільки API відхиляє файли понад 25 МБ. З whisper-1 кінець кожного фрагмента передається наступному як контекст; з gpt-4o-transcribe-diarize разом із наступними фрагментами надсилається зразок голосу кожного мовця, щоб зберегти їхні мітки.

Параметри

Формат відповіді (картка «Вивід», для папок): text (типово), json, verbose_json, srt або vtt. Для субтитрів і verbose_json потрібна модель із часовими мітками.
Температура (Уподобання → Транскрипція): від 0 до 1. Високі значення, як-от 0,8, роблять результат випадковішим, низькі, як-от 0,2, — зосередженішим. При 0 (типово) модель сама підвищує її за потреби.
Часові мітки слів (Уподобання → Транскрипція): чи повертає whisper-1 мітки кожного слова, щоб підсвічувати його під час відтворення. Триває довше. Типово ввімкнено.

Google API

Використовує Google Speech-to-Text API. Він не розставляє розділові знаки (їх додає Audiotext), а його якість нижча, ніж у Whisper, тож транскрипції часто потребують виправлень. Він не визначає мову, не перекладає й повертає звичайний текст без часових міток.

Без ключа API використовується безкоштовний ліміт — 60 хвилин на місяць. Щоб розширити його, задайте ключ Google API. Google бере плату за використання, за що Audiotext не відповідає.