Công cụ

Audiotext chép lời bằng một trong ba công cụ, được chọn trong thẻ Công cụ của cài đặt chép lời.

	WhisperX	Whisper API	Google API
Chạy trên	Máy tính của bạn	Máy chủ OpenAI	Máy chủ Google
Internet	Chỉ để tải mô hình	Bắt buộc	Bắt buộc
Chi phí	Miễn phí, không giới hạn	Trả phí	Gói miễn phí (60 phút/tháng), hoặc trả phí với khóa API
Phát hiện ngôn ngữ	✓	✓	✗
Dịch	✓	✓	✗
Dấu thời gian	✓	Tùy mô hình	✗
Nhận diện người nói	✓ (token Hugging Face)	`gpt-4o-transcribe-diarize`	✗
Thời gian theo từng từ	✓	`whisper-1`	✗
Văn bản trực tiếp	✓	✗	✗
Từ có độ tin cậy thấp	✓ (thời gian theo từng từ)	`whisper-1` (đoạn)	✗

WhisperX

WhisperX là bản triển khai nhanh của Whisper (OpenAI) chạy trên máy tính của bạn, nên âm thanh không bao giờ rời khỏi máy. Nó chạy trên CPU hoặc, nhanh hơn nhiều, trên GPU NVIDIA có CUDA hoặc trên GPU của máy Mac dùng Apple Silicon.

Mô hình

Mô hình lớn hơn chính xác hơn, nhưng chậm hơn và dùng nhiều bộ nhớ hơn. Mô hình được tải xuống lần đầu khi sử dụng.

Mô hình	Tham số	VRAM cần thiết
`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 là mặc định, vì large-v3 thường “ảo giác” và lặp lại văn bản hơn, đặc biệt ở một số ngôn ngữ như tiếng Nhật, và bỏ sót dấu câu nhiều hơn.
large-v3-turbo là phiên bản rút gọn của large-v3, nhanh hơn nhiều mà độ chính xác gần như tương đương.
Các mô hình kết thúc bằng .en (tiny.en, base.en, small.en, medium.en) và các mô hình chưng cất (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) chỉ chép lời tiếng Anh. Chúng nhanh hơn các mô hình đa ngôn ngữ cùng kích thước.

Trên máy Mac

Trên máy Mac dùng Apple Silicon, MLX Whisper chép lời trên GPU, nhanh hơn nhiều so với trên CPU. Sau đó WhisperX căn chỉnh các từ và nhận diện người nói trên CPU như thường lệ, nên bản chép lời vẫn giữ thời gian theo từng từ, điểm và người nói.

Phiên bản MLX của mô hình được tải xuống lần đầu khi dùng.
distil-small.en, distil-large-v2 và distil-large-v3.5 không có phiên bản MLX, nên chạy trên CPU.
Văn bản trực tiếp luôn chạy trên CPU.
Kiểu tính toán và Kích thước lô không áp dụng trên GPU, vì MLX luôn tính toán ở độ chính xác một nửa và không chia lô.
Để chép lời trên CPU, hãy bật Dùng CPU trong Tùy chọn ưu tiên → Chép lời.

Tùy chọn nâng cao

Nằm trong Tùy chọn ưu tiên → Chép lời → WhisperX. Chỉ thay đổi khi gặp sự cố hoặc khi bạn biết mình đang làm gì: GPU hết bộ nhớ có thể làm treo hệ thống.

Kiểu tính toán: độ chính xác số học của mô hình. float16 nhanh hơn trên GPU NVIDIA (mặc định khi có CUDA). int8 dùng ít bộ nhớ hơn và là mặc định trên CPU, vì nhiều CPU không hỗ trợ float16 hiệu quả. float32 chính xác nhất, dành cho GPU có trên 8 GB VRAM.
Kích thước lô: số phần âm thanh được xử lý cùng lúc (mặc định 8). Không ảnh hưởng chất lượng, chỉ ảnh hưởng tốc độ. Giảm xuống nếu hết bộ nhớ; khuyến nghị tối đa 16.
Dùng CPU: chạy WhisperX trên CPU. Luôn bật nếu không tìm thấy GPU (GPU NVIDIA có CUDA, hoặc GPU của máy Mac dùng Apple Silicon).

Whisper API

Dùng API chuyển giọng nói thành văn bản của OpenAI. API này dành cho máy tính không chạy WhisperX mượt mà, và cần khóa API OpenAI (xem Khóa API).

Mô hình	Dấu thời gian	Người nói	Ghi chú
`whisper-1` (mặc định)	✓	✗	Có thể phát theo từng đoạn và tạo phụ đề. Dịch sang tiếng Anh. Chấm điểm từng đoạn, để rà soát các đoạn có độ tin cậy thấp.
`gpt-transcribe`	✗	✗	Chính xác hơn, nhưng không có dấu thời gian.
`gpt-4o-transcribe-diarize`	✓	✓	Nhận diện người nói. Không dùng từ khóa và mô tả.

Bản dịch sang tiếng Anh luôn do whisper-1 thực hiện, vì đây là mô hình duy nhất biết dịch.

Âm thanh dài được chia thành các đoạn tối đa 10 phút, cắt ở chỗ im lặng để không cắt đôi từ nào, vì API từ chối tệp lớn hơn 25 MB. Với whisper-1, phần cuối của mỗi đoạn được dùng làm ngữ cảnh cho đoạn tiếp theo; với gpt-4o-transcribe-diarize, một mẫu giọng của từng người nói được gửi kèm các đoạn tiếp theo để họ giữ nguyên nhãn.

Tùy chọn

Định dạng phản hồi (thẻ Đầu ra, cho thư mục): text (mặc định), json, verbose_json, srt hoặc vtt. Phụ đề và verbose_json cần mô hình có dấu thời gian.
Nhiệt độ (Tùy chọn ưu tiên → Chép lời): từ 0 đến 1. Giá trị cao như 0,8 làm kết quả ngẫu nhiên hơn, giá trị thấp như 0,2 làm kết quả tập trung hơn. Với 0 (mặc định), mô hình tự tăng khi cần.
Dấu thời gian của từ (Tùy chọn ưu tiên → Chép lời): whisper-1 có trả về dấu thời gian của từng từ hay không, để đánh dấu khi phát. Mất nhiều thời gian hơn. Bật theo mặc định.

Google API

Dùng Google Speech-to-Text API. API này không thêm dấu câu (Audiotext sẽ thêm), và chất lượng thấp hơn Whisper, nên bản chép lời thường cần sửa. Nó không thể phát hiện ngôn ngữ hay dịch, và trả về văn bản thuần không có dấu thời gian.

Không có khóa API thì dùng gói miễn phí, giới hạn 60 phút mỗi tháng. Để mở rộng, hãy đặt khóa Google API. Google tính phí sử dụng, và Audiotext không chịu trách nhiệm về khoản phí này.