Äänikirjoitus
Yleiskatsaus
Valitse paikallinen transkriptiomoottori tai käyttöjärjestelmäsi sisäänrakennettu sanelupalvelu. Saatavuus riippuu alustastasi ja asennetuista valinnaisista moottoreista.
Mitä puhe tekstiksi tekee
Puhe tekstiksi muuttaa sanomasi muokattavaa tekstiä kaikkialla, missä Kaiju Hub AI tarjoaa mikrofonitoiminnon. Käytä sitä sanelemaan agenttikehotteita, jatkamaan Kaiju Voice -keskustelua ja antamaan pidempiä ohjeita kirjoittamatta. Paikalliset moottorit, kuten Whisper ja Parakeet, pitävät transkription koneellasi; alustan sanelu käyttää Windowsin tai macOS:n tarjoamaa puhepalvelua.
Käytettävissä olevat palvelut
Kuiskaa
Paikallinen OpenAI Whisper -transkriptio valittavalla mallikoolla ja laitteistokiihdytyksellä.
NVIDIA papukaija
Nopea paikallinen puheentunnistus valinnaisella Parakeet-moottorilla.
Hullun nopea Whisper
Optimoitu Whisper-polku tuetuille GPU-kokoonpanoille.
Windowsin puhekirjoitus
Käyttää Windowsin sanelua ja määritettyä järjestelmän pikanäppäintä.
Applen sanelu
Käyttää sisäänrakennettua macOS-sanelupalvelua.
Kuiskaa
Whisper-asetukset
Määritä OpenAI Whisper -asetukset paikallista puheesta tekstiksi -transkriptiota varten. Whisper toimii kokonaan laitteellasi, mikä mahdollistaa offline- ja yksityisen äänisyötteen. Lataa, asenna ja poista malleja suoraan tästä välilehdestä.
Saatavilla olevat mallit
Pieni
39 miljoonaa parametria, noin 75 MB latauskoko, noin 10 kertaa reaaliaikainen nopeus, vaatii 1 GB VRAM-muistia.
Perus
74 miljoonaa parametria, noin 145 MB latauskoko, noin 7 kertaa reaaliaikainen nopeus, vaatii 1 GB VRAM-muistia.
Pieni
244 miljoonaa parametria, noin 465 MB latauskoko, noin 4 kertaa reaaliaikainen nopeus, vaatii 2 GB VRAM-muistia.
Keskikokoinen
769 miljoonaa parametria, noin 1,5 GB latauskoko, noin 2 kertaa reaaliaikainen nopeus, vaatii 5 GB VRAM-muistia.
Suuri
1550 miljoonaa parametria, noin 3 GB latauskoko, 1 kertaa reaaliaikainen nopeus, vaatii 10 GB VRAM-muistia.
Turbo
809 miljoonaa parametria, ~1,6 GB latauskoko, ~8 kertaa reaaliaikainen nopeus, vaatii 6 GB VRAM-muistia.
Mikä Whisper-malli minun pitäisi valita?
Aloita Smallilla saadaksesi käytännöllisen tasapainon nopeuden, muistin käytön ja transkription laadun välillä. Siirry alas, kun laitteisto on rajallinen, tai valitse Medium, Large tai Turbo, kun tarkkuus ja GPU-suorituskyky ovat tärkeämpiä.
Pieni
Herätyssanan tunnistus, pikakomennot ja testaus vähiten muistin omaavissa järjestelmissä.
Perus
Lyhyet muistiinpanot, kehotteet ja yleinen sanelu vaatimattomalla laitteistolla.
Pieni
Tasapainoinen arkivalinta agenttikehotuksiin ja pidempään saneluun.
Keskikokoinen
Tarkkuuteen keskittyvä transkriptio, kun voit vaihtaa ylimääräistä käsittelyaikaa ja muistia.
Suuri
Tarkin paikallinen vaihtoehto järjestelmille, joissa on vähintään 10 Gt VRAM-muistia.
Turbo
Nopea ja laadukas transkriptio tuetulla GPU:lla, jossa on vähintään 6 Gt käytettävissä olevaa VRAM-muistia.
Asennustila
Asetussivu näyttää vaadittavien riippuvuuksien asennustilan:
Papukaija ja Insanely Fast Whisper
Valinnaiset nopeat moottorit
Nämä moottorit ovat erillisiä latauksia, joten oletusasennus pysyy pienenä. Asetusnäytössä näkyy kunkin moottorin asennus ja laitteiston tila.
Katso sanojen ilmestyvän puhuessasi reaaliaikaisen paikallisen litteroinnin avulla. Insanely Fast Whisper on optimoitu moderneille NVIDIA-näytönohjaimille, ja myös Whisper-, Parakeet-, pilvi- ja käyttöjärjestelmän puhepalveluvaihtoehdot ovat käytettävissä.
NVIDIA papukaija
Nopea paikallinen puheen tekstiksi -moottori. Asenna sen valinnainen suoritusaika Äänitys-asetuksista ennen sen valitsemista.
Hullun nopea Whisper
Nopeutettu Whisper-toteutus, joka on tarkoitettu yhteensopiville GPU-järjestelmille. Asenna valinnainen moottori ennen käyttöä.
Yhden Kaiju Voicen kautta valitseminen ei koskaan aloita suurta latausta hiljaa. Asenna se ensin asetuksiin; avustaja voi sitten tarkistaa saatavuuden ja vaihtaa palveluita.
Alustan ääniasetukset
Windows Voice Typing
Määritä Windowsin puheentunnistus puheesta tekstiksi -transkriptiota varten. Tämä palvelu käyttää Windows 10:ssä ja sitä uudemmissa versioissa sisäänrakennettuja Azure Speech Services -palveluita. Internet-yhteys vaaditaan. Noudata asetusohjeita aktivoidaksesi puheentunnistuksen Windowsin asetuksissa.
Järjestelmävaatimukset
Windows 10 tai uudempi, jossa puheentunnistus on käytössä järjestelmäasetuksissa.
Pikanäppäin
Oletuspikanäppäin: Ctrl+Shift+W. Voit määrittää sen omien mieltymystesi mukaan.
Testilausain
Testipainike, jolla varmistetaan, että puheentunnistus toimii oikein mikrofonin kanssa.
Applen sanelu
Määritä Applen sanelu puheesta tekstiksi -transkriptiota varten macOS:ssä. Tämä on natiivi macOS-ominaisuus, joka ei vaadi muita määrityksiä kuin sanelun aktivoinnin järjestelmäasetuksissa.
Järjestelmävaatimukset
macOS, jossa sanelu on käytössä Järjestelmäasetuksissa > Näppäimistö.
Pikanäppäin
Oletuspikanäppäin: Ctrl+Shift+D. Voit muokata sen omien mieltymystesi mukaan.
Testilausain
Testipainike, jolla varmistetaan, että sanelu toimii oikein mikrofonin kanssa.
Tekstistä puheeksi ja tekoälyäänet
Paikalliset äänimallit
AI Brain puhuu valitun asennetun mallin kautta. Mallin vaihtaminen purkaa edellisen mallin ennen uuden lataamista, ja ääniluettelo suodatetaan tämän mallin kanssa yhteensopiviin ääniin.
Kokoro 82M
Kevyt, nopea paikallinen puhe laajalla sisäänrakennetulla äänivalikoimalla.
Chatterbox Turbo
Pienen latenssin ekspressiivinen puhe ja tuettu äänen kloonaus.
Chatterbox
Täysi Chatterbox-malli ilmeikkääseen paikalliseen synteesiin ja kloonaukseen.
OmniVoice 0.6B
Kompakti monikielinen paikallinen tekstistä puheeksi.
OuteTTS 1.0 1B
Paikallinen puheentuotanto omalla yhteensopivalla puhesarjalla.
Qwen3-TTS 1.7B
Laajempi monikielinen ja ilmeikäs paikallinen synteesi.
Fish Speech S2 Pro
Laadukas paikallinen puhe tuetuilla viiteäänityönkuluilla.
Puheen nopeus voidaan asettaa välillä 0,5× - 2×. Äänen kloonaus näkyy vain malleissa, jotka tukevat sitä; käytä omistamaasi tai sinulla on lupa käyttää ääntä.
Pilvipalveluntarjoajan luettelo
Asetusluettelo sisältää myös määritykset OpenAI:lle, ElevenLabsille, Cartesialle, Smallest AI:lle, Fish Audiolle, Speechmaticsille, Amazon Pollylle, Google Cloud Text-to-Speechille ja Microsoft Azurelle. Saatavuus riippuu palveluntarjoajan määrityksistä ja toimittamistasi tunnistetiedoista.
API-tunnistetiedot säilyvät asetuksissa, eivätkä ne näy Kaiju Voicen puhuttujen tai strukturoitujen asetusten yhteenvedoissa.