Hanggépelés
Áttekintés
Válasszon helyi átírási motort vagy operációs rendszere beépített diktálási szolgáltatását. A rendelkezésre állás a platformtól és a telepített opcionális motoroktól függ.
Amit a beszéd szöveggé alakít
A beszéd szöveggé változtatja a mondottakat szerkeszthető szöveggé, ahol a Kaiju Hub AI mikrofonműveletet kínál. Használja ügynöki utasítások diktálására, a Kaiju Voice beszélgetés folytatására, és hosszabb utasítások beírására gépelés nélkül. A helyi motorok, mint például a Whisper és a Parakeet, megtartják az átírást a gépen; A platformdiktálás a Windows vagy a macOS által biztosított beszédszolgáltatást használja.
Elérhető szolgáltatások
Suttogni
Helyi OpenAI Whisper átírás választható modellmérettel és hardveres gyorsítással.
NVIDIA papagáj
Gyors helyi beszédfelismerés az opcionális Parakeet motor segítségével.
Őrülten gyors suttogás
Optimalizált Whisper útvonal a támogatott GPU-konfigurációkhoz.
Windows hanggépelés
Windows diktálást és a konfigurált rendszer gyorsbillentyűjét használja.
Apple-diktálás
A beépített macOS diktálási szolgáltatást használja.
Suttogni
Whisper beállítások
Konfigurálja az OpenAI Whisper beállításait a helyi hang-szöveg átalakításhoz. A Whisper teljes mértékben a gépen fut az offline, privát hangbemenethez. Töltse le, telepítse és távolítsa el a modelleket közvetlenül erről a lapról.
Elérhető modellek
Apró
39M paraméter, ~75 MB letöltés, ~10x valós idejű sebesség, 1 GB VRAM szükséges.
Alap
74M paraméter, ~145 MB letöltés, ~7x valós idejű sebesség, 1 GB VRAM szükséges.
Kicsi
244M paraméter, ~465 MB letöltés, ~4x valós idejű sebesség, 2 GB VRAM szükséges.
Közepes
769M paraméter, ~1,5 GB letöltés, ~2x valós idejű sebesség, 5 GB VRAM szükséges.
Nagy
1550M paraméter, ~3 GB letöltés, 1x valós idejű sebesség, 10 GB VRAM szükséges.
Turbo
809M paraméter, ~1,6 GB letöltés, ~8x valós idejű sebesség, 6 GB VRAM szükséges.
Melyik Whisper modellt válasszam?
Kezdje a Small modellel a sebesség, a memóriahasználat és az átírási minőség praktikus egyensúlyához. Ha a hardver korlátozott, lépjen lefelé, vagy válassza a Medium, Large vagy Turbo modellt, ha a pontosság és a GPU teljesítménye fontosabb.
Apró
Ébresztőszó-érzékelés, gyors parancsok és tesztelés a legkisebb memóriájú rendszereken.
Alap
Rövid megjegyzések, utasítások és általános diktálás szerény hardveren.
Kicsi
Kiegyensúlyozott mindennapi választás ügynöki felszólításhoz és hosszabb diktáláshoz.
Közepes
Pontosságra összpontosító átírás, ha extra feldolgozási időt és memóriát vásárolhat.
Nagy
A legnagyobb pontosságú helyi lehetőség legalább 10 GB rendelkezésre álló VRAM-mal rendelkező rendszerek számára.
Turbo
Gyors, kiváló minőségű átírás támogatott GPU-n, legalább 6 GB rendelkezésre álló VRAM-mal.
Telepítési állapot
A beállítások oldala megjeleníti a szükséges függőségek telepítési állapotát:
Papagáj és őrülten gyors suttogás
Választható gyors motorok
Ezek a motorok különálló letöltések, így az alapértelmezett telepítés kicsi marad. A beállítások képernyőn az egyes motorok telepítési és hardverállapota látható.
Élő, helyi átírással beszéd közben azonnal láthatja a szavakat. Az Insanely Fast Whisper modern NVIDIA GPU-kra optimalizált, emellett Whisper, Parakeet, felhőalapú és platformszintű beszédbeviteli lehetőségek is elérhetők.
NVIDIA papagáj
Nagy sebességű helyi beszéd-szöveg motor. Telepítse az opcionális futtatókörnyezetét a Hanggépelés beállításai közül, mielőtt kiválasztaná.
Őrülten gyors suttogás
Egy gyorsított Whisper-megvalósítás kompatibilis GPU-rendszerekhez. Használat előtt szerelje be az opcionális motort.
Ha kiválaszt egyet a Kaiju Voice segítségével, soha nem indul el csendben egy nagy letöltés. Először telepítse a Beállításokba; az asszisztens ezután ellenőrizheti az elérhetőséget és válthat szolgáltatást.
Platform hang
Windows Hangbeviteli
Konfigurálja a Windows Hangbevitelt a hang-szöveg átalakításhoz. Ez a szolgáltatás az Azure Speech Services-t használja, amely a Windows 10 és újabb verziókban található. Internetkapcsolat szükséges. Kövesse az utasításokat a hangfelismerés engedélyezéséhez a Windows beállításokban.
Rendszerkövetelmények
Windows 10 vagy újabb, engedélyezett hangfelismeréssel a rendszerbeállításokban.
Gyorsbillentyű
Alapértelmezett gyorsbillentyű: Ctrl+Shift+W. Testreszabható az Ön preferenciái szerint.
Gyorsbillentyű tesztelése
Teszt gomb a hangbeviteli funkció helyes működésének ellenőrzéséhez a mikrofonnal.
Apple Diktálás
Konfigurálja az Apple Diktálást a hang-szöveg átalakításhoz a macOS-en. Ez egy natív macOS funkció, amelyhez nincs szükség további beállításra, csak engedélyezze a diktálást a Rendszerbeállításokban.
Rendszerkövetelmények
macOS, engedélyezett diktálással a Rendszerbeállítások > Billentyűzet menüben.
Gyorsbillentyű
Alapértelmezett gyorsbillentyű: Ctrl+Shift+D. Testreszabható az Ön preferenciái szerint.
Gyorsbillentyű tesztelése
Teszt gomb a diktálási funkció helyes működésének ellenőrzéséhez a mikrofonnal.
Text to Speech és AI Voices
Helyi hangmodellek
Az AI Brain a kiválasztott telepített modellen keresztül beszél. A modellváltáskor az új modell betöltése előtt kiürül az előző modell, és a hanglistát a rendszer az adott modellel kompatibilis hangokra szűri.
Kokoro 82M
Könnyű, gyors helyi beszéd széles beépített hangválasztással.
Chatterbox Turbo
Alacsony késleltetésű kifejező beszéd és támogatott hangklónozás.
Chatterbox
A teljes Chatterbox modell kifejező helyi szintézishez és klónozáshoz.
OmniVoice 0.6B
Kompakt többnyelvű helyi szövegfelolvasó.
OuteTTS 1.0 1B
Helyi beszédgenerálás saját kompatibilis hangkészlettel.
Qwen3-TTS 1.7B
Nagyobb többnyelvű és kifejező helyi szintézis.
Fish Speech S2 Pro
Kiváló minőségű helyi beszéd támogatott referencia-hang munkafolyamatokkal.
A beszédsebesség 0,5× és 2× között állítható be. A hangklónozás csak azoknál a modelleknél jelenik meg, amelyek támogatják; használjon hangot, amely a saját tulajdonában van, vagy engedélye van a használatára.
Felhőszolgáltató katalógus
A beállításkatalógus tartalmazza az OpenAI, az ElevenLabs, a Cartesia, a Smallest AI, a Fish Audio, a Speechmatics, az Amazon Polly, a Google Cloud Text-to-Speech és a Microsoft Azure konfigurációját is. Az elérhetőség a szolgáltató konfigurációjától és a megadott hitelesítő adatoktól függ.
Az API hitelesítő adatai a Beállítások között maradnak, és nem szerepelnek a Kaiju Voice hangos vagy strukturált beállításainak összefoglalóiban.