Japanese Real Time Transcription

リアルタイム文字起こし

リアルタイム文字起こしは、録音が進行中でも録音インジケーターの下に認識されたテキストを表示します。設定 → リアルタイム文字起こしで有効にし、正確に1つのモードを選択してください。

ブロック文字起こし

ブロック文字起こしは、選択された主要なWhisperまたはParakeetモデルを再利用します。録音中には、重なり合うオーディオウィンドウを文字起こしし、認識された単語をタイムスタンプで結合し、テキストが一貫している場合に安定したものとして扱います。録音が終了すると、Voice2Winは不足している末尾を追加するか、ギャップが検出された場合は完全なフォールバック文字起こしを行います。

利点:

• 最終文字起こしと同じ主要な文字起こしモデルと言語選択を使用します。
• 別のストリーミング認識器を読み込むことなく、長いディクテーションを早く利用可能にします。
• 以前のブロック結果を修正するために、文の境界付近で追加のシフトチェックを実行できます。

要件とトレードオフ:

• グラフィックカードによるアクセラレーションを目的としており、音声文字起こしがメインプロセッサに割り当てられた場合には利用できないことがあります。
• 選択されたモデルおよび重複作業に十分なグラフィックメモリが必要です。
• ウィンドウをより頻繁または大きくすると、計算負荷が増加します。

ブロック設定

設定	デフォルト	効果
ウィンドウサイズ	10秒	1回のメインモデル実行で見る最大オーディオ時間。大きいウィンドウはコンテキストを増やしますが、処理時間が長くなります。
ホップ間隔	3秒	新しいスナップショットの間隔。小さい値はより頻繁に更新され、より多くの作業を開始します。
オーバーラップ / コンテキスト	20秒	コンテキストおよびマージのために、以前のオーディオを再度含めます。
安定遅延	6秒	新しいテキストが安定する前に変更されない必要がある時間。
無音時の時間制限	1000ミリ秒	音声が検出されない期間後に、保留中の安定テキストを受け入れます。
追加の文境界チェック	2	文境界ごとの追加シフトチェック回数；ゼロは追加実行を無効にします。
シフトファクター	20パーセント	追加文ウィンドウがどれだけシフトするかを制御します。

手動調整によって出力が遅くなったり不安定になる場合は、[デフォルトに戻す]を使用してください。

ストリーム文字起こし

ストリーム文字起こしは、録音と並行して別のSherpa-ONNXオンライン認識器を実行します。これにより、非常に早い段階で暫定文が生成され、メインの文字起こしモデルがそれを重複したグループで改良します。

利点:

• 最も早く確認できる暫定結果。
• メインプロセッサ、またはWindowsではDirectMLによるグラフィックスカードのアクセラレーションで実行可能。

トレードオフ:

• 現在のカタログにストリームモデルが存在する言語のみサポート。
• 暫定の認識結果は最終的なメインモデルの結果より粗い場合がある。
• 選択した言語やモデルバリアントごとに追加のモデルをダウンロードしてキャッシュする。

ストリーム設定

• ランタイム環境 — 互換性のためにメインプロセッサを選ぶか、速度のためにWindowsのグラフィックスカードを選びます。
• ストリームオーディオモデル — 高速 は遅延と読み込み時間を最小化します；より正確だが遅い は認識の品質のためにより多くの計算を使います。
• 同時に精練される文の数 — メインモデルの精練ウィンドウの重なりを1～8文で制御します；デフォルトは2です。
• 読み込まれたストリームオーディオモデル — キャッシュされたモデルを一覧表示し、削除が可能です。削除されたモデルは必要に応じて再度ダウンロードされます。

共有表示設定

録音インジケーターの下の最大テキスト高さ はリアルタイムテキストの画面高さの10～90％に制限します；デフォルトは50％です。長いテキストはスクロール可能で、手動で上にスクロールするまで最新の結果に従います。

どのモードを選ぶべきですか？

• メインモデルの挙動を求め、十分なグラフィックカードの性能とメモリがある場合は、ブロック転写を選択してください。
• できるだけ早い暫定テキストが重要で、かつあなたの言語がサポートされている場合は、ストリーム転写を選択してください。
• 録音後の最終結果だけが必要で、もっとも簡単なパイプラインを好む場合は、リアルタイム転写を無効にしてください。