Thai Real Time Transcription

การถอดเสียงแบบเรียลไทม์

การถอดเสียงแบบเรียลไทม์จะแสดงข้อความที่ถูกจดจำใต้ตัวบ่งชี้การบันทึกขณะบันทึกยังดำเนินอยู่ เปิดใช้งานได้ที่ การตั้งค่า → การถอดเสียงแบบเรียลไทม์ จากนั้นเลือกโหมดเพียงโหมดเดียว

การถอดเสียงแบบเป็นบล็อก

การถอดเสียงแบบเป็นบล็อกใช้โมเดลหลักของ Whisper หรือ Parakeet ที่เลือกไว้ ในระหว่างการบันทึก จะถอดเสียงหน้าต่างเสียงที่ทับซ้อนกัน รวมคำที่จดจำตามเวลาของพวกมัน และถือว่าข้อความมีความเสถียรหลังจากที่ข้อความคงที่ ต่อเมื่อการบันทึกสิ้นสุด Voice2Win จะเพิ่มส่วนหางที่หายไปหรือทำการถอดเสียงเต็มรูปแบบหากพบช่องว่าง

ข้อดี:

• ใช้โมเดลถอดความหลักและการเลือกภาษาตามการถอดความสุดท้ายเหมือนกัน
• ทำให้การบันทึกเสียงยาวสามารถใช้งานได้เร็วขึ้นโดยไม่ต้องโหลดตัวจดจำเสียงแบบสตรีมแยกต่างหาก
• สามารถทำการตรวจสอบเพิ่มเติมรอบ ๆ ขอบเขตประโยคเพื่อซ่อมแซมผลลัพธ์ของบล็อกก่อนหน้า

ข้อกำหนดและข้อแลกเปลี่ยน:

• ออกแบบมาเพื่อเร่งความเร็วด้วยการ์ดกราฟิกและอาจไม่สามารถใช้ได้เมื่อการถอดความเสียงถูกกำหนดให้กับหน่วยประมวลผลหลัก
• ต้องการหน่วยความจำกราฟิกเพียงพอสำหรับโมเดลที่เลือกและงานที่ทำซ้อนกัน
• หน้าต่างที่บ่อยขึ้นหรือใหญ่ขึ้นจะเพิ่มการใช้งานการประมวลผล

การตั้งค่าบล็อก

การตั้งค่า	ค่าเริ่มต้น	ผลกระทบ
ขนาดหน้าต่าง	10 วินาที	ระยะเวลาสูงสุดของเสียงที่เห็นโดยการทำงานหลักครั้งเดียว หน้าต่างขนาดใหญ่ช่วยเพิ่มบริบทแต่ใช้เวลานานขึ้น
ช่วงระยะก้าว	3 วินาที	เวลาระหว่างภาพใหม่ ค่าเล็กลงทำให้รีเฟรชมากขึ้นและเริ่มงานมากขึ้น
การทับซ้อน / บริบท	20 วินาที	รวมเสียงก่อนหน้านี้อีกครั้งเพื่อบริบทและการรวม
ความล่าช้าเสถียรภาพ	6 วินาที	ระยะเวลาที่ข้อความใหม่ต้องไม่เปลี่ยนแปลงก่อนที่จะถือว่าเสถียร
ขีดจำกัดเวลาในช่วงเงียบ	1000 มิลลิวินาที	รับข้อความที่เสถียรรออยู่หลังช่วงเวลานี้หากไม่มีการตรวจจับเสียงพูด
การตรวจสอบขอบเขตประโยคเพิ่มเติม	2	การตรวจสอบเพิ่มเติมต่อขอบเขตประโยค; ใส่ค่าเป็นศูนย์เพื่อปิดการทำงานเสริม
ตัวคูณการเลื่อน	20 เปอร์เซ็นต์	ควบคุมความไกลที่หน้าต่างประโยคพิเศษจะถูกเลื่อน

ใช้ กู้คืนค่าเริ่มต้น หากการปรับจูนด้วยตนเองทำให้เอาต์พุตช้าลงหรือน้อยเสถียรภาพลง

การถอดเสียงสตรีม

การถอดเสียงสตรีมจะรันตัวจำแนก Sherpa-ONNX ออนไลน์แยกต่างหากไปพร้อมกับการบันทึก มันสร้างประโยคชั่วคราวตั้งแต่เนิ่น ๆ ซึ่งโมเดลการถอดเสียงหลักจะปรับแต่งในกลุ่มที่ทับซ้อนกัน

ข้อดี:

• ผลลัพธ์ชั่วคราวที่มองเห็นได้เร็วที่สุด
• สามารถรันบนโปรเซสเซอร์หลักหรือ บน Windows ด้วยการเร่งฮาร์ดแวร์ DirectML ของการ์ดกราฟิก

ข้อแลกเปลี่ยน:

• รองรับเฉพาะภาษาที่มีโมเดลสตรีมในแค็ตตาล็อกปัจจุบัน
• การจดจำชั่วคราวดิบ ๆ อาจหยาบกว่าผลลัพธ์ของโมเดลหลักสุดท้าย
• ดาวน์โหลดและแคชโมเดลเพิ่มเติมสำหรับแต่ละภาษาหรือรูปแบบโมเดลที่เลือก

การตั้งค่าสตรีม

• สภาพแวดล้อมรันไทม์ — เลือกโปรเซสเซอร์หลักเพื่อความเข้ากันได้ หรือเลือกการ์ดกราฟิกของ Windows เพื่อความเร็ว
• โมเดลสตรีมเสียง — เร็วกว่า ลดความหน่วงเวลาและเวลาการโหลด; แม่นยำกว่าแต่ช้า ใช้การประมวลผลมากขึ้นเพื่อคุณภาพการจดจำ
• จำนวนประโยคที่ปรับปรุงพร้อมกัน — ควบคุมหน้าต่างการปรับปรุงโมเดลหลักซ้อนกันจาก 1 ถึง 8 ประโยค; ค่าปริยายคือ 2
• โมเดลสตรีมเสียงที่โหลดแล้ว — แสดงรายการโมเดลที่เก็บไว้ในแคชและอนุญาตให้ลบ โมเดลที่ถูกลบจะดาวน์โหลดใหม่เมื่อจำเป็น

การตั้งค่าการแสดงผลที่ใช้ร่วมกัน

ความสูงข้อความสูงสุดใต้ตัวบ่งชี้การบันทึก จำกัดข้อความแบบเรียลไทม์ให้สูงสุด 10–90 เปอร์เซ็นต์ของความสูงหน้าจอ; ค่าปริยายคือ 50 เปอร์เซ็นต์ ข้อความที่ยาวกว่ายังคงเลื่อนได้และติดตามผลลัพธ์ล่าสุดจนกว่าคุณจะเลื่อนขึ้นเอง

ฉันควรเลือกโหมดใด?

• เลือก การถอดความแบบบล็อก เมื่อคุณต้องการพฤติกรรมของโมเดลหลักและมีประสิทธิภาพการ์ดกราฟิกและหน่วยความจำเพียงพอ
• เลือก การถอดความแบบสตรีม เมื่อข้อความระหว่างการบันทึกที่เร็วที่สุดมีความสำคัญและภาษาของคุณได้รับการรองรับ
• ปิดการถอดความเรียลไทม์เมื่อคุณต้องการกระบวนการที่ง่ายที่สุดและต้องการเพียงผลลัพธ์สุดท้ายหลังการบันทึก