Speechmatics-vaihtoehto: API vai sovellus?

Mitä Speechmatics on: ASR-moottori kehittäjille

Speechmatics kuvaa itseään puhe-API:na, joka voimistaa äänitekoälyä. Kytket sen omaan tuotteeseesi API:n kautta. Se tarjoaa reaaliaikaisen transkription alle sekunnin viiveellä sekä eräkäsittelyn, ja voit ottaa sen käyttöön pilvi-API:na, laitteella tai omissa tiloissasi. Yhtiön omien lukujen mukaan se kattaa transkription 55+ kielellä ja tekoälyyn pohjautuvan käännöksen 69 kieliparilla.

Ostajia ovat tiimit, jotka rakentavat transkription osaksi jotain suurempaa: puhelinkeskusanalytiikkaa, reaaliaikaisia tekstityksiä, lääketieteellisiä ja oikeudellisia transkriptioputkia sekä ääniagenteja. Mikään näistä ei ole yksittäinen henkilö, joka yrittää vastata sähköpostiin puhumalla.

Hinnoittelu kertoo saman tarinan. Speechmatics laskutetaan käytön mukaan, äänitunneittain. Ilmainen taso tarjoaa 2,400 minuuttia — 40 tuntia — puheentunnistusta kuukaudessa, kaksi samanaikaista reaaliaikaisistuntoa eikä vaadi korttia aloittamiseen. Pro alkaa $0.24 tunnilta ääntä ja kattaa enintään 6,000 tuntia kuukaudessa. Enterprise on räätälöity, sisältäen omalle palvelimelle asennettavan version ja mukautetut mallit. Se on mittari — ja mittari on täsmälleen oikea ratkaisu, kun prosessoit tuhansia tunteja tuotteen kautta. Se ei ole oikea ratkaisu, kun diktoit ostoslistaa.

Jako: rakentamiseen tarkoitettu moottori vs. käytettävä sovellus

Tässä on raja, vedettynä kerran, selkeästi.

Speechmaticsin kaltainen moottori on jotain, jonka kehittäjä integroi. Lähetät sille ääntä API:n kautta, saat tekstiä takaisin ja rakennat itse painikkeet, käyttöliittymän, tallennuksen ja laskutuksen. Se on raaka-ainetta.

Valmis sovellus on jotain, jonka asennat ja käytät. Whisper by Remskill on juuri tuo. Se ei ole puheentunnistus-API, SDK tai moottori. Et voi rakentaa sitä omaan tuotteeseesi, kutsua sitä koodista tai ohjata ääntä sen läpi ohjelmallisesti. Siihen ei osu mitään päätepistettä. Se on työpöytäsovellus, jota ohjataan järjestelmänlaajuisella pikanäppäimellä.

Yksi nimi hämmentää kaikkia, joten otetaan se esille suoraan. "OpenAI Whisper" — avoimen lähdekoodin puheenmalli, jonka voi isännöidä itse ja kutsua API:na — esiintyy jokaisessa Speechmatics-vaihtoehtoluettelossa. Se on kehittäjävaihtoehto. Se ei ole sama asia kuin Whisper by Remskill, työpöytäsovellus, jonka olen tehnyt. Sama sana, eri kategoriat. Jos haluat itse isännöitävän mallin, haluat OpenAI:n avoimen lähdekoodin Whisperin. Jos haluat valmiin diktointityökalun, jatka lukemista.

Jos tarvitset API:n rakentamisen pohjaksi, katso näitä

Jos etsit moottoria, lähetän sinut mieluummin oikealle kuin haaskaan iltapäiväsi. Todelliset puheentunnistus-API:t tässä kategoriassa — ne, jotka tosiasiassa korvaavat Speechmaticsin kehittäjälle — ovat:

• AssemblyAI — puheentunnistus-API eräkäsittelyyn ja reaaliaikaiseen käyttöön, suunnattu tuotetiimeille.
• Deepgram — matalan viiveen suoratoisto-API, suosittu ääniagenttiympäristöissä.
• Google Cloud Speech-to-Text — hyperscalerin vaihtoehto, laaja kielituki.
• AWS Transcribe — sama idea AWS-laskun sisällä.
• OpenAI's open-source Whisper — isännöi malli itse ja aja se omalla palvelimellasi.
• Gladia — uudempi transkriptio-API samassa sarjassa.

Kaikki nämä ovat API:ja ja moottoreita, jotka integroit omaan koodiisi. En aio keksiä niille tarkkuusprosentteja tai hintoja — juuri niin vaihtoehtolistat menevät pieleen, kun ne siteeraavat viime kvartaalilla muuttuneen hinnastosivun lukemia. Pointti on kategoria: jos tarvitset mittarin ja päätepisteen, jokin näistä on vastauksesi — Whisper by Remskill ei ole.

Mitä Whisper tekee sen sijaan: pikanäppäin, puhu, liitä

Nyt toinen ryhmä — ihmiset, jotka eivät kirjoita koodia ja haluavat vain puhua kirjoittamisen sijaan.

Whisper by Remskill on diktointikeskeinen. Painat järjestelmänlaajuista pikanäppäintä, puhut ja transkriptio ilmestyy kursorisi kohtaan missä tahansa sovelluksessa, jossa olet. Ei latausvaihetta, ei projektikirjastoa, ei opeteltavaa API:a. Oletuspikanäppäin on Ctrl+Space Windowsissa ja Command+Option — pidä pohjassa puhuaksesi -yhdistelmä — macOS:ssä. Voit vaihtaa sen.

Koska se kirjoittaa kursorin kohtaan, se toimii kaikkialla — sähköpostiohjelmassasi, asiakirjassa, chat-kentässä, koodikommentissa — ilman että kukaan rakentaa integraatiota kutakin sovellusta varten. Siinä on koko temppu, ja se on moottorille täysin vastakkainen. Moottori odottaa, että koodisi kutsuu sitä. Tämä odottaa, että painat näppäintä. Kun esittelin sen vaimolleni ensimmäistä kertaa, diktoin ostoslistan suoraan hänelle tekstiviestinä. Hän vastasi: "Hyvä, mutta unohdit maidon." Sovellus toimi. Muistini ei.

Monikieliset mallit kattavat 90+ kieltä reaaliaikaiseen puheeseen, ja muut kuin englanninkieliset Whisper-mallit voivat kääntää puhutun syötteen englanniksi lennosta. Se on puhutun sanan kääntämistä englanniksi — ei Speechmaticsin myymä 69 kieliparin tekstinkäännöspalvelu. Eri tehtävä, pienempi laajuus, rehellinen siitä.

Paikallinen ja offline: ei äänitunteja, ei käyttölaskua

Paikallisessa tilassa Whisper tunnistaa puheen kokonaan omalla koneellasi. Ääni ei lähde laitteelta, transkriptiolle ei tehdä verkkoyhteyttä eikä ole äänituntikohtaista laskuria. Koko paikallinen putki — mallit, laitteen tekoälypuhdistus, historia, mukautetut sanat, pikanäppäin — on ilmainen kaikille kirjautuneille käyttäjille ilman korttia rekisteröitymisessä.

Haluan olla reilu tässä, koska rehellisyys on pointti. Speechmaticsilla on myös ilmainen taso — anteliaat 40 tuntia kuukaudessa — ja se tarjoaa myös kehittäjille omalle palvelimelle ja laitteelle asennettavan version. "Ilmainen" ja "offline" eivät siis ole Whisperin yksinoikeudella omistamia taikasanoja. Todellinen ero on muodossa. Speechmatics antaa kehittäjälle moottorin, jota mitataan ja integroidaan. Whisper antaa yksilölle valmiin sovelluksen ilman integrointityötä ja tuntilaskua.

Tämä on ainoa vahva mielipiteeni, johon käytän tässä artikkelissa tilaa: äänituntikohtainen mittaus on väärä muoto henkilölle, joka haluaa vain diktoida. Ilmaisen 40 tunnin jälkeen $0.24 tunnilta mittari on täysin järkevä, kun ajan tuotteen kautta tarvitsen käyttödataa. Se ei ole järkevä, kun "tuote" on itse sinä, pöydän ääressä vastaamassa sähköposteihin. Sinun ei pitäisi joutua ajattelemaan käyvää kelloa puhuessasi. Kiinteä sovellushinta ilman mittausta sopii sellaiseen elämään paremmin. Jos haluat pitää diktointisi poissa pilvestä, taustalla on sama vaisto kuin yksityisessä, laitteen omassa puheentunnistuksessa.

Milloin Speechmatics on oikea työkalu

En vaihtaisi Speechmaticsista pois, jos rakentaisin tuotetta sen päälle. Jos sinun täytyy pudottaa transkriptio omaan sovellukseesi mittakaavassa — puhelinkeskusanalytiikan kojelauta, reaaliaikainen tekstitys, lääketieteellinen tai oikeudellinen transkriptioputki, ääniagent — Speechmatics tai jokin todellisista API-vaihtoehdoista on oikea valinta, eikä Whisper ole. Sama pätee, jos tarvitset tiukkaa omien tilojen tietosuojaa monille samanaikaisille istunnoille tai sen 69 kieliparia. Whisperillä ei ole vastausta mihinkään näistä. Se on yksittäisen käyttäjän työpöytädiktointisovellus, piste. Väärän kategorian valitseminen tässä maksaa sinulle uudelleenrakentamisen — ei palautuksen.

Mitä pelkkä diktointi maksaa

Whisperin paikallinen diktointitaso on ilmainen kaikille, joilla on tili — rekisteröityminen ei vaadi maksuvälinettä. Käyttökelloa ei ole — sinua ei laskuteta äänitunneittain niin kuin Speechmatics laskuttaa Pro:ta $0.24 tunnilta. Valinnainen Pilvi-pinta, joka käyttää omaa OpenAI-avaintasi pilvitranskripioon ja verkkohakuun, on kiinteähintaisen sovelluksen takana eikä minuuttikohtaisen mittarin. Senhetkiset hinnat löytyvät hinnastosivulta; ainoa muistamisen arvoinen asia on muoto — kiinteä hinta sovellukselle, ei mittari moottorille.