Moonlight
Moonlight to nasz autorski silnik rozpoznawania mowy. Dźwięk z telefonii trafia do niego bez zmian, w 8 lub 16 kHz, przez WebSocket, gRPC albo HTTP. Słowa wracają jeszcze w trakcie wypowiedzi, każde ze znacznikiem sekundy, w której zostało wypowiedziane.
Kontakt ze sprzedażą
# przesyłaj dźwięk telefoniczny, odbieraj słowa w trakcie wypowiedziws = connect("wss://api.voicelab.ai/classify/asr", headers={"content-type": "audio/l16;rate=8000", # PCM, a-law, mu-law, FLAC"X-Voicelab-Conf-Name": "8000_pl_PL", # język + częstotliwość próbkowania"X-Voicelab-Pid": "<twój projekt>",})for chunk in audio: ws.send(chunk) print(ws.recv()){"status": "OK", "shift": "1", "words": ["dzwonię"]}{"status": "OK", "shift": "0", "words": ["w"]}{"status": "OK", "shift": "2", "words": ["sprawie", "dostawy"], "start": [1.84, 2.05]}Dzwonię w sprawie
shift 4Dzwonię w sprawie dost
shift 1Dzwonię w sprawie dostawy
shift -1Dzwonię w sprawie dostawy
final
Jak to działa
Jeden silnik, trzy sposoby przesyłania. Strumieniuj przez WebSocket lub gRPC albo wysyłaj pliki do API HTTP w formacie, który już generuje Twoja telefonia. Jeden nagłówek decyduje, który model nasłuchuje.
Strumieniuj przez WebSocket lub gRPC albo wywołaj API HTTP. Kodeki telefoniczne trafiają bez zmian, a jeden nagłówek wybiera konfigurację: język i częstotliwość próbkowania.
Słowa wracają, gdy rozmówca nadal mówi. Każdy wynik częściowy określa, ile poprzednich słów zastąpić, dzięki czemu na ekranie zawsze widzisz najlepszy aktualny wynik silnika.
JSON zawiera słowa oraz czas ich rozpoczęcia i zakończenia, dzięki czemu możesz przejść do sekundy, w której coś padło, dopasować tekst do nagrania albo przekazać go bezpośrednio do własnych modeli.
Dwie rzeczy warte uwagi
Dokładność to podstawa. Te dwa elementy decydują, czy na transkrypcji da się zbudować produkt.
Wyniki częściowe pojawiają się niemal natychmiast po dźwięku, a każdy z nich wskazuje, jak daleko cofnąć się z korektą. Asystenci agentów, podpowiedzi na żywo i voiceboty tego potrzebują.
Czasy początku i końca każdego słowa zmieniają transkrypcję w coś, na czym można budować: wyszukiwanie trafiające we właściwy moment, napisy zsynchronizowane z obrazem i analitykę.
Każdy kanał, którym dociera do Ciebie klient
Konfiguracje są nazwane według języka i częstotliwości próbkowania, dlatego linia telefoniczna i nagranie spotkania korzystają z wyraźnie różnych modeli - zamiast z jednego, który ma sobie jakoś poradzić.
Kontakt ze sprzedażą
Polski
Angielski
Niemiecki
Włoski
RosyjskiPytania, które słyszymy
Jeśli nie ma tu Twojego pytania, zadaj je przed integracją. Wolimy odpowiedzieć teraz niż później w zgłoszeniu do pomocy technicznej.
Zobacz całe FAQMierzymy ją na Twoich nagraniach, porównując wynik z Twoją transkrypcją referencyjną, a nie z publicznym benchmarkiem. W pierwszym tygodniu przetwarzamy trzydzieści Twoich plików i przekazujemy współczynnik błędu słów obok transkrypcji, aby można było ocenić oba wyniki. Kto podaje jeden procent bez odsłuchania Twoich nagrań, podaje wynik uzyskany na cudzych danych.
Tak. Moonlight przyjmuje dźwięk telefoniczny 8 i 16 kHz, w tym PCM, a-law, μ-law i FLAC. Wybierasz konfigurację łączącą język z częstotliwością próbkowania, a następnie strumieniujesz dźwięk przez WebSocket lub gRPC albo wysyłasz pliki przez HTTP bez ponownego próbkowania źródła.
Moonlight obsługuje język polski, angielski, niemiecki, włoski i rosyjski. Język oraz częstotliwość próbkowania wybiera się jawnie w konfiguracji, dzięki czemu telefonia i nagrania o wyższym paśmie korzystają z odpowiedniego modelu.
Zależy to od sposobu połączenia i wymagań środowiska produkcyjnego, dlatego nie podajemy sztywnego terminu przed poznaniem środowiska. Najpierw potwierdzamy format dźwięku, konfigurację języka i częstotliwości próbkowania, sieć oraz test akceptacyjny, a następnie sprawdzamy integrację i dokładność na Twoich nagraniach.
