Beszéd szöveggé alakítása
A Xeoma intelligens beszédfelismerő modulja
A modul „figyeli” a kamera vagy egy különálló mikrofon hangfolyamát, felismeri a beszédet, reagál a kulcsszavakra, és a beszélgetések átiratát CSV-jelentésbe menti, vagy beállításaitól függően szövegként megjeleníti az élő videón, illetve az archív felvételeken. .mp3 fájlokat is képes átírni: beszélgetés-felvételeket, oktatóvideókat stb.

Fontos: béta verzió
A modul a Xeoma 24.8.12-es verziójától érhető el, és jelenleg béta állapotban van, így bizonyos esetekben kihagyhat szavakat, vagy ismétléseket tartalmazhat. Nincs szükség speciális eszközökre: bármilyen kamera vagy mikrofon hangfolyama, valamint egy GPU-val szerelt átlagos számítógép megfelelő a működéshez.
Alkalmazási forgatókönyvek
A Voice-to-Text növeli a biztonságot a magánszférában, a városi környezetben és a kereskedelmi szektorban, valamint hozzájárul az üzleti folyamatok optimalizálásához.
Idősek gondozása
A segítségkiáltásokra való azonnali reagálás és a csalók elleni védelem lehetősége.
Bármilyen vállalkozás
Ügyfélszolgálati minőség automatikus ellenőrzése (például trágár kifejezések észlelése).
Call center
Hívásfelvételek átírása a vállalati irányelvek és a beszélgetési forgatókönyvek betartásának ellenőrzésére.
Városfelügyelet
Terrorelhárítási biztonság és veszélyt jelző szavak felismerése.
Szülői felügyelet
Segítségnyújtás a gyermekek zaklatás elleni védelmében és a csalókkal való kommunikáció megelőzésében.
Rendőrség
Testkamerák mellett: gyanúsítottakkal folytatott beszélgetések átírása és fenyegetések észlelése.
Kutatás és analitika
Statisztikák gyűjtése a háttérben beszédkutatásokhoz és szóhasználati gyakoriság elemzéséhez.
Marketing
Megállapíthatja, hogy az ügyfelek említenek-e promóciós kampányt, mi a reakciójuk egy bannerre stb.
Szűrés és automatizálás
Nem kívánt vagy kulcskifejezések észlelése a beszélgetések célzott ellenőrzéséhez – anélkül, hogy minden felvételt végig kellene hallgatni.
A Voice-to-Text modul előnyei
Nincs szükség speciális eszközökre
Szabványos számítógépeken működik szinte bármilyen kamerával és videókártyával.
Maximális rugalmasság
Különféle reakciók (beleértve az egyedi programozhatót is) és integráció harmadik féltől származó rendszerekkel.
Valós idejű működés
Hangfolyamok valós idejű feldolgozása késleltetés nélkül. Saját hardveren futtatható.
Megfizethető megoldás
A modul a Standard vagy Pro licenc mellé vásárolható.
Hogyan működik

Lánc kialakítása
Mivel a modul hangfolyammal dolgozik, a láncban hangforrásra van szükség.
- Hangforrás: a kamerába épített mikrofon, vagy egy külön USB vagy IP mikrofon
- Minta lánc: „Univerzális kamera” – „Voice-to-Text” – „Előnézet és archiválás”
- A modul kiegészítően licencelhető a Xeoma Pro vagy Standard licenc mellett

MI erőforrások letöltése
Kattintson a láncban lévő Voice-to-Text ikonra a modul beállításainak megnyitásához. A kiegészítő erőforrások letöltése a beállítások első megnyitásakor automatikusan elindul. Amikor a „Letöltés folyamatban” üzenet eltűnik, a rendszer használatra kész.
- A kiegészítő erőforrások a mesterséges intelligencia adatkészleteit tartalmazzák, és igény esetén töltődnek le a FelenaSoft szervereiről
- Az erőforrások csak szükség esetén töltődnek le — így a program mérete kompakt marad

Felismerési modell és kulcsszavak kiválasztása
Több MI-modell is elérhető különböző nyelvekhez, amelyek méretben, felismerési minőségben és hardverigényben térnek el egymástól. A „Beszédfelismerési modell” mezőben válassza ki a transzkripció nyelvét (a beszéd tényleges nyelvét nem kell megadni), majd szükség esetén adjon meg kulcsszavakat az észleléshez az alábbi mezőben. A „Felismert beszéd megjelenítése valós idejű megtekintés közben” és a „Felismert beszéd mentése feliratként rögzítés/exportálás során” kapcsolókkal a transzkripció élő videóra és archív felvételekre is rávetíthető.
- „Detekciós kulcsszavak” — a modul csak a kívánt szavakra vagy kifejezésekre reagál
- Transzkripció rávetítése az élő előnézetre és az archívumra
- „Adatok mentése CSV-jelentésbe” – a transzkripció táblázatfájlba kerül a lemezen
- Reakció hozzárendelése a modulhoz: rögzítés, értesítés, parancsküldés
- A
%VOICE%makró az „HTTP kérés küldő”, „E-mail küldés” és „Alkalmazás futtatása” modulokban érhető el
Integráció külső programokkal
A Voice-to-Text külső programokból is használható – például VoIP-beszélgetések átírására. Adja át az .mp3 fájlt a modulnak, és kapja meg az eredményt szöveges formában – akár olyan operátori munkaállomásokon is, ahol nincs telepítve Xeoma vagy kamera. Fontos: kizárólag .mp3 fájlok támogatottak.
Példa kérésre a Xeoma API-n keresztül (JSON):
curl -F "audio_file=@speech.mp3" "http://192.168.0.67:10090/api?login=Administrator&password=123&speech_recognition=recognition&model=qwen3-asr-1.7b&ttl=10&language=en"
Ahol:
audio_file=@speech.mp3– a hangfájl elérési útja a számítógépen192.168.0.67– a Xeoma szerver IP-címe10090– a Xeoma szerver portjaAdministrator/123– az Administrator bejelentkezési név (mindig Administrator) és jelszómodel=…– a felismerési modell (lásd az alábbi listát)language=en– a transzkripció nyelve. Ha ez eltér a beszéd tényleges nyelvétől, a rendszer automatikusan a megadott nyelvre fordítja a szöveget
Az eredmény szövegfájlba mentéséhez adja hozzá a >savetext.txt paramétert a parancs végéhez, ahol a savetext.txt a létrehozandó fájl neve.
Felismerési modellek az API-hoz:
| Név | Leírás | API kód |
|---|---|---|
| Orosz alapvető | 140 MB | tone |
| Orosz bővített | interpunkció, 215 MB | giga |
| Angol alapvető | 70 MB | zipformer |
| Többnyelvű alapvető | központozás, 1 GB, 0,6 milliárd paraméter | qwen3-asr-0.6b |
| Többnyelvű továbbfejlesztett | központozás, 2,2 GB, 1,7 milliárd paraméter | qwen3-asr-1.7b |
| Gemma4 többnyelvű alap | központozás, 2,2 GB, 1,7 milliárd paraméter | gemma4-e2b |
| Gemma4 többnyelvű továbbfejlesztett | központozás, 7 GB, 12 milliárd paraméter | gemma4-12b |
Nyelvi kódok listája
en — angol, zh — kínai, de — német, es — spanyol, ru — orosz, ko — koreai, fr — francia, ja — japán, pt — portugál, tr — török, pl — lengyel, ca — katalán, nl — holland, ar — arab, sv — svéd, it — olasz, id — indonéz, hi — hindi, fi — finn, vi — vietnámi, he — héber, uk — ukrán, el — görög, ms — maláj, cs — cseh, ro — román, da — dán, hu — magyar, ta — tamil, no — norvég, th — thai, ur — urdu, hr — horvát, bg — bolgár, lt — litván, la — latin, mi — maori, ml — malajálam, cy — walesi, sk — szlovák, te — telugu, fa — perzsa, lv — lett, bn — bengáli, sr — szerb, az — azeri, sl — szlovén, kn — kannada, et — észt, mk — macedón, br — breton, eu — baszk, is — izlandi, hy — örmény, ne — nepáli, mn — mongol, bs — bosnyák, kk — kazah, sq — albán, sw — szuahéli, gl — galíciai, mr — maráthi, pa — pandzsábi, si — szinhala, km — khmer, sn — sona, yo — joruba, so — szomáli, af — afrikaans, oc — okcitán, ka — grúz, be — belorusz, tg — tádzsik, sd — szindhi, gu — gudzsaráti, am — amhara, yi — jiddis, lo — lao, uz — üzbég, fo — feröeri, ht — haiti kreol, ps — pastu, tk — türkmén, nn — nynorsk, mt — máltai, sa — szanszkrit, lb — luxemburgi, my — burmai, bo — tibeti, tl — tagalog, mg — malgas, as — asszámi, tt — tatár, haw — hawaii, ln — lingala, ha — hausza, ba — baskír, jw — jávai, su — szundanéz, yue — kantoni.
Tesztelés
Töltse le és indítsa el a Xeomát. Használja a Próbaverziót, vagy aktiválja a Xeoma Standard/Xeoma Pro licencet és a „Beszéd szöveggé alakítása” kiegészítő modul licencét.
Adjon hozzá kamerát manuálisan, vagy várja meg, amíg a Xeoma automatikusan megtalálja a hálózati kamerákat. Külön mikrofon használatához adja hozzá a „Mikrofon” modult, és válassza ki a megfelelő hangforrást.
Adja hozzá a „Beszéd szöveggé alakítása” modult a lánchoz, állítson be reakciót kulcsszavakra vagy folyamatos beszédátírásra, és szükség esetén engedélyezze az átirat megjelenítését a kameraképen és a felvételeken.
Állítson be egy reakciót az eseményre — például CSV-be mentést, mobilértesítést vagy bármilyen egyéb műveletet.
demolicencet
Egyéb hangfolyam-feldolgozó modulok
Ezek a modulok önállóan vagy a Beszéd szöveggé alakítása modul mellett működnek.
Válasszon egy USB mikrofont vagy egy külön IP mikrofont hangforrásként.
Elemzi a hangfolyamokat, és riasztást vált ki, ha a hangszint meghaladja a meghatározott határértéket.
Felismeri az autóriasztásokat, a gyermeksírást, a lövéseket, a sikoltásokat és az üvegcserepést.
Beszéd szöveggé alakítása: Beszédfelismerés a Xeomában
Próbálja ki a Xeomát ingyen
Adja meg nevét és e-mail-címét az ingyenes demolicenc igényléséhez. Bankkártya nem szükséges.
Ingyenes Xeoma demolicenc igénylése e-mailben
Teljes funkcionalitás. Azonnali kézbesítés.
Kérjük, ne használjon személyes adatokat tartalmazó e-mail-címet, és ne küldjön személyes adatokat más módon sem. Amennyiben mégis így tesz, az űrlap elküldésével megerősíti hozzájárulását személyes adatainak kezeléséhez
Másra is szüksége van?
A modul nem felel meg teljesen az Ön igényeinek? Egyedi funkciókat fejleszthetünk Önnek, amelyeket fizetős fejlesztésként integrálunk a Xeomába. Részletek.
Kérdése van? Segítségre van szüksége? Lépjen kapcsolatba velünk! Szívesen segítünk!
Készen áll az indulásra?
Tesztelje a Beszéd szöveggé alakítása modult ingyenes demólicenccel – bankkártya és személyes adatok megadása nélkül.

