MI-alapú hangelemzés

Beszéd szöveggé alakítása

A Xeoma intelligens beszédfelismerő modulja

Beszéd szöveggé alakítása modul ikonja 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.

Voice-to-Text: a Xeoma intelligens beszédfelismerő modulja
90+ átírási nyelv
CSV jelentés lemezre mentése
Élő hangfolyamok és .mp3 fájlok
MI kiegészítő modul
Fontos megjegyzés: a modul bétaverzióban van

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.

Használati esetek

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.

Előnyök

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.

Munkafolyamat

Hogyan működik

Példa egy Voice-to-Text intelligens modult tartalmazó láncolatra
1. lépés

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
További MI-erőforrások letöltése
2. lépés

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
MI modell és átírási nyelv kiválasztása
3. lépés

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
API

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 számítógépen
  • 192.168.0.67 – a Xeoma szerver IP-címe
  • 10090 – a Xeoma szerver portja
  • Administrator / 123 – az Administrator bejelentkezési név (mindig Administrator) és jelszó
  • model=… – 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.

Gyors üzembe helyezés

Tesztelés

1
Xeoma indítása

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.

2
Kamera hozzáadása

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.

3
Modul hozzáadása

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.

4
Reakciók beállítása

Állítson be egy reakciót az eseményre — például CSV-be mentést, mobilértesítést vagy bármilyen egyéb műveletet.

A Beszéd szöveggé alakítása modul beállításai a Xeomában
A Próbaverzió számos korlátozással rendelkezik. A Beszéd szöveggé alakítása modul alaposabb megismeréséhez javasoljuk ingyenes demolicenc igénylését. Ez korlátozás és kötelezettség nélkül biztosít hozzáférést minden funkcióhoz. Csak e-mail-cím szükséges. A kezdéshez kattintson az alábbi gombra:
Kérjen ingyenes
demolicencet
Videó

Beszéd szöveggé alakítása: Beszédfelismerés a Xeomában

Ingyenes próba

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

Szüksége van az Ön igényeihez igazított modulra?

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.