ЖИ негізіндегі аудио аналитика

Дауысты мәтінге түрлендіру

Xeoma-ның сөйлеуді тануға арналған интеллектуалды модулі

Voice-to-Text модулінің белгішесі Модуль камерадан немесе бөлек микрофоннан келетін аудиоағынды «тыңдайды», сөйлеуді таниды, кілт сөздерге әрекет етеді және таңдауыңызға қарай әңгімелер транскрипциясын CSV есебіне сақтайды немесе тікелей эфирдегі бейнеге/мұрағатқа мәтін ретінде шығарады. Сондай-ақ ол .mp3 файлдарын: әңгіме жазбаларын, оқыту бейнелерін және т.б. транскрипциялай алады.

Voice-to-Text: Xeoma-ның сөйлеуді тануға арналған интеллектуалды модулі
90+ транскрипция тілі
CSV есепті дискіге сақтау
Тікелей ағындар және .mp3 файлдары
ЖИ қосымша модуль
Маңызды ескерту: модуль бета-нұсқасында

Маңызды: бета-нұсқа

Модуль Xeoma 24.8.12 нұсқасынан бастап қолжетімді және бета-кезеңде болғандықтан, кейбір жағдайларда сөздерді өткізіп жіберуі немесе қайталаулары мүмкін. Арнайы жабдық қажет емес: кез келген камера немесе микрофоннан келетін дыбыс ағыны және GPU-ы бар стандартты компьютер жеткілікті.

Қолдану жағдайлары

Қолдану сценарийлері

Voice-to-Text жеке өмірде, қала мен азаматтардың тұрмысында, сондай-ақ коммерциялық салада қауіпсіздікті арттыруға көмектеседі және бизнес-процестерді оңтайландыруға ықпал етеді.

Қарттарға күтім жасау

Көмек сұраған дауысқа лезде әрекет ету немесе алаяқтардан қорғау мүмкіндігі.

Кез келген бизнес

Клиенттерге қызмет көрсету сапасын автоматты бақылау (мысалы, балағат сөздерді анықтау).

Call-центр

Компания саясаты мен әңгіме сценарийлерінің сақталуын бақылау үшін қоңырау жазбаларын транскрипциялау.

Қалалық бейнебақылау

Антитеррористік қауіпсіздік және қауіп төндіретін сөздерді тану.

Ата-ана бақылауы

Баланы буллингтен немесе алаяқтармен байланысудан қорғауға көмек.

Полиция

Денеге бекітілген камералармен қатар — күдіктімен әңгімелерді транскрипциялау және қатерлерді анықтау.

Зерттеу және аналитика

Сөйлеуге қатысты зерттеулер және сөздердің қолданылу жиілігі бойынша статистиканы фондық режимде жинау.

Маркетинг

Клиенттердің жарнамалық науқанды талқылауын, баннерге реакциясын және т.б. анықтау.

Сүзгілеу және автоматтандыру

Барлық әңгімелерді тыңдамай-ақ, нысаналы бақылау үшін қажетсіз немесе кілт фразаларды анықтау.

Артықшылықтары

Voice-to-Text модулінің артықшылықтары

Арнайы жабдықтар талап етілмейді

Кез келген камерамен және графикалық картамен стандартты компьютерлерде жұмыс істейді.

Икемділік

Әртүрлі әрекет ету опциялары (соның ішінде жеке бағдарламаланатын) және үшінші тарап жүйелерімен интеграция.

Нақты уақытта жұмыс

Ағындармен кідіріссіз нақты уақытта жұмыс. Жеке аппараттық құрылғыларда іске қосылады.

Қолжетімді шешім

Модульді Standard немесе Pro лицензиясына қосымша сатып алуға болады.

Жұмыс процесі

Жұмыс істеу принципі

Voice-to-Text интеллектуалды модулі бар тізбек үлгісі
1-қадам

Тізбек құру

Модуль аудиоағынмен жұмыс істейтіндіктен, тізбекте дыбыс көзі болуы шарт.

  • Дыбыс көзі: камераға кіріктірілген микрофон немесе бөлек USB немесе IP микрофон
  • Тізбек үлгісі: «Universal Camera» – «Voice-to-Text» – «Preview and Archive»
  • Модуль Xeoma Pro немесе Standard лицензиясына қосымша сатып алынады
Қосымша ЖИ ресурстарын жүктеу
2-қадам

ЖИ ресурстарын жүктеу

Модуль параметрлерін ашу үшін тізбектегі Voice-to-Text белгішесін басыңыз. Параметрлерді алғаш ашқанда қосымша ресурстарды жүктеу автоматты түрде басталады. «Downloading in progress» хабарламасы жоғалған соң, бәрі дайын болады.

  • Қосымша ресурстар жасанды интеллект үшін деректер жиынтықтарын қамтиды және Felenasoft серверлерінен сұраныс бойынша жүктеледі
  • Ресурстар тек қажет болғанда ғана жүктеледі — бұл бағдарлама көлемін шағын ұстауға мүмкіндік береді
ЖИ моделін және транскрипция тілін таңдау
3-қадам

Тану моделін және кілт сөздерді таңдау

Әртүрлі тілдер үшін өлшемі, тану сапасы және жабдыққа түсіретін жүктемесі бойынша ерекшеленетін бірнеше ЖИ моделі қолжетімді. «Сөйлеуді тану моделі» өрісінде транскрипт тілін таңдаңыз (сөйлеу тілін көрсетудің қажеті жоқ) және қажет болса, төменгі өрісте анықтауға арналған кілт сөздерді енгізіңіз. «Нақты уақыттағы көріністе танылған сөйлеуді көрсету» және «Жазу/архивті экспорттау кезінде танылған сөйлеуді субтитрлерге сақтау» ауыстырып-қосқыштары транскриптті тікелей эфир бейнесіне және архивке шығаруға мүмкіндік береді.

  • «Анықтауға арналған кілт сөздер» — модуль тек сізге қажетті сөздер мен тіркестерге ғана әрекет етеді
  • Тікелей көріністе және архивте транскриптті қабаттастыру
  • «Деректерді CSV есебіне сақтау» — транскрипт дискідегі кестелік файлға сақталады
  • Модульден кейін реакция орнатыңыз: жазу, хабарландыру, команда жіберу
  • %VOICE% макросы «HTTP сұраныс жіберуші», «Электрондық пошта жіберу» және «Қосымшаны іске қосушы» модульдерінде қолжетімді
API

Сыртқы бағдарламалармен интеграциялау

Voice-to-Text функциясын сыртқы бағдарламаларда, мысалы, VoIP қоңырауларын транскрипциялау үшін пайдалануға болады. Модульге .mp3 файлын жүктеп, нәтижені мәтін түрінде алыңыз — бұл тіпті Xeoma немесе камералар орнатылмаған оператор жұмыс станцияларында да жұмыс істейді. Маңызды: тек .mp3 файлдары ғана қолданылады.

Xeoma API арқылы сұраныс мысалы (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"

Мұнда:

  • audio_file=@speech.mp3 — компьютеріңіздегі аудио файлдың жолы
  • 192.168.0.67 — Xeoma серверінің IP-мекенжайы
  • 10090 — Xeoma серверінің порты
  • Administrator / 123 — Администратор логині (әрқашан Administrator) және құпия сөзі
  • model=… — тану моделі (төмендегі тізімді қараңыз)
  • language=en — транскрипт тілі. Егер ол нақты сөйлеу тілінен өзгеше болса, транскрипт сіз таңдаған тілге автоматты түрде аударылады

Нәтижені мәтіндік файл ретінде сақтау үшін командадан кейін >savetext.txt деп қосыңыз, мұндағы savetext.txt — мәтіндік файлдың атауы.

API үшін тану модельдері:

Атауы Сипаттамасы API коды
Орыс тілі (базалық) 140 MB tone
Орыс тілі (кеңейтілген) пунктуация, 215 MB giga
Ағылшын тілі (базалық) 70 MB zipformer
Көптілді (базалық) тыныс белгілері, 1 ГБ, 0,6 млрд параметр qwen3-asr-0.6b
Көптілді жетілдірілген тыныс белгілері, 2,2 ГБ, 1,7 млрд параметр qwen3-asr-1.7b
Gemma4 көптілді базалық тыныс белгілері, 2,2 ГБ, 1,7 млрд параметр gemma4-e2b
Gemma4 көптілді жетілдірілген тыныс белгілері, 7 ГБ, 12 млрд параметр gemma4-12b

Тіл кодтарының тізімі

en — ағылшын, zh — қытай, de — неміс, es — испан, ru — орыс, ko — корей, fr — француз, ja — жапон, pt — португал, tr — түрік, pl — поляк, ca — каталан, nl — нидерланд, ar — араб, sv — швед, it — итальян, id — индонезия, hi — хинди, fi — фин, vi — вьетнам, he — иврит, uk — украин, el — грек, ms — малай, cs — чех, ro — румын, da — дат, hu — венгр, ta — тамил, no — норвег, th — тай, ur — урду, hr — хорват, bg — болгар, lt — литва, la — латын, mi — маори, ml — малаялам, cy — валли, sk — словак, te — телугу, fa — парсы, lv — латыш, bn — бенгал, sr — серб, az — әзірбайжан, sl — словен, kn — каннада, et — эстон, mk — македон, br — бретон, eu — баск, is — исланд, hy — армян, ne — непал, mn — моңғол, bs — босния, kk — қазақ, sq — албан, sw — суахили, gl — галисия, mr — маратхи, pa — пенджаб, si — сингал, km — кхмер, sn — шона, yo — йоруба, so — сомали, af — африкаанс, oc — окситан, ka — грузин, be — белорус, tg — тәжік, sd — синдхи, gu — гуджарати, am — амхар, yi — идиш, lo — лаос, uz — өзбек, fo — фарер, ht — гаити креол, ps — пушту, tk — түрікмен, nn — нюнорск, mt — мальта, sa — санскрит, lb — люксембург, my — мьянма, bo — тибет, tl — тагалог, mg — малагаси, as — ассам, tt — татар, haw — гавай, ln — лингала, ha — хауса, ba — башқұрт, jw — ява, su — сундан, yue — кантон.

Жылдам бастау

Тексеру жолы

1
Xeoma іске қосыңыз

Жүктеп алып, Xeoma-ны іске қосыңыз. Сынақ нұсқасын пайдаланыңыз немесе Xeoma Standard/Xeoma Pro лицензиясын + «Voice-to-text» қосымша модулінің лицензиясын белсендіріңіз.

2
Камера қосу

Камераны қолмен қосыңыз немесе Xeoma желідегі камераларды автоматты түрде тапқанша күтіңіз. Бөлек микрофон үшін «Microphone» модулін қосып, сәйкес дыбыс көзін таңдаңыз.

3
Модульді қосу

Тізбекке «Voice-to-Text» модулін қосыңыз, кілт сөздерге немесе үздіксіз сөйлеу транскрипциясына реакцияны баптаңыз және қажет болса, камера бейнесі мен жазбаларына транскрипт қабатын қосыңыз.

4
Реакцияларды баптау

Оқиғаға реакцияны баптаңыз — CSV файлына сақтау, мобильді хабарландырулар немесе басқа әрекеттер.

Xeoma-дағы Voice-to-Text модулінің баптаулары
Сынақ нұсқасында бірқатар шектеулер бар. Voice-to-Text мүмкіндіктерімен толығырақ танысу үшін тегін демо-лицензияға сұраныс беруді ұсынамыз. Ол барлық функцияларға ешқандай міндеттемесіз және шектеусіз қолжетімділік береді. Тек электрондық пошта мекенжайы қажет. Бастау үшін төмендегі батырманы басыңыз:
Тегін алу
демо-лицензия
Бейне

Voice-to-Text: Xeoma-дағы сөйлеуді тану

Тегін сынақ

Xeoma-ны тегін сынап көріңіз

Тегін демо-лицензия алу үшін аты-жөніңізді және электрондық поштаңызды енгізіңіз. Кредиттік карта талап етілмейді.

Xeoma тегін демо-лицензияларын электрондық поштаға алу

Толық функционалдылық. Лезде жіберіледі.

Құрамында жеке деректер бар электрондық пошта мекенжайларын қолданбауды және бізге жеке деректерді басқа жолдармен жібермеуді сұраймыз. Егер солай істесеңіз, осы форманы жіберу арқылы жеке деректеріңізді өңдеуге келісім бергеніңізді растайсыз

Модульді өз қажеттіліктеріңізге бейімдеу керек пе?

Басқа нәрсе қажет пе?

Модуль талаптарыңызға толық сәйкес келмей ме? Біз сізге қажетті функцияларды әзірлеп, оларды Xeoma-ға ақылы әзірлеу ретінде қоса аламыз. Толығырақ.

Сұрақтарыңыз бар ма? Көмек керек пе? Бізбен байланысыңыз! Қуана көмектесеміз!

Бастауға дайынсыз ба?

«Дауысты мәтінге түрлендіру» модулін тегін демо-лицензиямен сынап көріңіз — банк картасы мен дербес деректер қажет емес.