Аудіоаналітика на базі ШІ

Перетворення мовлення на текст

Інтелектуальний модуль Xeoma для розпізнавання мовлення

Піктограма модуля Voice-to-Text Модуль «слухає» аудіопотік із камери або окремого мікрофона, розпізнає мовлення, реагує на ключові слова та зберігає транскрипцію розмов у CSV-звіті або накладає її як текст на живе відео чи архів, залежно від налаштувань. Він також може транскрибувати .mp3-файли: записи розмов, навчальні відео тощо.

Voice-to-Text: інтелектуальний модуль Xeoma для розпізнавання мовлення
90+ мов транскрипції
CSV звіт на диску
Живі потоки та файли .mp3
ШІ додатковий модуль
Важливо: модуль перебуває на етапі бета-тестування

Важливо: бета-версія

Модуль доступний починаючи з Xeoma 24.8.12 і перебуває в стані бета-тестування, тому в окремих випадках може пропускати слова або створювати повтори. Спеціальне обладнання не потрібне: підходить аудіопотік з будь-якої камери чи мікрофона та звичайний ПК із GPU.

Сфери застосування

Сценарії використання

Перетворення мовлення на текст підвищує безпеку в приватному житті, міському просторі та комерційній сфері, а також оптимізує бізнес-процеси.

Догляд за літніми людьми

Можливість миттєво відреагувати на крик про допомогу або захистити від шахраїв.

Будь-який бізнес

Автоматизований контроль якості обслуговування клієнтів (наприклад, виявлення ненормативної лексики).

Колл-центр

Транскрипція записів дзвінків для контролю дотримання корпоративної політики та скриптів розмов.

Міське відеоспостереження

Антитерористична безпека та розпізнавання слів, що сигналізують про небезпеку.

Батьківський контроль

Захист дитини від булінгу або спілкування з шахраями.

Поліція

На додаток до натільних камер — транскрипція розмов із підозрюваним та виявлення погроз.

Дослідження та аналітика

Фоновий збір статистики для мовних досліджень та аналізу частотності слів.

Маркетинг

Визначення того, чи обговорюють клієнти рекламну кампанію, їхня реакція на банер тощо.

Фільтрація та автоматизація

Виявлення небажаних або ключових фраз для точкового контролю розмов без необхідності прослуховувати їх повністю.

Переваги

Переваги модуля «Перетворення мовлення на текст»

Без спеціального обладнання

Працює на звичайних комп'ютерах майже з будь-якою камерою та відеокартою.

Повна гнучкість

Різноманітні реакції (зокрема власні програмовані) та інтеграція зі сторонніми системами.

Робота в реальному часі

Миттєва обробка потоків без затримок. Працює на власному обладнанні.

Доступне рішення

Модуль можна придбати додатково до ліцензії Standard або Pro.

Робочий процес

Як це працює

Приклад ланцюжка з інтелектуальним модулем Voice-to-Text
Крок 1

Побудова ланцюжка

Оскільки модуль працює з аудіопотоком, у ланцюжку має бути джерело звуку.

  • Джерело звуку: мікрофон, вбудований у камеру, або окремий USB- чи IP-мікрофон
  • Приклад ланцюжка: «Universal Camera» – «Voice-to-Text» – «Preview and Archive»
  • Модуль ліцензується додатково до ліцензії Xeoma Pro або Standard
Завантаження додаткових ресурсів ШІ
Крок 2

Завантаження ресурсів ШІ

Натисніть на піктограму Voice-to-Text у ланцюжку, щоб відкрити налаштування модуля. Завантаження додаткових ресурсів розпочнеться автоматично при першому відкритті. Коли повідомлення «Downloading in progress» зникне, система готова до роботи.

  • Додаткові ресурси містять масиви даних для штучного інтелекту та завантажуються на запит із серверів FelenaSoft
  • Ресурси завантажуються лише за потреби, що забезпечує компактний розмір програми
Вибір моделі ШІ та мови транскрибації
Крок 3

Вибір моделі розпізнавання та ключових слів

Доступно кілька ШІ-моделей для різних мов, що відрізняються розміром, якістю розпізнавання та навантаженням на обладнання. У полі «Модель розпізнавання мовлення» виберіть мову транскрибації (мову самого мовлення вказувати не потрібно) і, за потреби, задайте ключові слова для детекції в полі нижче. Перемикачі «Відображення розпізнаного мовлення під час перегляду в реальному часі» та «Збереження розпізнаного мовлення в субтитрах під час запису/експорту архіву» дають змогу накладати текст транскрибації на живе відео та в архіві.

  • «Ключові слова для детекції» — модуль реагує лише на потрібні вам слова або фрази
  • Накладання транскрибації в режимі реального часу та в архіві
  • «Зберігати дані в CSV-звіті» — транскрибація зберігається у файлі таблиці на диску
  • Налаштуйте реакцію після модуля: запис, сповіщення чи надсилання команди
  • Макрос %VOICE% доступний у модулях «Надсилання HTTP-запиту», «Надсилання електронної пошти» та «Запуск програми»
API

Інтеграція з зовнішніми програмами

Voice-to-Text можна використовувати із зовнішніх програм — наприклад, для транскрибації VoIP-розмов. Передайте модулю файл .mp3 та отримайте результат у вигляді тексту — навіть на робочих станціях операторів, де не встановлено Xeoma чи камери. Важливо: підтримуються лише файли .mp3.

Приклад запиту через Xeoma API (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"

Де:

  • audio_file=@speech.mp3 — шлях до аудіофайлу на комп'ютері
  • 192.168.0.67 — IP-адреса сервера Xeoma
  • 10090 — порт сервера Xeoma
  • Administrator / 123 — логін адміністратора (завжди Administrator) та пароль
  • model=… — модель розпізнавання (див. список нижче)
  • language=en — мова транскрибації. Якщо вона відрізняється від фактичної мови мовлення, транскрибацію буде автоматично перекладено обраною вами мовою

Щоб зберегти результат у текстовому файлі, додайте >savetext.txt після команди, де savetext.txt — назва текстового файлу.

Моделі розпізнавання для API:

Назва Опис Код API
Russian basic 140 МБ tone
Russian enhanced пунктуація, 215 МБ giga
English basic 70 МБ zipformer
Multilingual basic пунктуація, 1 ГБ, 0,6 млрд параметрів qwen3-asr-0.6b
Покращена багатомовна пунктуація, 2,2 ГБ, 1,7 млрд параметрів qwen3-asr-1.7b
Gemma4 базова багатомовна пунктуація, 2,2 ГБ, 1,7 млрд параметрів gemma4-e2b
Gemma4 покращена багатомовна пунктуація, 7 ГБ, 12 млрд параметрів gemma4-12b

Список мовних кодів

en — англійська, zh — китайська, de — німецька, es — іспанська, ru — російська, ko — корейська, fr — французька, ja — японська, pt — португальська, tr — турецька, pl — польська, ca — каталонська, nl — нідерландська, ar — арабська, sv — шведська, it — італійська, id — індонезійська, hi — гінді, fi — фінська, vi — в'єтнамська, he — іврит, uk — українська, el — грецька, ms — малайська, cs — чеська, ro — румунська, da — данська, hu — угорська, ta — тамільська, no — норвезька, th — тайська, ur — урду, hr — хорватська, bg — болгарська, lt — литовська, la — латинська, mi — маорі, ml — малаялам, cy — валлійська, sk — словацька, te — телугу, fa — перська, lv — латвійська, bn — бенгальська, sr — сербська, az — азербайджанська, sl — словенська, kn — каннада, et — естонська, mk — македонська, br — бретонська, eu — баскська, is — ісландська, hy — вірменська, ne — непальська, mn — монгольська, bs — боснійська, kk — казахська, sq — албанська, sw — суахілі, gl — галісійська, mr — маратхі, pa — панджабі, si — сингальська, km — кхмерська, sn — шона, yo — йоруба, so — сомалійська, af — африкаанс, oc — окситанська, ka — грузинська, be — білоруська, tg — таджицька, sd — сіндхі, gu — гуджараті, am — амхарська, yi — їдиш, lo — лаоська, uz — узбецька, fo — фарерська, ht — гаїтянська креольська, ps — пушту, tk — туркменська, nn — нюношк, mt — мальтійська, sa — санскрит, lb — люксембурзька, my — бірманська, bo — тибетська, tl — тагальська, mg — малагасійська, as — ассамська, tt — татарська, haw — гавайська, ln — лінгала, ha — хауса, ba — башкирська, jw — яванська, su — сунданська, yue — кантонська.

Швидкий старт

Як протестувати

1
Запустіть Xeoma

Завантажте та запустіть Xeoma. Скористайтеся пробною версією або активуйте ліцензію Xeoma Standard/Xeoma Pro разом із ліцензією на додатковий модуль «Voice-to-text».

2
Додайте камеру

Додайте камеру вручну або зачекайте, доки Xeoma автоматично знайде камери у вашій мережі. Для окремого мікрофона підключіть модуль «Microphone» та виберіть відповідне джерело звуку.

3
Додайте модуль

Додайте модуль «Voice-to-Text» до ланцюжка, налаштуйте реакцію на ключові слова або безперервну транскрибацію мовлення та, за потреби, увімкніть накладання тексту на зображення з камери й відеозаписи.

4
Налаштуйте реакції

Налаштуйте реакцію на подію: збереження в CSV, мобільні сповіщення тощо.

Налаштування модуля Voice-to-Text у Xeoma
Пробна версія має низку обмежень. Щоб краще ознайомитися з Voice-to-Text, рекомендуємо запросити безкоштовну демо-ліцензію. Вона надає доступ до всіх функцій без обмежень і жодних зобов’язань. Потрібна лише електронна адреса. Натисніть кнопку нижче, щоб розпочати:
Отримати безкоштовну
демо-ліцензію
Відео

Voice-to-Text: розпізнавання мовлення в Xeoma

Безкоштовна пробна версія

Спробуйте Xeoma безкоштовно

Введіть ім’я та електронну адресу, щоб отримати безкоштовну демо-ліцензію. Кредитна картка не потрібна.

Надіслати безкоштовні демо-ліцензії Xeoma на електронну пошту

Повний функціонал. Миттєве надсилання.

Просимо не використовувати електронні адреси, що містять персональні дані, та не надсилати нам персональні дані в інший спосіб. Якщо ви все ж таки це зробите, надсилаючи цю форму, ви підтверджуєте свою згоду на обробку ваших персональних даних

Потрібно адаптувати модуль під ваші потреби?

Потрібно щось інше?

Модуль не цілком відповідає вашим умовам? Ми можемо розробити потрібні вам функції та додати їх у Xeoma як платну розробку. Деталі.

Маєте запитання? Потрібна допомога? Зв’яжіться з нами! Будемо раді допомогти!

Готові розпочати?

Протестуйте модуль «Перетворення мовлення на текст» із безкоштовною демо-ліцензією — без банківської картки та персональних даних.