Domyślnie transkrypcję zapewnia zarządzany stack Brosbots. Od planu Pro
możesz podpiąć własny klucz Deepgram, a na planie Business - wszystkich
dostawców STT (m.in. Soniox, Cartesia, OpenAI). Język transkrypcji dobierz według
dokumentacji dostawcy, np. Deepgram:
https://developers.deepgram.com/docs/models-languages-overview#nova-3
Warianty zarządzane: Szybki i Dokładny
Zarządzana transkrypcja działa tak samo jak zarządzane modele LLM - wybierasz
wariant, a nie konkretny model:
- Szybki (Deepgram Nova-3) - najniższa latencja, najbardziej naturalny
przebieg rozmowy. Dobry do zwykłej konwersacji.
- Dokładny (Soniox stt-rt-v5) - nieco wolniejszy, znacznie pewniejszy przy
cyfrach i literowaniu, wielojęzyczny i przyjmuje podpowiedzi słów
(w ustawieniach zaawansowanych).
Domyślny wariant. Nowy agent po polsku albo z językiem multi
(autodetekcja) startuje na wariancie Dokładny, agent w każdym innym języku -
na Szybki. Dotyczy to agentów tworzonych z szablonu lub kreatora oraz
konfiguracji, które nie mają zapisanego wariantu. Agenci zapisani z wariantem
go zachowują - starszego polskiego agenta przełącz na Dokładny samodzielnie,
jeśli chcesz tego samego zachowania.
Jeśli połączenie z Deepgramem zerwie się w trakcie rozmowy, platforma od razu
nawiązuje je ponownie, więc agent nie przestaje słyszeć rozmówcy.
Nie używaj wariantu Szybki, gdy agent ma zebrać liczby lub dane literowane:
numer telefonu, adres e-mail, adres pocztowy, numer konta czy NIP. Deepgram
przekręca numery telefonu, a adresu e-mail nie ma szans zebrać poprawnie. Do
takich rozmów przełącz na wariant Dokładny.
endpointing, utterance_end_ms,
smart_format, punctuate, numerals) należą do Deepgrama, więc są dostępne
tylko w wariancie Szybki.
Streaming Deepgram - ważne pułapki
Gdy wybrany jest Deepgram, platforma otwiera streamingowy WebSocket z kilkoma
parametrami czasowymi, które decydują, kiedy uruchamia się LLM:
utterance_end_ms (cisza oznaczająca koniec wypowiedzi rozmówcy) -
Deepgram wymaga minimum 1000 ms. Niższa wartość powoduje odrzucenie
połączenia z błędem HTTP 400 - agent sprawia wtedy wrażenie, jakby w
ogóle nie słyszał rozmówcy. Backend automatycznie koryguje stare
konfiguracje, a suwak w UI ma zablokowane minimum 1000.endpointing (cisza wyznaczająca granicę frazy) - bezpieczny zakres
10–1000 ms.smart_format / punctuate / numerals - formatowanie po stronie
dostawcy; dostępność zależy od języka.
Pełne wyjaśnienie współpracy utterance_end_ms, VAD i modelu Smart Turn
(decyzja, że rozmówca skończył mówić) znajdziesz w
Wykrywanie tury i timing STT.
Soniox
Soniox to dostawca realtime dostępny od planu Business. Jeden model
automatycznie rozpoznaje ponad 60 języków, więc lepiej niż model przypięty do
jednego języka radzi sobie z rozmowami, w których język zmienia się w połowie
zdania (polski z angielskimi nazwami produktów).
- Model -
stt-rt-v5 to aktualny model realtime; stt-rt-v3 zostaje dla
konfiguracji, które są do niego przypięte.
- Język -
multi nie wysyła żadnej podpowiedzi i pozwala Sonioxowi wykryć
język. Każdy inny kod to podpowiedź, która ukierunkowuje rozpoznawanie, ale
go nie ogranicza.
- Kontekst - nazwy, produkty i żargon, które mogą paść w rozmowie
(
Ivorylab, Pipedrive, numer KRS). Kilkadziesiąt słów w zupełności wystarczy.
- Koniec tury na naszym VAD - domyślnie włączone: to VAD pipeline’u
decyduje, że rozmówca skończył, dzięki czemu odpowiedź przychodzi szybciej.
Wyłącz, aby decyzję podejmowało wykrywanie końca wypowiedzi po stronie Soniox.
- Rozpoznawanie mówców / Rozpoznawanie języka - oznacza transkrypcję
identyfikatorem mówcy i wykrytym językiem.
Rozliczenie to 0,12 USD za godzinę nagrania, razem z tłumaczeniem, diaryzacją
i znacznikami czasu. 