> ## Documentation Index
> Fetch the complete documentation index at: https://docs.brosbots.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Transkrypcja (STT)

> Agenci głosowi używają STT (rozpoznawania mowy), aby zamienić wypowiedź rozmówcy na tekst, który trafia do LLM.

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](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.

<Warning>
  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**.
</Warning>

Suwaki i przełączniki z sekcji poniżej (`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](/pl/configurations/turn-detection).

## 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.


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.