Zaloguj się

Słuchanie

Co słyszy aplikacja

Aplikacja słyszy dwa kanały: twój mikrofon (ciebie) i dźwięk twojego komputera (pozostałych uczestników). Usłyszane dotąd słowa od razu pojawiają się w dymku „mówi…”, który zastępuje gotowa fraza.

Gdzie mowa zamienia się w tekst

Wybierz to w Ustawienia, potem Zaawansowane, potem Dźwięk, potem Mowa na tekst.

Ustawienia Dźwięk: mowa na tekst, model jeszcze niepobrany
  1. Silnik: gdzie mowa jest zamieniana na tekst. Automatycznie (domyślnie) korzysta z naszej usługi na serwerach, dopóki twój plan ją obejmuje i zostały kredyty, a w przeciwnym razie z modelu na tym komputerze
  2. Słowa do poprawnej pisowni (puste): imiona, nazwy i rzadkie słowa, które rozpoznawanie mowy na naszych serwerach ma zapisywać tak jak ty, oddzielone przecinkami; model na tym komputerze je ignoruje
  3. Model lokalny: Automatycznie (domyślnie), Szybki lub Zrównoważony
  4. Używaj GPU (włączone): uruchamia model na karcie graficznej, gdy aplikacja ją znajdzie, a na procesorze, gdy to wyłączysz; nazwa karty jest podana w nawiasie. Można to zmienić tylko między frazami, nie wtedy, gdy mowa jest słyszana lub transkrybowana
  5. (podpowiedź „Pobierz model Zrównoważony (574 MB)”) pobiera model, po karcie, która podaje jego rozmiar i to, że pochodzi z huggingface.co
  6. Stan modelu: Nie pobrano, Pobrano częściowo, Pobieranie lub Model gotowy, z jego rozmiarem
  • Lokalne rozpoznawanie mowy („Na tym komputerze” w polu Silnik): mowa jest zamieniana na tekst na twoim własnym komputerze, a dźwięk tam zostaje. Model mowy pobiera się raz, przy pierwszym uruchomieniu (Szybki: około 265 MB; Zrównoważony: około 575 MB); dopóki nie jest gotowy, nic nie jest transkrybowane. Wybiera go pole Model lokalny: Automatycznie (domyślnie) bierze Zrównoważony na karcie graficznej, która nadąża za mową, a w przeciwnym razie Szybki; Szybki działa na każdym komputerze; Zrównoważony jest dokładniejszy i wymaga karty graficznej lub Apple Silicon. Gdy aplikacja znajdzie kartę graficzną, przełącznik Używaj GPU pod polem (domyślnie włączony) pozwala zamiast tego zostawić rozpoznawanie mowy na procesorze.
  • Nasza usługa na serwerach („Chmura (letmesoloit.com)” w aplikacji; All-Inclusive lub dowolny plan z Credit Pack): dźwięk przechodzi przez nasz serwer, płatny kredytami. Jej opcja strumieniowa pokazuje słowa, gdy ludzie mówią; tak jak frazy, strumień jest rozliczany za cały wysłany dźwięk, jeden kredyt za 10 sekund. Aby imiona, nazwy i rzadkie słowa były zapisane poprawnie, aplikacja wysyła z dźwiękiem do 100 słów: najpierw twoją własną listę, a potem słowa przypominające nazwy z pola O mnie twojego aktywnego profilu. Twoja lista to Ustawienia, potem Zaawansowane, potem Dźwięk, potem Mowa na tekst, potem Słowa do poprawnej pisowni: oddzielaj słowa przecinkami (puste pole podpowiada „np. Kubernetes, Grafana, imiona twoich współpracowników”); rozpoznawanie mowy na naszych serwerach woli tę pisownię, gdy usłyszy coś podobnego. Usługa skonfigurowana z twoim własnym kluczem dostaje te słowa, jeśli je przyjmuje; model na tym komputerze ignoruje listę.
  • Usługa skonfigurowana z twoim własnym kluczem.
  • Automatycznie (domyślnie) korzysta z naszej usługi, dopóki twój plan ją obejmuje i zostały kredyty, dla każdego języka i na każdym komputerze, i przesyła strumieniowo tam, gdzie usługa to obsługuje. W przeciwnym razie korzysta z lokalnego rozpoznawania mowy, które jest też zapasem, gdy z naszą usługą nie można się połączyć lub zawiedzie. Bez naszej usługi czat czeka na pobranie modelu mowy i pokazuje postęp. Automatycznie nigdy nie korzysta z usługi skonfigurowanej z twoim własnym kluczem.

Gdy model lokalny jest pobrany, jego stan to Model gotowy, a strzałkę pobierania zastępuje kosz, który go z powrotem usuwa.

Lokalny model mowy, pobrany
  1. (podpowiedź „Usuń pobrany model (574 MB)”) usuwa go, po karcie, która podaje zwalniane miejsce; stan nad nim to Model gotowy, a model pobierze się ponownie, gdy będzie potrzebny

Co każda opcja wysyła i przechowuje, opisuje Polityka prywatności.

Usługa w chmurze z twoim własnym kluczem

W Ustawienia, potem Zaawansowane, potem Dźwięk, potem Mowa w chmurze z Twoim kluczem wybierz usługę, wklej jej klucz API i wybierz jej model; aplikacja testuje klucz i mówi, czy działa. Potem wybierz jako silnik opcję Własny klucz tej usługi. Gdy usługa odmawia, okno podaje powód; poniżej … oznacza nazwę usługi i miejsce w ustawieniach, do którego prowadzi link w komunikacie:

  • Usługa … odrzuciła klucz. Sprawdź go w sekcji … Klucz jest błędny lub już nieważny.
  • Usługa … zgłasza, że klucz nie ma już środków ani limitu. Doładuj środki lub zwiększ limit na swoim koncie w panelu tej usługi, bo aplikacja nie może tego zmienić, albo wybierz inny silnik.
  • Usługa … nie oferuje modelu ustawionego w sekcji … Wybierz inny model w tym samym miejscu.
  • Usługa … ogranicza liczbę zapytań; niektóre frazy mogą zostać pominięte. Znów będą przechodzić, gdy przestanie ograniczać.

Języki

Rozpoznawanie mowy i podpowiedzi działają w dwunastu językach: angielskim, ukraińskim, rosyjskim, niemieckim, hiszpańskim, francuskim, japońskim, polskim, szwedzkim, chińskim, koreańskim i portugalskim. Jedno ustawienie, Język rozmowy w Ustawienia, potem Język, decyduje, jak. Domyślny jest angielski: wybrany język jest rozpoznawany dokładnie, bez wykrywania. Automatycznie wykrywa język, którym mówi każda strona rozmowy, z rozpoznawaniem mowy na tym komputerze lub na naszych serwerach i odpowiedziami z naszych serwerów; podpowiedzi odpowiadają w twoim języku. Usługa mowy skonfigurowana z twoim własnym kluczem albo odpowiedzi od twojego własnego dostawcy zawsze korzystają z wybranego języka: tam lista nie ma opcji Automatycznie, a zapisane Automatycznie działa jak angielski. Dzieje się to na bieżąco: gdy w trakcie rozmowy odpowiedzi przechodzą do twojego własnego dostawcy, wykrywanie się zatrzymuje, a wiersze się zmieniają.

W trybie Automatycznie wykrywanie działa dla każdej strony rozmowy osobno. Strona ustala język, gdy dwie oddzielne wypowiedzi, każda z co najmniej 3 sekundami głosu, wskazują ten sam język; jeśli po 4 wypowiedziach lub 30 sekundach głosu tej strony żadne się nie zgadzają, wybiera język słyszany dotąd najdłużej (przy remisie ten ostatni). Mały detektor języka na tym komputerze słyszy też każdą frazę z co najmniej 3 sekundami głosu: gdy jest pewien, że fraza jest w innym z dwunastu języków, ta strona rozmowy od razu przechodzi na niego, od tej frazy, a odpowiedzi za nią podążają. Strona twojego mikrofonu zmienia się tylko wtedy, gdy detektor jest pewien tego samego nowego języka w dwóch frazach z rzędu, które zaczynają się w odstępie najwyżej 20 sekund, bo twój mikrofon słyszy też pomieszczenie i twoje własne głośniki; obie frazy są wtedy pokazywane ponownie w nowym języku. Krótsze frazy się nie liczą, więc „OK” czy samo imię nigdy go nie przełączy. Dopóki strona nie ustali języka, przyjmuje język drugiej strony, a w przeciwnym razie angielski. Rozpoznawanie mowy na tym komputerze wykrywa język z dźwięku, nasza usługa z tekstu każdej gotowej frazy. W trybie strumieniowym strumień każdej strony otwiera się od razu w ostatnim języku tej strony (jej własnym z wcześniejszej rozmowy, zapisanym na tym komputerze, a w przeciwnym razie w języku drugiej strony lub po angielsku), więc tekst pojawia się od pierwszej sekundy. Gdy detektor usłyszy inny język, aplikacja wysyła do strumienia krótki sygnał z jego nazwą, bez dźwięku: nasza usługa ponownie rozpoznaje frazę w nowym języku z dźwięku, który już ma, a nowy tekst zastępuje to, co było pokazane. Nic nie jest wysyłane ani naliczane dwa razy. Podpowiedzi odpowiadają w języku twojej strony, a w przeciwnym razie w języku rozmowy.

Wybrany język jest rozpoznawany dokładnie: mowa jest odczytywana tylko w tym języku, bez wykrywania i bez automatycznego przełączania, a odpowiedzi za nim podążają. Drugi język jest wtedy o jeden skrót dalej; zobacz Podpowiedzi.

Czego potrzebuje lokalne rozpoznawanie mowy

Te liczby są przybliżone. Czego każdy system potrzebuje w całości, łącznie z pamięcią i dyskiem, opisują Wymagania systemowe.

  • Z grafiką taką jak w tabeli Wymagań systemowych wystarczą 2 rdzenie (4 wątki) i 8 GB pamięci. Bez niej angielski, rosyjski, niemiecki, hiszpański, francuski, japoński, polski i szwedzki działają na samym procesorze: 8 rdzeni (16 wątków) i 16 GB pamięci nadążają za obiema stronami rozmowy; 6 rdzeni (12 wątków) i 8 GB to mniej więcej minimum.
  • Ukraiński, chiński, koreański i portugalski oraz dokładniejszy model Zrównoważony wymagają karty graficznej: Zrównoważony potrzebuje co najmniej 4 GB pamięci wideo, a Wymagania systemowe wymieniają karty według producenta. Zintegrowana grafika laptopa uruchamia tylko model Szybki, ledwo na żywo. W Windows i Linux karta potrzebuje sterownika Vulkan, który zawierają aktualne sterowniki NVIDIA, AMD i Intel.
  • Zmierzony przykład (2026-10-14, prawdziwa rozmowa odtwarzana na głos): słaby laptop, 2 rdzenie / 4 wątki z grafiką AMD Radeon Vega 3, uruchamia model Szybki w około 3 sekundy na frazę, gdy język jest już znany, więc tekst pojawia się około 3,5 do 5 sekund po zakończeniu frazy; podczas wykrywania języka fraza zajmuje około 5 sekund. Zrównoważony jest tam za wolny i Automatycznie go nie wybiera. Z kartą GeForce GTX 1650 Zrównoważony zajmuje około 1,3 sekundy na frazę (około 2,1 podczas wykrywania) i pozostaje na karcie. Rozmowa, w której ludzie mówią po kolei, nadąża; obie strony mówiące bez przerwy już nie.
  • W planie, który obejmuje naszą usługę na serwerach, Automatycznie wysyła tam każdy język, także te cztery, więc sprzęt twojego komputera nie ma znaczenia. Bez niej Automatycznie uruchamia je na tym komputerze z najlepszym modelem, który nadąża za mową, a bez karty graficznej lub Apple Silicon rozpoznawanie może zostawać w tyle.
  • Gdy model na karcie graficznej jest za wolny, Automatycznie najpierw raz próbuje go na procesorze i zostawia ten, który rozpoznaje szybciej, i informuje „Rozpoznawanie mowy przełączono na …”, jeśli przeniósł model; w tej wersji aplikacji nie próbuje ponownie. Jeśli twój komputer nadal nie nadąża, aplikacja o tym informuje i wskazuje szybszą opcję: w planie, który obejmuje naszą usługę na serwerach, model Szybki albo naszą usługę (samą usługę, gdy Szybki jest za wolny); bez niej model Szybki albo przełącznik „Używaj GPU”, tam gdzie jest dostępny (sam przełącznik, gdy Szybki jest za wolny). Zostaje przy najszybszej opcji lokalnej, utrzymuje napisy blisko czasu rzeczywistego i nigdy sama nie przenosi dźwięku do chmury.

Mikrofon i głośnik

Ustawienia, potem Zaawansowane, potem Dźwięk wymienia twoje mikrofony i źródła głośników oraz pokazuje używane. Zmiana działa od razu po zapisaniu; urządzenie, którego nie da się otworzyć, zostawia poprzednie. Zapisane urządzenie, które nie jest podłączone, gdy zaczyna się słuchanie (wyłączone słuchawki), jest na ten czas zastępowane domyślnym urządzeniem systemu; ustawienie zostaje, więc urządzenie zostanie użyte ponownie, gdy następnym razem będzie dostępne. W macOS nie ma głośnika do wyboru: aplikacja sama słyszy dźwięk komputera, dzięki uprawnieniu Nagrywanie ekranu.

Ustawienia Dźwięk: urządzenia
  1. Urządzenie mikrofonu (Domyślne systemowe): mikrofon, który aplikacja słyszy jako ciebie; w polu (podpowiedź „Odśwież”) ponownie wczytuje urządzenia
  2. Urządzenie głośnika (Domyślne systemowe): dźwięk, który aplikacja słyszy jako pozostałych uczestników

Wykrywanie głosu

Sekcja Wykrywanie głosu, ponumerowana na obrazku poniżej, decyduje, co liczy się jako mowa. Dwa progi ustalają poziom, powyżej którego dźwięk liczy się jako głos, jeden dla twojego mikrofonu (domyślnie 100) i jeden dla pozostałych uczestników (200); każdy ma zakres od 1 do 10 000. Podpowiedzi na moją własną mowę jest domyślnie wyłączone: aplikacja odpowiada na to, co mówią pozostali uczestnicy, a po włączeniu także na to, co mówisz ty. Filtruj echo głośnika jest domyślnie włączone i odrzuca frazy z mikrofonu, które są tylko dźwiękiem rozmowy wracającym przez twoje głośniki. Automatyczna czułość jest domyślnie włączona: gdy aplikacja słucha, każdy próg dopasowuje się do rozmowy, w granicach od połowy do dwukrotności zapisanej wartości, i nigdy nie jest zapisywany, więc następne uruchomienie znów zaczyna od twoich wartości. Sugeruj kalibrację jest domyślnie włączone: gdy jedna strona wciąż nie jest rozpoznawana, komunikat o tym informuje i ma link Kalibruj; wyłączenie go zatrzymuje komunikat, a Kalibruj w Ustawieniach działa niezależnie od tego.

Ustawienia Dźwięk: wykrywanie głosu
  1. (podpowiedź „Kalibruj mikrofon”) prosi cię o 3 sekundy ciszy, a potem o trzykrotne przeczytanie zdania na głos, i ustawia Próg mikrofonu; działa, gdy aplikacja słucha
  2. (podpowiedź „Kalibruj głośnik”) trzy razy odtwarza krótki klip przez twój głośnik, a ty w tym czasie milczysz, i ustawia Próg głośnika
  3. Próg mikrofonu, od 1 do 10 000 (100): poziom, powyżej którego dźwięk liczy się jako twój głos. Podnieś go, jeśli aplikacja bierze szum za mowę, obniż, jeśli cicha mowa jest pomijana
  4. Próg głośnika, od 1 do 10 000 (200): to samo dla pozostałych uczestników
  5. Podpowiedzi na moją własną mowę (wyłączone): odpowiada też na to, co mówisz ty, nie tylko pozostali uczestnicy
  6. Filtruj echo głośnika (włączone): odrzuca frazy z mikrofonu, które są tylko dźwiękiem rozmowy wracającym przez twoje głośniki; wyłącz je tylko wtedy, gdy giną twoje własne słowa
  7. Automatyczna czułość (włączona): progi dopasowują się do rozmowy w jej trakcie, od połowy do dwukrotności zapisanej wartości, i nigdy nie są zapisywane
  8. Sugeruj kalibrację (włączone): informuje, gdy jedna strona wciąż nie jest rozpoznawana, z linkiem Kalibruj

Kalibracja

Gdy jedna strona wciąż nie jest rozpoznawana, okno pokazuje komunikat „Trudno zrozumieć drugą stronę: sprawdź głośność lub skalibruj.” (albo „twój mikrofon”). Najpierw sprawdź głośność systemu oraz to, czy Ustawienia, potem Zaawansowane, potem Dźwięk używa właściwego mikrofonu i głośnika.

Potem skalibruj, gdy aplikacja słucha. Link Kalibruj w komunikacie otwiera dwa przyciski kalibracji, i , w tytule Wykrywania głosu w Ustawienia, potem Zaawansowane, potem Dźwięk. Kalibruj mikrofon (podpowiedź „Kalibruj mikrofon”) prosi cię o 3 sekundy ciszy, a potem o trzykrotne przeczytanie zdania na głos. Kalibruj głośnik (podpowiedź „Kalibruj głośnik”) trzy razy odtwarza krótki klip przez twój głośnik, a ty w tym czasie milczysz. Aplikacja ustawia poziom między szumem tła a głosem, a Zapisz go zachowuje. Gdy głos nie jest wyraźnie głośniejszy od szumu, aplikacja o tym informuje i niczego nie zmienia.

Komunikat, gdy pozostali uczestnicy wciąż nie są rozpoznawani
  1. Komunikat z linkiem Kalibruj, który otwiera przyciski kalibracji

Wycisz mikrofon

Ctrl+Alt+M lub na pasku akcji sprawia, że aplikacja przestaje cię słyszeć: nic z twojego mikrofonu nie jest transkrybowane ani wysyłane. Pozostałych uczestników nadal słychać, a w samej rozmowie nie jesteś wyciszony. Jego bliźniak, Ctrl+Alt+O lub obok, wstrzymuje za to pozostałych uczestników: nic z ich wypowiedzi nie jest transkrybowane, wysyłane ani rozliczane, dopóki nie naciśniesz go ponownie. Każde uruchomienie zaczyna się bez wyciszenia i bez wstrzymania.