Lyssna

Vad appen hör

Appen hör två kanaler: din mikrofon (du) och datorns ljud (de andra deltagarna). Orden som hörts hittills visas direkt i en bubbla, ”pratar…”, som ersätts av den färdiga meningen.

Var tal blir text

Välj det under Inställningar, sedan Avancerat, sedan Ljud, sedan Tal till textInställningar›Avancerat›Ljud›Tal till text.

• Lokal taligenkänning (”På den här datorn” i rutan Motor): tal görs om till text på din egen dator, och ljudet stannar där. Talmodellen laddas ned en gång vid första starten (Snabb: ungefär 265 MB; Balanserad: ungefär 575 MB); ingenting transkriberas förrän den är klar. Rutan Lokal modell väljer den: Automatiskt (standard) tar Balanserad på ett grafikkort som hinner med talet och annars Snabb; Snabb körs på alla datorer; Balanserad är mer exakt och kräver ett grafikkort eller Apple Silicon. Där appen hittar ett grafikkort finns reglaget Använd GPU:n under rutan (på som standard), som låter dig köra taligenkänningen på processorn i stället.
• Vår tjänst på våra servrar (”Moln (letmesoloit.com)” i appen; All-Inclusive, eller vilket abonnemang som helst med ett Credit Pack): ljudet går via vår server och betalas med krediter. Dess strömningsläge visar orden medan folk pratar; precis som meningar debiteras en ström för allt ljud den skickar, en kredit per 10 sekunder. För att namn och ovanliga ord ska stavas rätt skickar appen upp till 100 ord med ljudet: din egen lista först, sedan namnliknande ord från Om mig i din aktiva profil. Din lista finns under Inställningar, sedan Avancerat, sedan Ljud, sedan Tal till text, sedan Ord att stava rättInställningar›Avancerat›Ljud›Tal till text›Ord att stava rätt: skilj orden åt med kommatecken (det tomma fältet föreslår ”t.ex. Kubernetes, Grafana, dina kollegors namn”); taligenkänningen på våra servrar föredrar de stavningarna när den hör något som liknar dem. En tjänst som du ställer in med din egen nyckel får dem om den tar emot dem; modellen på den här datorn ignorerar listan.
• En tjänst som du ställer in med din egen nyckel.
• Automatiskt (standard) använder vår tjänst på våra servrar så länge ditt abonnemang omfattar den och det finns krediter kvar, för alla språk och på alla datorer, och strömmar där tjänsten strömmar. Annars används lokal taligenkänning, som också är reserv när vår tjänst inte kan nås eller misslyckas. Utan vår tjänst på våra servrar väntar chatten på att talmodellen laddas ned, och förloppet visas. Automatiskt använder aldrig en tjänst som du har ställt in med din egen nyckel.

När den lokala modellen har laddats ned visar dess status Modellen är klar, och nedladdningspilen ersätts av en papperskorg som raderar den igen.

Vad varje val skickar och sparar står i integritetspolicyn.

En molntjänst med din egen nyckel

Under Inställningar, sedan Avancerat, sedan Ljud, sedan Taligenkänning i molnet med din nyckelInställningar›Avancerat›Ljud›Taligenkänning i molnet med din nyckel väljer du tjänsten, klistrar in dess API-nyckel och väljer dess modell; appen testar nyckeln och säger om den fungerar. Välj sedan den tjänstens val Egen nyckel som motor. När tjänsten vägrar säger fönstret varför; nedan står … för tjänstens namn och för stället i inställningarna, som meddelandet länkar till:

• … avvisade nyckeln. Kontrollera den i … Nyckeln är fel eller inte längre giltig.
• … säger att nyckeln saknar kredit eller kvot. Fyll på kredit eller höj kvoten i ditt konto på tjänstens egen översikt, eftersom appen inte kan ändra det, eller välj en annan motor.
• … erbjuder inte modellen som är vald i … Välj en annan modell på samma ställe.
• … begränsar förfrågningarna; vissa fraser kan missas. De kommer igenom igen när den slutar begränsa dem.

Språk

Taligenkänningen och ledtrådarna fungerar på tolv språk: engelska, ukrainska, ryska, tyska, spanska, franska, japanska, polska, svenska, kinesiska, koreanska och portugisiska. En enda inställning, Samtalsspråk under Inställningar, sedan SpråkInställningar›Språk, väljer hur. Engelska är standard: ett språk som du väljer tolkas exakt, utan identifiering. Automatiskt identifierar språket som var sida av samtalet talar, med taligenkänning på den här datorn eller vår tjänst på våra servrar och svar från vår tjänst på våra servrar; ledtrådarna svarar på ditt språk. En taligenkänningstjänst som du ställer in med din egen nyckel, eller svar från din egen leverantör, tolkar alltid ett språk som du väljer: där har listan inget Automatiskt, och ett sparat Automatiskt fungerar som engelska. Det här följer vägen i realtid: när svaren flyttas till din egen leverantör under ett samtal slutar identifieringen och raderna ändras.

Med Automatiskt körs identifieringen för var sida av samtalet för sig. En sida bestäms när två separata yttranden, vart och ett med 3 sekunder eller mer av röst, är överens om ett språk; om inga är överens efter 4 yttranden eller 30 sekunder av den sidans röst, bestäms den till det språk som hörts längst hittills (vid lika, det senaste). En liten språkidentifierare på den här datorn hör också varje mening med 3 sekunder eller mer av röst: när den är säker på att meningen är på ett annat av de tolv språken byter samtalets sida till det direkt, från den meningen och framåt, och svaren följer med. Din mikrofons sida byter bara när identifieraren är säker på samma nya språk i två meningar i rad, som börjar inom 20 sekunder från varandra, eftersom din mikrofon också hör rummet och dina egna högtalare; båda meningarna visas då igen på det nya språket. Kortare meningar räknas inte, så ett ”OK” eller ett namn byter aldrig språket. Tills en sida är bestämd tar den den andra sidans språk, annars engelska. Taligenkänningen på den här datorn identifierar språket från ljudet, vår tjänst på våra servrar från texten i varje färdig mening. Med strömning öppnas varje sidas ström direkt på den sidans senaste språk (dess eget från ett tidigare samtal, sparat på den här datorn, annars den andra sidans, annars engelska), så texten visas från första sekunden. När identifieraren hör ett annat språk skickar appen en kort signal som namnger det till strömmen, utan ljud: vår tjänst på våra servrar lyssnar på meningen igen på det nya språket från ljudet den redan har, och den nya texten ersätter det som visades. Ingenting skickas eller debiteras två gånger. Ledtrådarna svarar på din egen sidas språk, annars på samtalets.

Ett språk som du väljer tolkas exakt: talet läses bara på det språket, utan identifiering och utan automatiskt byte, och svaren följer det. Ett andra språk är då bara ett kortkommando bort; se Ledtrådar.

Vad lokal taligenkänning behöver

Siffrorna är ungefärliga. Vad varje system behöver som helhet, minne och diskutrymme inräknat, står i Systemkrav.

• Med grafik enligt tabellen i Systemkrav räcker 2 kärnor (4 trådar) och 8 GB minne. Utan den körs engelska, ryska, tyska, spanska, franska, japanska, polska och svenska enbart på processorn: 8 kärnor (16 trådar) och 16 GB minne hinner med båda sidorna av ett samtal; 6 kärnor (12 trådar) och 8 GB är ungefär minimum för det.
• Ukrainska, kinesiska, koreanska och portugisiska, och den mer exakta modellen Balanserad, kräver ett grafikkort: Balanserad kräver 4 GB eller mer grafikminne, och Systemkrav listar korten efter tillverkare. Integrerad grafik i bärbara datorer kör bara modellen Snabb, och knappt i realtid. I Windows och Linux behöver kortet en Vulkan-drivrutin, som aktuella drivrutiner från NVIDIA, AMD och Intel innehåller.
• Ett uppmätt exempel (2026-10-14, ett riktigt samtal uppspelat högt): en enkel bärbar dator, 2 kärnor / 4 trådar med AMD Radeon Vega 3-grafik, kör Snabb på ungefär 3 sekunder per mening när språket är känt, så texten visas ungefär 3,5 till 5 sekunder efter att en mening slutar; medan språket identifieras tar en mening ungefär 5 sekunder. Balanserad är för långsam där, och Automatiskt väljer den inte. Med ett GeForce GTX 1650 tar Balanserad ungefär 1,3 sekunder per mening (ungefär 2,1 under identifiering) och stannar på kortet. Ett samtal där man turas om att prata hinner den med; båda sidorna som pratar utan paus gör den inte.
• Med ett abonnemang som omfattar vår tjänst på våra servrar skickar Automatiskt alla språk dit, även de här fyra, så din dators hårdvara spelar ingen roll. Utan den kör Automatiskt dem på den här datorn med den bästa modell som hinner med, vilket kan halka efter utan ett grafikkort eller Apple Silicon.
• När en modell på grafikkortet är för långsam provar Automatiskt först en gång att köra den på processorn och behåller det som läser snabbast, och säger ”Taligenkänningen bytte till …” om den flyttades; den försöker inte igen i den här versionen av appen. Om din dator fortfarande halkar efter säger appen det och föreslår ett snabbare val: med ett abonnemang som omfattar vår tjänst på våra servrar Snabb eller vår tjänst (bara vår tjänst när Snabb är för långsam); utan den Snabb eller reglaget ”Använd GPU:n” där det finns (bara reglaget när Snabb är för långsam). Den stannar på det snabbaste lokala valet och håller texten nära realtid, och flyttar aldrig ljudet till molnet på egen hand.

Mikrofon och högtalare

Inställningar, sedan Avancerat, sedan LjudInställningar›Avancerat›Ljud listar dina mikrofoner och högtalarkällor och visar den som används. En ändring gäller direkt när du sparar; en enhet som inte går att öppna behåller den föregående. En sparad enhet som inte är ansluten när lyssnandet startar (avstängda hörlurar) ersätts av systemets standardenhet för den körningen; inställningen finns kvar, så enheten används igen nästa gång den finns. I macOS finns ingen högtalare att välja: appen hör datorns ljud själv, med behörigheten Skärminspelning.

Röstidentifiering

Avsnittet Röstidentifiering, numrerat i bilden nedan, avgör vad som räknas som tal. De två tröskelvärdena anger nivån över vilken ett ljud räknas som en röst, ett för din mikrofon (100 som standard) och ett för de andra deltagarna (200); vart och ett går från 1 till 10 000. Ledtrådar på mitt eget tal är av som standard: appen svarar på det de andra deltagarna säger, och när det är på även på det du säger. Filtrera bort högtalareko är på som standard och släpper mikrofonmeningar som bara är samtalets ljud som kommer tillbaka via dina högtalare. Justera känsligheten automatiskt är på som standard: medan appen lyssnar följer varje tröskelvärde samtalet, mellan hälften och det dubbla av det sparade värdet och utan att sparas, så nästa start börjar från dina värden igen. Föreslå kalibrering är på som standard: när en sida gång på gång inte känns igen säger ett meddelande det, med länken Kalibrera; stänger du av det försvinner meddelandet, och Kalibrera i inställningarna fungerar i båda fallen.

Kalibrera

När en sida gång på gång inte känns igen säger fönstret ”Svårt att förstå den andra sidan: kontrollera volymen eller kalibrera.” (eller ”din mikrofon”). Kontrollera först systemets volym, och att Inställningar, sedan Avancerat, sedan LjudInställningar›Avancerat›Ljud använder rätt mikrofon och högtalare.

Kalibrera sedan medan appen lyssnar. Meddelandets länk Kalibrera öppnar de två kalibreringsknapparna, och , i rubriken Röstidentifiering under Inställningar, sedan Avancerat, sedan LjudInställningar›Avancerat›Ljud. Kalibrera mikrofonen (tipset ”Kalibrera mikrofonen”) ber dig vara tyst i 3 sekunder och sedan läsa en mening högt tre gånger. Kalibrera högtalaren (tipset ”Kalibrera högtalaren”) spelar ett kort klipp tre gånger genom din högtalare medan du är tyst. Appen sätter nivån mellan bakgrundsljudet och rösten, och Spara behåller den. När rösten inte ligger tydligt över bruset säger appen det och ändrar ingenting.

Stäng av mikrofonen

Ctrl+Alt+M, eller i åtgärdsfältet, gör att appen slutar höra dig: inget från din mikrofon transkriberas eller skickas. De andra deltagarna hörs fortfarande, och ditt ljud stängs inte av i själva samtalet. Dess tvilling, Ctrl+Alt+O eller bredvid, pausar i stället de andra deltagarna: inget av deras transkriberas eller skickas, och ingenting debiteras, förrän du trycker igen. Varje start börjar med ljudet på och utan paus.