Przejdź do treści

Nr 1W technologii ASRwedług niezależnych badań Uniwersytetu Łódzkiego

Rozpoznawanie mowy i transkrypcja nagrań z Moonlight

Moonlight to nasz autorski silnik rozpoznawania mowy (ASR), który zamienia mowę na tekst. Obsługuje zarówno rozmowy telefoniczne w paśmie 8 kHz, jak i wszystkie nagrania audio powyżej 8 kHz.

Zaloguj się i zacznij korzystać

1hDarmowej transkrypcji, bez konieczności podpinania karty.

Transkrypcja Live
  1. 0:00KonsultantDzień dobry, w czym mogę pomóc?
  2. 0:03KlientDzwonię w sprawie dostawy z zeszłego tygodnia.
  3. 0:08KonsultantJuż sprawdzam. Poproszę numer zamówienia.
  4. 0:13KlientTo zamówienie 48213.
  5. 0:16KonsultantDziękuję. Paczka jest w drodze, dotrze jutro do południa.
  6. 0:22KlientŚwietnie, dziękuję za pomoc.

VoiceLab w liczbach

  • 6JęzykówPolski, Duński, Angielski, Niemiecki, Rosyjski, Ukraiński
  • 3ProtokołyWebSocket i gRPC na żywo, HTTP dla plików
  • 8Mówców w jednym nagraniuRozpoznajemy do 8 mówców, nawet z jednej ścieżki audio.

Start w 3 krokach

Bez potrzeby umawiania demo, rejestrujesz i możesz korzystać.

  1. Zarejestruj się

    Konto zostanie utworzone automatycznie, z 1 godziną darmowego audio.

  2. Utwórz klucz API

    Klucze są wyświetlane tylko raz i w każdej chwili można je unieważnić.

  3. Wyślij audio

    Wyślij nagranie metodą POST, a transkrypcję dostaniesz w kilka sekund.

Wszystko, czego potrzebujesz w rozpoznawaniu mowy

Modele dostrojone do prawdziwych rozmów telefonicznych i nagrań szerokopasmowych, udostępniane przez proste API.

  • Przetwarzanie w Polsce

    Rozpoznawanie mowy działa na serwerach VoiceLab w UE. Działamy w modelu zero retention: nagrania i transkrypcje nie są przechowywane ani używane do trenowania modeli.

  • Nagrania i dźwięk na żywo

    Nagrania do 60 minut i 256 MB (wav, mp3, flac, ogg/opus, m4a, webm, amr) albo strumień na żywo przez WebSocket w formacie OpenAI Realtime, z tekstem na bieżąco.

  • Modele telefoniczne i szerokopasmowe

    8 kHz do rozmów telefonicznych i contact center, 16 kHz do mikrofonów, spotkań i mediów. Tekst z interpunkcją, znacznikami czasu słów i poziomem pewności.

  • Rozpoznawanie mówców

    Diaryzacja mówców (Mówca A, B…) bez dodatkowych opłat, a model AI poprawia błędy rozpoznania. Nagrania stereo i wielokanałowe są transkrybowane osobno dla każdego kanału, więc konsultant i klient się nie mieszają.

Cennik transkrypcji nagrań audio

Wybierz pakiet dopasowany do swoich potrzeb. Koszt transkrypcji naliczany za sekundę nagrania. Płatność BLIKIEM, przelewem bankowym lub kartą.

Pakiety godzin transkrypcji
PakietCzasCenaZa godzinęWybór pakietu
25h15 zł0,60 zł/h0,60 zł/hWybierz
100h59 zł0,59 zł/h0,59 zł/hWybierz
500h249 zł0,50 zł/h0,50 zł/hWybierz
1500h649 zł0,43 zł/h0,43 zł/hWybierz
5000h1990 zł0,40 zł/h0,40 zł/hWybierz

Przewidywalne koszty

Koszt transkrypcji naliczany jest za każdą sekundę dźwięku. Saldo, zużycie i każde żądanie sprawdzisz w panelu.