Skip to content
TomoriBot

De voz a texto (Motores locales)

Transcriba mensajes de voz y archivos adjuntos de audio localmente para que TomoriBot pueda entender el audio hablado en el chat sin enviar grabaciones a API en la nube de terceros.

TomoriBot trata la conversión de voz a texto como la capacidad de punto final personalizado transcription. Los archivos adjuntos de audio se transcriben en segundo plano y se agregan al contexto de la conversación cuando existe un punto final de transcripción activo.

La publicación de transcripciones visibles está separada. /config > Motor > Avisos solo controla si las transcripciones de mensajes de voz se publican en el chat; no habilita ni deshabilita el fondo STT.

Motores disponibles

WhisperXTranscripción local para principiantes utilizando el servidor de referencia WhisperX en servers/stt.
susurro.cppUtilice un servidor HTTP Whisper.cpp ligero cuando exponga un punto final de transcripción compatible con OpenAI.
KoboldCPPUtilice KoboldCPP STT basado en Whisper cuando su compilación exponga la transcripción de audio compatible con OpenAI.

Flujo de configuración

  1. Inicia un servidor STT desde las guías del motor anteriores.
  2. En /providers, elija + Agregar nuevo punto de conexión personalizado (o Add New Custom Endpoint) y seleccione openai-compatible-transcription (transcripción compatible con OpenAI).
  3. Selecciona el punto final guardado y use su menú desplegable de modelo para agregar el código de modelo informado por el servidor.
  4. Abre /config > Modelos > Cambiar modelos para seleccionar y activar el punto final registrado.

Flujo de transcripción

Cuando un punto final de transcripción está activo, TomoriBot lee los archivos adjuntos de audio compatibles en segundo plano y agrega la transcripción al contexto del chat. No se necesita asignación de persona.

Utilice /config > Motor > Avisos solo si también desea que esas transcripciones se publiquen de manera visible en el chat.

Los usuarios de ElevenLabs deben elegir Agregar nuevo proveedor y ElevenLabs en /providers; registra la transcripción junto con el habla.