Посібник з налаштування провайдера «Безкоштовний» (на пристрої)

1Виберіть «Безкоштовний» як провайдера

Відкрийте Sokuji та перейдіть до панелі налаштувань. Виберіть «Безкоштовний» як провайдера ШІ у випадаючому списку провайдерів.

2Завантажте модель ASR

Виберіть модель ASR для вашої мови джерела. Sokuji пропонує 42 автономних/потокових моделі на базі sherpa-onnx WASM та WebGPU (Cohere Transcribe, Voxtral Mini, Whisper), що підтримують понад 99 мов. Розмір моделей варіюється від легких (~5 МБ) до високоточних (~2 ГБ+). Рекомендуємо Cohere Transcribe або Voxtral Mini 4B Realtime для найкращої точності та швидкості.

3Завантажте модель перекладу

Виберіть мовну пару для перекладу. Оберіть TranslateGemma для найкращої якості та швидкості, 74 мовних пари Opus-MT для швидкого перекладу на CPU або Qwen LLM через WebGPU для більш якісного багатомовного перекладу.

4Завантажте модель TTS

Завантажте модель TTS для голосового виведення. Доступні 136 моделей для 52 мов, що працюють на рушіях Piper, Coqui, Mimic3 та Matcha. Якщо в блоці Мовлення увімкнено Переклад, який чую я (режим «Співрозмовник» або «Обидва»), переклад співрозмовника теж зачитується вам уголос: у цього напрямку свій слот TTS із власною моделлю та власним голосом. Кожен напрямок зберігає свій голос.

5Почніть перекладати

Натисніть кнопку Розпочати сесію. Розпізнавання та переклад виконуються на вашому пристрої в реальному часі; якщо вибрано голос Edge TTS, для озвучення перекладу потрібне підключення до мережі.

Що таке провайдер «Безкоштовний»?

«Безкоштовний» — це повністю працюючий на пристрої конвеєр перекладу ШІ, який виконує ASR, переклад і TTS без будь-яких хмарних сервісів:

• Повна конфіденційність — уся обробка аудіо та тексту виконується на вашому пристрої
• Працює автономно після першого завантаження моделей
• Не потрібні API-ключі, облікові записи або підписки
• Працює на WebAssembly (WASM) та WebGPU з продуктивністю, близькою до нативної
• Безкоштовне використання без обмежень

Доступні моделі

Провайдер «Безкоштовний» підтримує широкий спектр моделей для кожного етапу конвеєра перекладу:

• ASR: 42 моделі, включаючи Cohere Transcribe, Voxtral Mini 4B Realtime, Whisper, SenseVoice, Moonshine, NeMo та Zipformer — підтримка понад 99 мов
• Переклад: 74 мовних пари Opus-MT для швидкого перекладу на CPU, а також TranslateGemma і Qwen LLM через WebGPU для багатомовної підтримки
• TTS: 136 моделей для 52 мов з використанням рушіїв Piper, Coqui, Mimic3 та Matcha

Налаштування VAD (виявлення мовлення)

Коли «Режим мовлення» в налаштуваннях встановлено на «Авто», натисніть «Налаштування VAD» поруч із ним, щоб підлаштувати виявлення мовлення на пристрої. У режимах «Натисни і говори» та «Натисни і переклади» ви самі керуєте тим, де починається й закінчується кожне речення:

• Макс. тривалість мовлення: скільки може тривати одна репліка, перш ніж її буде розділено (10–40 с, за замовчуванням 30 с); деякі моделі розділяють раніше, на найдовшому відрізку, який вони транскрибують правильно
• Запас перед мовленням: зберігає трохи аудіо безпосередньо перед тим, як виявлено мовлення (до 2 с, за замовчуванням 0,8 с), щоб перший звук речення не обрізався; показується лише для моделей, які це підтримують
• Розумний (Smart Turn): замість того щоб завжди вичікувати фіксовану тишу, перевіряє, чи ви закінчили говорити, і завершує речення приблизно через 0,4 с після того, як ви замовкли; пауза посеред речення залишає його слухати далі. Увімкнення один раз завантажує модель на 31 МБ; працює з моделями розпізнавання мовлення на WebGPU
• Скинути: повертає ці налаштування до значень за замовчуванням

Вимоги до обладнання

• CPU (WASM): Працює в будь-якому сучасному браузері — спеціальне обладнання не потрібне
• WebGPU: Опціональне прискорення GPU для моделей Cohere Transcribe, Voxtral Mini, Whisper ASR, TranslateGemma та перекладу Qwen — значно швидше з виділеним GPU
• Рекомендовано: 4 ГБ+ ОЗП для комфортного завантаження моделей
• Сховище: Розмір моделей від 5 МБ до 200+ МБ залежно від рівня точності
• Потрібен сучасний браузер: Chrome 113+, Edge 113+ або Firefox 120+ для підтримки WebGPU

Налаштування TTS

• Швидкість мовлення — Контролює швидкість відтворення синтезованого мовлення. Відрегулюйте повзунок швидкості, щоб зробити виведення швидшим або повільнішим за вашими уподобаннями.
• ID мовця — Контролює тембр голосу синтезованого мовлення. Багато моделей підтримують кілька ID мовців, кожен з різним голосом. Деякі мультимовцеві моделі включають голоси різної статі, тому ви можете обрати чоловічий або жіночий голос, вибираючи різні ID мовців. ID мовця або голос Edge TTS зберігається для кожного напрямку окремо: вибір у слоті TTS одного напрямку не змінює інший напрямок.

Поширені проблеми

Голос скинувся після оновлення: Починаючи з Sokuji 0.44.0 кожен напрямок зберігає свій голос. Голос, вибраний у попередній версії, був спільним для обох напрямків, тому після оновлення кожен напрямок один раз повертається до голосу за замовчуванням. Виберіть голос знову в слоті TTS кожного напрямку.

Переклад, який чую я, лише текстом: Якщо з'явилося попередження «Переклад, який чую я, показується лише текстом: бракує пам'яті, щоб завантажити ще й модель синтезу мовлення співрозмовника.», моделі обох напрямків не вміщуються в пам'ять разом, тому переклад співрозмовника починається лише текстом, а ваш і далі озвучується. Його кнопка «Налаштування» відкриває слот TTS цього напрямку: виберіть меншу модель або Edge TTS, який не займає локальну пам'ять.

Edge TTS перестав говорити в розширенні браузера: Edge TTS тепер синтезує мовлення на api.msedgeservices.com. Коли розширення оновлюється до Sokuji 0.44.0, Chrome або Edge просить дозволити доступ до цього сайту й тримає розширення вимкненим, доки ви не погодитеся: відкрийте сторінку розширень браузера та прийміть новий дозвіл. Настільній програмі нічого не потрібно.

Не вдається завантажити модель: Перевірте підключення до Інтернету для першого завантаження. Моделі кешуються локально в IndexedDB, тому наступні використання працюють автономно. Спробуйте очистити дані браузера, якщо завантаження пошкоджені.

ASR не розпізнає мовлення: Переконайтеся, що ви обрали правильну модель ASR для вашої мови джерела. Спробуйте більшу модель для кращої точності. Перевірте, що мікрофон працює та дозволи надано.

Низька якість перекладу: Моделі Opus-MT оптимізовані для швидкості, а не якості. Для кращих результатів спробуйте моделі TranslateGemma або Qwen LLM, якщо ваш пристрій підтримує WebGPU. Переконайтеся, що обрана правильна мовна пара.

WebGPU недоступний: WebGPU потребує сумісного браузера та GPU. Перейдіть на моделі на основі WASM (sherpa-onnx, Opus-MT), які працюють у будь-якому сучасному браузері без вимог до GPU.

Поради щодо продуктивності

1. Використовуйте моделі WebGPU, коли вони доступні, для значно швидшої обробки
2. Закрийте інші вкладки браузера, щоб звільнити пам'ять для завантаження моделей
3. Обирайте менші моделі для пристроїв з низькою продуктивністю або коли швидкість є пріоритетом
4. Моделі WASM (sherpa-onnx, Opus-MT) більш сумісні, але повільніші за альтернативи WebGPU
5. Слідкуйте за використанням пам'яті браузера — великі моделі можуть потребувати 2 ГБ+ пам'яті браузера