Mallonge: Vosk estas libera programo, kiu aŭskultas sonregistraĵon kaj skribas ĝin, en via komputilo kaj sen interreto. Ĝi havas modelon por Esperanto de nur 42 MB, kaj ankaŭ por la kataluna kaj la hispana. Ĝi utilas por fari subtekstojn, transskribi lecionon aŭ intervjuon, aŭ doni orelojn al asistanto.
Kio estas Vosk?
Vosk estas programo por voĉrekonado: ĝi faras la malon de voĉlegilo. Vi donas al ĝi registraĵon —aŭ parolas al ĝi per la mikrofono— kaj ĝi redonas al vi la tekston de tio, kio estas dirata en ĝi. Krome, ĝi diras en kiu sekundo komenciĝas kaj finiĝas ĉiu vorto, kio necesas por fari subtekstojn.
Ĝi funkcias sen interreto: la sono ne eliras el via komputilo. Ĝi estas farita por modestaj aparatoj, kaj tial ĉiu lingvo havas malgrandan modelon, de ĉirkaŭ 50 MB, krom la grandaj por serviloj.
Kiu faras ĝin kaj kiom ĝi kostas?
Ĝi estas senpaga kaj libera, laŭ la permesilo Apache 2.0, kiu permesas uzi ĝin ankaŭ en komercaj projektoj. Ĝin faras la firmao Alpha Cephei.
En kiuj lingvoj ĝi funkcias?
Ĝia paĝo mencias «pli ol 20 lingvojn kaj dialektojn», kaj la listo de modeloj havas 34, se oni kalkulas variaĵojn kiel la anglan de Barato. Inter ili estas:
- Esperanto:
vosk-model-small-eo-0.42, de 42 MB. En sia provo ĝi eraras ĉe proksimume 7 el 100 vortoj (eraroprocento de 7,24 %, mezurita per registraĵoj de Common Voice). - La kataluna:
vosk-model-small-ca-0.4, de 42 MB. - La hispana: malgranda de 39 MB kaj granda de 1,4 GB.
Por kio ĝi utilas?
- Fari subtekstojn por video, en la formato SRT, kiun komprenas preskaŭ ĉio.
- Transskribi lecionon, prelegon, intervjuon aŭ radioprogramon.
- Doni orelojn al voĉasistanto, roboto aŭ konektita hejmo, sen sendi tion, kion vi diras, al iu firmao.
- Por tiuj, kiuj programas: oni povas uzi ĝin el Python, Java, Node.js, C#, C++, Rust kaj Go, kaj ĝi funkcias en komputilo, en Android, en iPhone kaj en Raspberry Pi.
Kiel oni provas ĝin?
Vosk ne havas fenestron: oni uzas ĝin skribante ordonojn en la terminalo, la teksta fenestro de la komputilo, kaj necesas havi Python. Tiujn tri paŝojn ni provis en Linukso la 28-an de oktobro 2026:
1-a paŝo. Instalu ĝin:
pip install vosk
2-a paŝo. Elŝutu la modelon de via lingvo el la listo de modeloj kaj malpaku ĝin. Por Esperanto, vosk-model-small-eo-0.42.
3-a paŝo. Transformu la sonon en tekston:
vosk-transcriber -m vosk-model-small-eo-0.42 -i leciono.wav -o leciono.txt
Per -t srt kaj -o leciono.srt ĝi faras al vi la subtekstojn, kun la tempo de ĉiu frazo. Por frazo de 5 sekundoj ĝi bezonis malpli ol unu sekundon.
Kion ĝi vere eligas. Ni donis al ĝi frazon legitan de artefarita voĉo, «Bonan tagon! Hodiaŭ ni lernas la numerojn de unu ĝis dek.», kaj ĝi skribis:
bonan tagon hodiaŭ mi lernas la numerojn de unu ĝis de
Du vortoj malĝustaj el dek unu —«mi» anstataŭ «ni» kaj «de» anstataŭ «dek»—, kaj ĉio minuskle kaj sen interpunkciaj signoj.
Kion ĝi ne faras, klare dirite
- Ĝi ne estas perfekta: la Esperanto-modelo eraras ĉe ĉirkaŭ 7 el 100 vortoj, kaj pli ofte, se la sono havas bruon aŭ homoj parolas samtempe. Oni devas kontroli la tekston.
- Ĝi ne metas majusklojn nek interpunkciajn signojn: vi devas korekti tion mem, aŭ per alia modelo, kiu faras nur tion; tia ekzistas en la angla, la rusa kaj la germana, sed ne en Esperanto.
- Ĝi ne havas fenestron: se vi ne volas skribi ordonojn, necesas alia programo, kiu enhavas ĝin.
Resume
Vosk transformas voĉon en tekston sen interreto kaj senpage, kaj ĝi havas modelon por Esperanto. Por la alia direkto, igi la komputilon paroli, rigardu Piper kaj eSpeak NG.
Fontoj
- Vosk, ĝia paĝo kaj ĝia kodo en GitHub, konsultitaj la 28-an de oktobro 2026.
- La listo de modeloj, kun la grandeco kaj la eraroprocento de ĉiu, konsultita la saman tagon.
Legi en: