Deepgram STT: diaryzacja mówców v2, liczebniki i batch kontra live
Diaryzacja v2 od Deepgram była wybierana 3,3 razy częściej niż poprzedni produkcyjny diarizer, ale diarize_model działa tylko wsadowo, nie w streamingu. Do tego koreańskie odstępy i wielojęzyczne liczby.
Najnowsze aktualizacje speech-to-text Deepgram zapewniają bardziej elastyczne sterowanie sesją, lepsze odstępy w koreańskim tekście, formatowanie liczb w transkrypcjach wielojęzycznych i nową opcję diarizacji batch. Ma to znaczenie, gdy potrzebujesz czytelnego transkryptu rozmowy na żywo albo nagrania, do którego można wrócić później.
Dla Telli.sh to istotne, bo Deepgram jest naszym domyslnym silnikiem mowy w produkcji. Gdy silnik sie poprawia, poprawia sie tez podstawa notatek live, przeslanych nagran, podsumowan i wielojezycznych zapisow spotkan.
Image: Dejan Krsmanovic, Wikimedia Commons, CC BY 2.0.
Co oglosil Deepgram
Najnowsza pozycja to UpdateListen, ogloszona 15 czerwca 2026 roku. Pozwala zmieniac konfiguracje Listen podczas sesji glosowej live bez restartu rozmowy. Konfigurowalne pola obejmuja progi konca wypowiedzi, timeout, slowa kluczowe i wskazowki jezykowe.
Dla uzytkownikow oznacza to lepsze notatki live: spotkanie moze dostosowac sie do zmiany tematu, slownictwa lub jezyka bez przerywania nagrania.
W maju Deepgram oglosil tez wazne ulepszenia STT:
- Koreanskie transkrypcje
koiko-KRmaja lepsze odstepy miedzy slowami, wiec latwiej je czytac. - Profanity filtering dziala teraz w wielojezycznych modelach Nova-2, Nova-3 i Flux z
language=multi. - Nova-3 multilingual potrafi formatowac wypowiedziane liczby jako cyfry w wielu jezykach.
- Batch speaker diarization v2 jest dostepna przez
diarize_model; Deepgram podal, ze v2 byla wybierana 3,3 raza czesciej niz poprzedni produkcyjny diarizer w testach ludzkich.
Przy wyborze przepływu pracy ważne jest jedno rozróżnienie: diarize_model obsługuje żądania batch, a nie streaming. Używaj go przy przesłanych nagraniach; nie zmienia etykiet mówców podczas sesji na żywo.
Co to oznacza dla uzytkownikow Telli.sh
Najbardziej bezposrednia korzysc to jakosc transkrypcji. Uzytkownicy koreanscy powinni zobaczyc bardziej czytelny tekst. Spotkania wielojezyczne skorzystaja z formatowania liczb i kontroli moderacji.
Kolejna warstwa to sterowanie sesja live. UpdateListen jest szczegolnie wazny dla notatek AI live. Spotkanie techniczne moze wymagac terminow produktowych, rozmowa dwujezyczna moze potrzebowac language hints, a szybka dyskusja innego wykrywania konca wypowiedzi.
W przypadku przesłanych nagrań diarizacja v2 daje kolejną możliwość tworzenia notatek z podziałem na mówców. Deepgram podał, że w bezpośrednim porównaniu oceniający wybierali v2 3,3 raza częściej niż poprzedni produkcyjny diarizer; największe korzyści odnotowano dla nagrań z centrów obsługi. Wyniki dla własnych nagrań ze spotkań mogą być inne.
Lepsze STT nadal potrzebuje warstwy produktu
Deepgram ulepsza transkrypcje. Telli.sh zamienia ja w workflow: stan nagrywania live, jezyk zrodlowy, tekst do weryfikacji, dopracowanie AI, podsumowania, decyzje, zadania i zapisy spotkan do ponownego uzycia.
Praktyczny cel to mniej poprawek, czytelniejsze notatki i mniej pracy po spotkaniu. Lepsze rozpoznawanie mowy najbardziej pomaga wtedy, gdy przekłada się na zapis, który można sprawdzić i ponownie wykorzystać.
