當我第一次想到 VOMO，它的靈感來自 OpenAI 發佈的 Whisper 模型，該模型顯示在 精確度 的 語音轉文字 技術。當時，我構想了幾個主要功能：精確的語音轉文字、即時轉錄、使用 GPT 精細轉錄文字的能力，以及整合向量化筆記與問題解答功能。
當我開始研究市場上的各種產品，包括 OpenAI 的 Whisper、Assembly、Google 和 Microsoft 的語音轉文字服務以及 Deepgram 時，我發現它們各有優缺點。Whisper 的功能最強大，但它缺乏我所需要的兩項基本功能：即時語音轉文字，以及支援大於 25MB 的音訊檔案，且無須手動分割。
Google 和 Microsoft 的即時語音轉文字 ai 模型 不夠精確，無法滿足我們的需求。如果轉錄不精確，使用者可能不會繼續使用我們的服務。
起初，我覺得 Assembly 的定價太高了。
之後我發現了 Deepgram，它滿足了我的許多要求。他們提供雲端託管的 Whisper 機型，能夠以相同的精確度支援延伸錄音的轉錄，而且其即時語音轉文字的價格也可以接受（雖然我後來移除了這項功能）。此外，對於會議錄音，Deepgram 可以支援自動識別講者和格式化。這些都是我們需要的功能。
之後，我加入了大量語音轉文字功能，讓使用者可以從 Apple 的 語音備忘錄 並將它們匯入 VOMO，以便 批量轉錄.
然而，我發現使用 Deepgram 的 Whisper 模型有併發限制，所以我們改用 Nova-2 模型。在我看來，它的 謄寫準確性 與 Whisper 不相伯仲，但處理速度更快。
因此，我們繼續使用 Deepgram 的 Nova-2 模型。
總而言之，Deepgram 等第三方服務可以大幅減少 VOMO 等產品的工作量。我們想要實作的大部分語音相關功能都已經可以透過 Deepgram 實作。
