Распознавание речи через API¶
Speech-Expert API преобразует аудио и видео в текст и озвучивает текст выбранным голосом. Отправьте WAV, MP3 или другой поддерживаемый файл и получите расшифровку; таймкоды и разделение спикеров доступны в зависимости от выбранной модели. Для микрофона и длинных записей есть потоковое распознавание, которое возвращает текст по мере обработки.
Чтобы сохранить разговор в браузере, откройте в Речевой студии Запись созвонов. Расширение записывает звук вкладки и при желании ваш микрофон. Как записать созвон и получить текст
Основные языки — русский, английский, казахский, кыргызский, узбекский,
таджикский и армянский.
Доступность языка и дополнительных возможностей зависит от модели и метода API.
Сервис поддерживает
совместимые методы Yandex SpeechKit
и OpenAI Audio API, поэтому для поддержанных методов можно
использовать привычные клиенты и SDK — например, openai.
Начните с быстрого старта: подтвердите email, создайте API-ключ и отправьте первый запрос через cURL или Python. После регистрации доступны стартовые кредиты; тарифы и условия зависят от выбранной модели и объёма обработки.
Для автоматизации без собственного API-клиента используйте верифицированный узел Speech Expert для n8n или готовые шаблоны n8n: распознавание с резюме, озвучивание текста, исследование аудио и сравнение двух вариантов синтеза.
С помощью Speech-Expert API вы можете:
- распознавать речь (STT) — преобразовывать аудио или видео с аудиодорожкой в текст;
- анализировать эмоциональную динамику русской речи: всю запись, временные окна и связанные с транскриптом эпизоды;
- исследовать акустику речи: смотреть графики основного тона, уровня и пауз, сравнивать два дубля и скачивать измерения без списания кредитов;
- исследовать звучание аудио: разбирать интонацию, разборчивость и естественность озвучки, находить спорные моменты и получать наблюдения с таймкодами;
- синтезировать речь (TTS) — преобразовывать текст в аудио заданным голосом;
- синтезировать длинные тексты в фоне, отслеживать прогресс и скачивать готовое аудио;
- обрабатывать длинные записи асинхронно и получать результат по идентификатору операции;
- получать результат потоково — по мере распознавания, через SSE, WebSocket или gRPC;
- работать с готовым транскриптом в веб-интерфейсе: экспортировать SRT, VTT и JSON, переименовывать спикеров, переходить к найденным сущностям, создавать доказательные резюме и производные наборы;
- обрабатывать чувствительную запись без добавления в архив и отдельно управлять сроком хранения её аудио;
- использовать OpenAI-совместимые эндпоинты (
/api/v1/audio/...).
Бесплатный старт¶
После подтверждения регистрации стартовые кредиты начисляются автоматически
один раз на почтовый ящик; адреса Gmail с разными точками или суффиксами +...
не дают повторный бонус.
Актуальный размер бонуса и примеры доступного объёма собраны в блоке
«Бесплатный старт» на главной. Фактическое списание зависит от
выбранной STT-модели, длительности обработанного аудио и включённого разделения
участников; итоговая ставка показывается до запуска и в личном кабинете.
Языки распознавания¶
Готовые аудио- и видеофайлы можно распознавать на семи языках. Живой поток с промежуточным текстом доступен на русском, английском, казахском, кыргызском, узбекском, таджикском и армянском:
| Язык | Код STT v1/v3 | Готовый файл | Живой WebSocket/gRPC |
|---|---|---|---|
| Русский | ru-RU |
да | да |
| Английский | en-US |
да | да |
| Казахский | kk-KZ |
да | да |
| Кыргызский | ky-KG |
да | да |
| Узбекский | uz-UZ |
да | да |
| Таджикский | tg-TJ |
да | да |
| Армянский, локальная модель | hy-AM или hy |
да | да |
Для армянского выберите Армянский → Mhery RNNT в Playground или укажите
model="Mhery-RNNT" и язык hy-AM в API. Модель доступна для файлов,
длинных записей и живого потока с уточнением финалов. Явный прежний
Zipformer-Streaming / hy-AM сохраняет собственные потоковые финалы.
При потоковом распознавании текст появляется по мере обработки
аудио. Промежуточный результат (partial) может уточняться; окончательный
результат (final) завершает отдельную фразу. Форматы подключения и параметры
запросов описаны в разделах WebSocket и gRPC.
Для длинных, в том числе многочасовых записей на русском, английском, казахском, кыргызском, узбекском, таджикском и армянском доступна потоковая загрузка файла в браузере: текст появляется до завершения обработки всей записи. Для интеграций можно передавать исходный файл частями через WebSocket либо декодированное аудио через PCM WebSocket/gRPC.
В Playground сначала выберите источник: «Файл», «Ссылка», «Запись» или «Живые субтитры», затем укажите «Язык записи». Для файла включите «Текст по мере обработки», если хотите получать расшифровку до завершения обработки всего файла. Дополнительные настройки обычного распознавания собраны в разделе «Параметры обработки».
В «Живых субтитрах» потоковое распознавание выбирается автоматически по языку. Текст появляется во время речи; сеанс не сохраняется, а расшифровку можно скопировать или скачать. Режим «Запись» позволяет записать аудио в браузере и при необходимости распознать его после остановки.
Для API используйте код языка и параметры из справочника выбранного метода.
В PCM WebSocket/gRPC указывайте совместимое
значение model; в маршруте длинного файла /api/stt/v1/file-stream/ws
оно выбирается автоматически по языку, если не задано явно.
Имена моделей¶
В семействе SpeechExpert-STT обозначения RU, EN, UZ, KK, KY, TG
и HY указывают язык. У отдельных моделей суффикс -stream обозначает потоковый
режим: например, SpeechExpert-STT-UZ используется для готового файла,
а SpeechExpert-STT-UZ-stream — для потока. Прямой русский поток называется
T-One. Передавайте идентификатор точно как в справочнике и отдельно
указывайте совместимый код языка.
| Язык | Файловая модель | Потоковая модель |
|---|---|---|
| Русский | SpeechExpert-STT-RU |
T-One |
| Английский | SpeechExpert-STT-EN |
Parakeet-EN |
| Казахский | SpeechExpert-STT-KK-Large |
SpeechExpert-STT-KK-stream |
| Кыргызский | SpeechExpert-STT-KY-Large |
GigaAM-Multilingual-Large-CTC |
| Узбекский | SpeechExpert-STT-UZ, SpeechExpert-STT-UZ-Large |
SpeechExpert-STT-UZ-stream |
| Таджикский | SpeechExpert-STT-TG-Large, Tajik-Zipformer-v0.61 |
SpeechExpert-STT-TG-stream |
| Армянский | SpeechExpert-STT-HY-Large, Mhery-RNNT |
Mhery-RNNT |
Модели SpeechExpert-STT-*-Large из таблицы поддерживают только готовые файлы
с channelMode=mono, без диаризации и точных пословных таймкодов. Живой поток
не поддерживается. У SpeechExpert-STT-UZ-Large доступна пофразовая разметка
при includeTimings=true и успешном выравнивании.
Для файлов также доступны Parakeet-EN, GigaAM-v3-RNNT, GigaAM-Multilingual-Large-CTC,
Whisper-Large-v3-Turbo, ElevenLabs-Scribe-v2, ElevenLabs-Scribe-v3 и gemini-3.5-transcribe.
Их языки и ограничения указаны в таблице файловых моделей.
Для улучшенного распознавания казахских аудио- и видеофайлов выберите
SpeechExpert-STT-KK-Large и язык kk-KZ (в OpenAI API — kk). Модель
возвращает готовый текст без диаризации и точных таймкодов; живой поток
не поддерживается. Аудио обрабатывается с привлечением внешнего сервиса;
в приватном режиме требуется согласие externalAiConsent=true.
Тариф — 250 кредитов в минуту с минимумом 15 секунд на запрос.
Для узбекских файлов также доступны Whisper-Kotib-UZ, Whisper-Callcenter-UZ
и Uzinfocom-FastConformer-UZ. Улучшенная модель SpeechExpert-STT-UZ-Large
обрабатывает записи в контуре Speech Expert: при распознавании аудио и текст
не передаются внешним ASR- и LLM-провайдерам. Она возвращает готовый текст
и пофразовые таймкоды при доступной разметке, без диаризации и пословных
таймкодов; живой поток не поддерживается.
GigaAM v3 RNNT распознаёт русскую речь и доступен также как
уточнение финалов потока.
В UI русского режима «Длинный файл» это уточнение выбрано по умолчанию;
в API модель указывается явно.
Для потока на 75 языках сервиса доступна
ElevenLabs-Scribe-v2-Realtime через WebSocket, gRPC STT v3 и потоковую
загрузку файла. Она возвращает промежуточные и окончательные фразы через
ElevenLabs без отдельного файлового уточнения. Подробнее —
Scribe Realtime.
Готовую расшифровку можно использовать для резюме и исследовательского отчёта. Для саммаризации можно независимо выбрать BCP-47 язык результата. Полный перевод транскрипта выполняется отдельным LLM-методом, сохраняя исходный текст и его таймкоды.
Многоязычность ASR не переносится автоматически на классификацию эмоций.
Эмоциональная динамика включается параметром emotionAnalysis=true
только для русской речи; для казахского, кыргызского, узбекского и таджикского
качество не заявляется. Результат — вероятностный акустический сигнал для
перехода к фрагменту и ручной проверки, а не объективная оценка человека.
Подробная матрица моделей и временной разметки приведена в разделе
STT v1. OpenAI-совместимый метод использует короткие
коды ru, en, kk, ky, uz, tg, а STT v3 — поле
recognitionModel.languageRestriction.languageCode.
Способы распознавания речи¶
В зависимости от длительности записи и требований к задержке выберите подходящий способ.
| Способ | Когда использовать | Протокол |
|---|---|---|
| Синхронное распознавание | Короткие записи, ответ в одном HTTP-запросе | HTTP POST /api/stt/v1 |
| Фоновый STT v1 | Playground, видео по ссылке, приватный режим и тот же расширенный ответ v1 | HTTP POST /api/stt/v1:recognizeAsync + операции |
| Асинхронное распознавание v3 | Длинные записи и SpeechKit-совместимые события/аналитика | HTTP POST /api/stt/v3/recognizeFile + операции |
| Длинный файл с промежуточными результатами | Исходный файл до 10 ГиБ частями, текст и прогресс во время обработки | WebSocket |
| Живой поток WebSocket | Микрофон или декодированная запись, mono PCM16 16 кГц и простой JSON | WebSocket |
| Живой поток gRPC | Телефония, protobuf, mono или многоканальный interleaved PCM | gRPC |
| OpenAI-совместимый файловый стрим | Целый файл загружается одним запросом, результат выдаётся как SSE | HTTP + SSE |
Способы синтеза речи¶
| Способ | Когда использовать | Протокол |
|---|---|---|
| Синтез длинного текста | Фоновая озвучка длинных текстов с отслеживанием прогресса и скачиванием готового WAV | HTTP + операции |
| REST API v1 | Интеграции, SpeechExpert-TTS-разметка, выбор формата и HTTP-streaming | HTTP POST /api/tts/v1 |
| OpenAI-совместимый синтез | Приложения на OpenAI SDK со встроенными голосами | HTTP POST /api/v1/audio/speech |
| Потоковый синтез | Двунаправленная интеграция по protobuf | gRPC |
Аутентификация¶
Все вычислительные методы API (распознавание, синтез,
классификация эмоций, операции, OpenAI-совместимые эндпоинты, gRPC) требуют
аутентификации. Передавайте действующий API-ключ в заголовке Authorization:
API-ключ должен быть заранее создан и активен. Запрос без ключа или с несуществующим либо неактивным ключом завершается ошибкой 401 Unauthorized.
Схемы Api-Key и Bearer
API принимает обе схемы — Authorization: Api-Key <ключ> и Authorization: Bearer <ключ>, а также ключ без префикса. Схемы работают одинаково для HTTP REST, gRPC и потокового распознавания по WebSocket. Схема Bearer позволяет подключать стандартные клиенты (например, openai) без дополнительной настройки.
Вместо API-ключа принимается также активная сессия портала (cookie) — её использует веб-интерфейс.
Форматы аудио¶
API принимает большинство распространённых аудио- и видеоконтейнеров: в STT v1
формат определяется автоматически. WAV поддерживается как с целочисленными
PCM-сэмплами, так и с IEEE Float (wFormatTag=3). HTTP v1 не принимает raw PCM
без заголовка: заверните его в WAV или
используйте WebSocket/gRPC. В STT v3
объект audioFormat использует строгий oneof: для MP3 и OGG/Opus необходимо явно
передать containerAudio, а заявленный тип проверяется по фактическим байтам.
Подробности — в разделах STT v1 и
STT v3.
Ограничения¶
| Параметр | Значение |
|---|---|
| Максимальный размер multipart-загрузки аудио/видео (STT v1, OpenAI Audio, перевод и сохранение записи) | 500 МБ |
Максимальный размер файла, скачиваемого по uri (STT v3) |
500 МБ |
Максимальный размер видео по videoUrl / длительность |
200 МБ / 4 часа по умолчанию |
| Максимальная длина текста для синтеза (TTS v1) | 5000 символов |
Максимальная длина текста (OpenAI /audio/speech) |
4096 символов |
Начало работы¶
Ниже — минимальные примеры для Speech Expert. Замените $API_KEY на
действующий API-ключ.
Распознать речь¶
curl -X POST "https://speech-expert.ru/api/stt/v1" \
-H "Authorization: Api-Key $API_KEY" \
-F "audio=@audio.wav" \
-F "lang=ru-RU" \
-F "channelMode=mono"
В ответе сервис возвращает распознанный текст:
Для казахского, кыргызского или узбекского файла явно выберите locale и многоязычную модель. Например, для казахского:
curl -X POST \
"https://speech-expert.ru/api/stt/v1?model=GigaAM-Multilingual-Large-CTC" \
-H "Authorization: Api-Key $API_KEY" \
-F "audio=@kazakh.wav" \
-F "lang=kk-KZ" \
-F "channelMode=mono"
Для кыргызского и узбекского используйте соответственно ky-KG и uz-UZ.
Синтезировать речь¶
curl -X POST "https://speech-expert.ru/api/tts/v1" \
-H "Authorization: Api-Key $API_KEY" \
-d "text=Привет, мир!" \
-d "voice=elena-speech-expert-tts" \
-d "format=wav" \
--output speech.wav
В ответе сервис возвращает аудиофайл.
Проверить доступность сервиса¶
Справочник методов¶
| Метод | Путь | Назначение |
|---|---|---|
GET |
/health |
Проверка доступности сервиса |
POST |
/api/stt/v1 |
Синхронное распознавание: mono с опциональной диаризацией или раздельное распознавание физических stereo-каналов |
POST |
/api/stt/v1:recognizeAsync |
Асинхронное распознавание с получением результата по идентификатору операции |
POST |
/api/stt/v1:summarize |
Новая версия резюме готовой расшифровки без ASR |
POST |
/api/stt/v1:translate |
Полный перевод готовой расшифровки с привязкой к исходным фрагментам |
POST |
/api/stt/v1:summarizeDigest |
Дайджест нескольких сохранённых записей |
POST |
/api/stt/v1:derive |
Voice Inbox, учебный набор, поручения или Creator Pack |
POST |
/api/stt/v1:askArchive |
Ответ по архиву с источниками |
WS |
/api/stt/v1/ws |
Живые субтитры без сохранения |
POST |
/api/stt/v1:recognizeEmotion |
Классификация эмоций в аудио; метод также доступен по адресу /api/emotion/v1 |
GET, POST |
/api/account/recordings |
Список и сохранение записей; требуется portal-cookie |
GET, PATCH, DELETE |
/api/account/recordings/{id} |
Чтение, обновление или полное удаление записи; требуется portal-cookie |
GET, DELETE |
/api/account/recordings/{id}/media |
Получение или отдельное удаление аудио; транскрипт сохраняется |
POST |
/api/stt/v3/recognizeFile |
Асинхронное распознавание файла |
GET |
/api/stt/v3/getRecognition?operationId={id} |
Конечный поток событий распознавания |
POST |
/api/tts/v1 |
Синтез речи |
GET |
/api/tts/v1/voices |
Список голосов |
GET, POST |
/api/account/tts-voices |
Список и создание пользовательских голосов; требуется portal-cookie |
DELETE |
/api/account/tts-voices/{id} |
Удаление пользовательского голоса; требуется portal-cookie |
POST |
/api/v1/audio/transcriptions |
Распознавание (OpenAI) |
POST |
/api/v1/audio/speech |
Синтез речи (OpenAI) |
GET |
/api/operations/{id} |
Статус операции |
GET |
/api/operations |
Список доступных операций |
POST |
/api/operations/{id}:cancel |
Отмена операции |
POST |
/api/operations/{id}:purge |
Безвозвратная очистка response/error завершённой операции; Playground в приватном режиме запускает очистку автоматически |
GET |
/docs |
Swagger UI (интерактивная документация OpenAPI) |
Обработка ошибок¶
Ошибки возвращаются в формате JSON с полем detail:
| Код | Значение |
|---|---|
200 |
Запрос выполнен успешно |
400 |
Некорректный запрос |
401 |
Не аутентифицирован (отсутствует или неверный API-ключ) |
402 |
Недостаточно кредитов |
404 |
Ресурс не найден |
409 |
Операция или ресурс находится в неподходящем состоянии |
413 |
Превышен допустимый размер файла |
422 |
Запрос не прошёл проверку схемы |
500 |
Внутренняя ошибка сервиса |
503 |
Бэкенд временно недоступен |