SpeechExpert Heavy — усиленное распознавание¶
SpeechExpert Heavy — офлайн-модель для сложных записей: с шумом, искажениями или неясной речью. Результат — готовая расшифровка; исходный аудиофайл не изменяется. Точность зависит от качества записи: режим не гарантирует восстановления неразборчивых слов.
Результаты распознавания объединяются на сервере без генеративной коррекции итогового текста.
Сейчас поддерживается только русский язык (ru-RU).
В интерфейсе¶
Выберите файл, русский язык и модель SpeechExpert Heavy. Её также можно выбрать переключателем SpeechExpert Heavy — оба элемента включают один режим. Запись обрабатывается в фоне, после завершения появляется итоговый текст. Усиленная обработка может занимать больше времени, чем обычное распознавание.
При уточнении выбранного фрагмента обрабатывается только аудио выбранного интервала. Соседние фразы исходной расшифровки не влияют на результат текущей версии Heavy.
Запись автоматически делится на фрагменты до 24 секунд по тихим участкам. Фрагменты обрабатываются последовательно. Час записи — примерно 150–180 фрагментов. В интерфейсе видны текущий фрагмент, количество готовых фрагментов и обработанная длительность. Текст готовых фрагментов появляется постепенно, в порядке исходной записи, пока остальная запись ещё обрабатывается.
Если обработка остановится с ошибкой или будет отменена, уже готовый текст останется доступен как неполный результат. Необработанная часть записи в него не входит; причина остановки показывается отдельно.
Режим предназначен для файлов до 500 МБ. Он не используется при живом распознавании с микрофона или в режиме «Текст по мере обработки».
Через API¶
Передайте model=SpeechExpert-STT-Heavy в query или multipart-форме STT v1.
Если параметр задан обоими способами, значение формы имеет приоритет.
Для фоновой обработки используйте асинхронный вариант STT v1.
curl -X POST "$BASE_URL/api/stt/v1:recognizeAsync" \
-H "Authorization: Api-Key $API_KEY" \
-F "audio=@recording.wav" \
-F "lang=ru-RU" \
-F "channelMode=mono" \
-F "model=SpeechExpert-STT-Heavy"
Результат фоновой операции можно получить по её идентификатору, как при обычном
асинхронном распознавании. Для совместимости также поддерживается прежний
параметр audioRecovery=true: он включает SpeechExpert Heavy независимо от
выбранной обычной модели. Дополнительно передавать этот флаг при выборе Heavy
не требуется.
Во время обработки GET /api/operations/{id} возвращает done=false и прогресс
в metadata: audio_recovery_chunk_index, audio_recovery_chunk_count,
audio_recovery_completed_chunks, audio_recovery_processed_ms и
audio_recovery_total_ms. После каждого готового фрагмента в response.result
появляется накопленный текст, response.partial=true, а
response.audioRecovery.status="processing". Это предварительный результат
всей операции, состоящий только из уже обработанных фрагментов.
При остановке с ошибкой операция возвращает done=true, error и последний
неполный response, если готовые фрагменты уже есть. Успешное завершение
заменяет его итоговым ответом. В приватном режиме промежуточные ответы действуют
до того же срока удаления, что и остальные данные операции; в архив они не
попадают.
Модель также доступна в OpenAI-совместимом файловом API
с model="SpeechExpert-STT-Heavy", language="ru", stream=false и в
STT v3 recognizeFile через recognitionModel.model.
В STT v3 нужен исходный mono-файл: многоканальный вход, включая stereo-контейнер,
отклоняется с 400. STT v1 с channelMode=mono и OpenAI-совместимый API сводят
каналы в одну дорожку автоматически.
Ограничения и приватность¶
- Используйте
channelMode=monoиdiarization=false. Многоканальная запись сводится в одну дорожку; разделение говорящих недоступно. - Точные пословные таймкоды не возвращаются. Режим не подходит для подготовки субтитров с точной синхронизацией.
- Отдельная коррекция текста в усиленном режиме недоступна.
- Неподдерживаемый язык,
channelMode=stereoили включённая диаризация возвращают ошибку400.
При усиленном распознавании аудио фрагментов и словарь подсказок, составленный
из предварительных результатов распознавания, передаются на внешнюю обработку.
Объединение результатов выполняется на сервере без генеративной коррекции
итогового текста. Соседние текстовые фразы исходной расшифровки не используются.
В приватном режиме
(privacyMode=true) требуется externalAiConsent=true; без согласия
запрос отклоняется до отправки данных. Приватный результат не сохраняется в архив.
Результат¶
Поле result содержит готовую расшифровку. В объекте audioRecovery возвращаются
состояние обработки и предупреждения:
| Поле | Значение |
|---|---|
status |
ready — обработка завершена; partial — результат получен с ограничениями |
language |
ru |
warnings |
Предупреждения о неполной обработке |
При partial точность может быть ниже обычной. Проверьте спорные места по
исходной записи. Пустой результат означает, что речь не обнаружена.
Если Heavy целиком не выдал текст или завершился ошибкой обработки, может быть возвращён резервный результат распознавания всей записи с предупреждением. Он заменяет весь результат Heavy, без смешивания отдельных фрагментов. Если резервный результат недоступен, сохраняется исходная ошибка или пустой результат. Пустые варианты отдельных распознавателей сами по себе не включают резервный режим.
Если обработка не завершилась, API возвращает явную ошибку. Временный сбой можно устранить повторной попыткой позже; если ошибка повторяется, обратитесь в поддержку. Не считайте запрос успешно выполненным без результата операции.
Стоимость¶
Усиленное распознавание оплачивается по отдельному пакетному тарифу
SpeechExpert-STT-Heavy: 75 кредитов за минуту или 4 500 кредитов за час.
При курсе 0,04 ₽ за кредит это 3 ₽ за минуту или 180 ₽ за час.
Минимальная оплачиваемая длительность каждого отдельного запроса — 15 секунд
(18,75 кредита, или 0,75 ₽ при указанном курсе). После минимума длительность
округляется вверх до целой секунды: 15,001 секунды оплачиваются как 16 секунд.
Нулевая длительность не оплачивается. Для результата с ограничениями действует
тот же тариф режима.
Тариф включает полную обработку записи. При восстановлении аудио по речевым фрагментам минимум применяется к каждому запросу Heavy отдельно; синтез новой озвучки оплачивается дополнительно.
Актуальная стоимость доступна вместе с остальными тарифами API и показывается в интерфейсе перед запуском. Выбранная обычная модель не заменяет тариф усиленного режима.