Перейти к содержанию

Транскрипт в веб-интерфейсе

Бесплатная проверка своей записи

На странице расшифровки аудио и видео можно распознать первые две минуты без регистрации. Выберите Загрузить файл (аудио или видео до 100 МБ) либо Вставить ссылку на отдельное открытое видео YouTube, VK Видео или Rutube. Обработка начинается по кнопке Распознать первые 2 минуты бесплатно; язык определяется автоматически. Если язык определить не удалось, его можно уточнить и повторить пробу.

Для файла и ссылки действует общий лимит — две пробы на браузер за сутки. Результат можно скопировать или скачать в TXT. Для видео распознаётся речь из звуковой дорожки. Закрытые ролики, плейлисты и прямые эфиры не подходят; если площадка требует вход или блокирует загрузку, можно выбрать видеофайл.

Чтобы обработать запись целиком, продолжите с выбранным источником после регистрации и подтверждения почты. Файл или ссылка подставятся в студию, где вы проверите язык, параметры и стоимость и запустите полную обработку.

Архив и готовая запись

В Моих записях поиск проверяет название и исходное имя файла во всём собственном архиве. Список показывает общее число найденных записей; кнопки Назад и Далее открывают следующие страницы по 50 файлов. В выборе записей для дайджеста и вопроса по архиву также доступны поиск и страницы; выбранные файлы сохраняются при смене страницы.

У открытой записи сверху находятся плеер и скачивание, затем три вкладки: Транскрипт, Результаты и Акустика речи. Готовые отчёты и сохранённые версии показаны перед созданием нового результата. Повторное распознавание, перевод транскрипта, хранение и сведения о файле собраны ниже в разделе Дополнительные действия. Если текста ещё нет, этот раздел открыт сразу.

Выбранная запись, вкладка анализа, запрос поиска и страница списка сохраняются в адресе. Обновление страницы, переход в другой раздел и кнопки браузера Назад/Вперёд возвращают к тому же контексту. Права на запись проверяются сервером при каждом обращении; ссылка не предоставляет доступ другим аккаунтам.

Для измерения интонации, темпа и пауз и сравнения двух озвучек откройте в карточке сохранённой записи вкладку «Акустика речи».

Веб-интерфейс Speech-Expert позволяет не только просмотреть результат STT, но и подготовить его к дальнейшей работе: назначить спикерам понятные имена, перейти к найденным сущностям, открыть эмоциональный эпизод на исходном аудио и скачать транскрипт в TXT, SRT, WebVTT или JSON. Эти действия доступны сразу после распознавания и в разделе сохранённых записей.

Начать распознавание

В Playground выберите источник:

  • Файл — загрузить аудио или видео с устройства, по одному или пакетом;
  • Ссылка — скачать и распознать аудиодорожку по URL;
  • Запись — записать микрофон, звук вкладки или их общий микс;
  • Живые субтитры — видеть текст непосредственно во время речи.

Затем задайте Язык записи. Для файла, ссылки и записи интерфейс показывает совместимые модели; для живых субтитров потоковый профиль выбирается по языку автоматически. Перед запуском можно сверить тариф и, когда длительность уже известна, оценку стоимости. Чтобы сменить источник после выбора файла или получения результата, сначала нажмите Очистить; очередь файлов очищается отдельно.

Для обычной загрузки файла можно выбрать Автоопределение русского, английского, казахского, кыргызского, узбекского, армянского или таджикского. Сервис локально находит речевые участки и передаёт распознанный текст внешнему сервису определения языка. Аудио для определения языка наружу не передаётся. Затем весь исходный файл распознаётся локально: русский — GigaAM v3 RNNT, узбекский — GigaAM UZ 0.6B, английский — Parakeet EN, казахский и кыргызский — GigaAM Multilingual, армянский — Mhery RNNT, таджикский — базовый Zipformer 0.61. Если локальная модель не поддерживает выбранные параметры, используется Scribe v2. Для остальных языков задайте язык и модель вручную.

Язык определяется отдельно для каждого файла пакета. Результат показывает определённый язык и фактическую модель. Если речи не найдено или язык нельзя определить однозначно, полная расшифровка не запускается. Интерфейс предложит выбрать язык вручную; технический сбой определения языка покажет как ошибку операции. Язык речевого фрагмента используется для всего файла; для записи с переключением языков можно явно выбрать подходящую мультиязычную модель.

Определение языка оплачивается отдельно за фактически выполненную обработку фрагментов, полная расшифровка — по тарифу выбранной модели. В приватном режиме требуется согласие на внешнюю обработку распознанного текста; если полный файл будет распознаваться внешней моделью, согласие распространяется и на передачу аудио. Автоопределение не предлагается для потокового режима, ссылок, микрофонной записи и живых субтитров; диаризация при автоматическом выборе модели выключена.

Для улучшенного распознавания казахской записи явно выберите язык Қазақша и модель SpeechExpert-STT-KK-Large. Она возвращает готовый текст без разделения спикеров и точных таймкодов; доступен только mono, без живого потока и дополнительной коррекции текста. Аудио обрабатывается с привлечением внешнего сервиса; в приватном режиме требуется отдельное согласие на внешнюю обработку. Тариф — 250 кредитов в минуту, минимум 15 секунд на запрос. Для файла с автоматическим определением языка сохраняется обычный выбор модели; Large выбирается явно.

Для улучшенного локального распознавания узбекской записи явно выберите язык O‘zbekcha и модель SpeechExpert-STT-UZ-Large. При распознавании этой моделью аудио и текст не передаются внешним ASR- и LLM-провайдерам. Доступно файловое распознавание в mono с пофразовыми таймкодами, без разделения спикеров и пословной разметки. Пофразовые границы позволяют переходить к аудио и экспортировать субтитры SRT/VTT. Если надёжная временная разметка недоступна, показывается полный текст без пофразовых таймкодов. Отдельно в списке узбекских файловых моделей доступны Whisper Kotib UZ, Whisper Callcenter UZ и Uzinfocom FastConformer UZ. Их распознавание тоже выполняется в контуре Speech Expert; живой поток для этих моделей недоступен. Перевод, резюмирование и другие выбранные функции обработки готового текста имеют собственные условия передачи данных.

Для медицинской и клинической речи можно явно выбрать ElevenLabs Scribe v2 Medical (ElevenLabs-Scribe-v2-Medical). Она поддерживает те же русский, английский, казахский, кыргызский, узбекский и таджикский, что обычная Scribe v2 в Playground, и использует тот же тариф и нативную диаризацию. У провайдера обе модели поддерживают 90+ языков (справочник ElevenLabs). Обе модели доступны для файла, ссылки и готовой записи; потоковые возможности описаны отдельно в Потоковом распознавании.

Для обычного файлового распознавания с Gemini 3.5 Transcribe запись должна быть не длиннее 30 минут. Для более длинной записи выберите другую доступную модель или включите потоковую обработку файла.

Порядок обработки

Необязательные настройки находятся в разделе Параметры обработки: режим каналов, диаризация, LLM-коррекция текста, именованные сущности, формат отчёта по записи. Флажки Анализ эмоций и график и Анализ дипфейка и график вынесены в основные настройки над этим разделом; они оформлены отдельными карточками переключателей, как Приватный режим. Анализ эмоций доступен для русской речи, анализ дипфейка не привязан к языку распознавания и по умолчанию выключен. Обработка проходит в следующем порядке:

  1. распознавание речи;
  2. восстановление пунктуации, если оно используется выбранным сценарием;
  3. LLM-коррекция готового транскрипта;
  4. извлечение сущностей уже из исправленного текста;
  5. саммаризация окончательного текста, если выбран пресет.

Если включён анализ дипфейка, после подготовки окончательных фраз проверяется их аудио. Сбой этой дополнительной проверки не отменяет расшифровку.

Таким образом, текст и символьные позиции в entities[].occurrences относятся к окончательной версии реплик, которую возвращает API.

Общее саммари пакета

После выбора нескольких файлов включите Общее саммари после завершения пакета в очереди файлов, выберите универсальный или исследовательский формат, подробность и язык результата, затем нажмите Запустить пакет. Параметры общего отчёта фиксируются при запуске. Эта опция не требует включать отдельное саммари для каждой записи.

Общий отчёт создаётся автоматически, когда готовы все 2–20 расшифровок пакета. При ошибке или отмене одного из файлов создание отчёта ждёт повторной обработки этого файла. Пока в очереди остаются файлы, удаление отдельной готовой строки не исключает её расшифровку из общего отчёта. Результат появляется под настройками пакета, сохраняется в Моих записях → Дайджест и скачивается в DOCX, PDF или JSON. Тексты передаются настроенному LLM-провайдеру; аудио повторно не распознаётся.

После завершения можно изменить язык и другие настройки и нажать Повторить пакет либо Повторить у отдельного файла. Повтор использует текущие настройки; сохранённое аудио не нужно загружать заново. Если включено общее саммари, для повторного распознавания создаётся новый отчёт.

Оставьте вкладку открытой до запуска общего саммари. После перезагрузки страницы интерфейс проверяет уже запущенные операции и создаёт отчёт, когда они завершатся; незагруженные файлы нужно выбрать повторно, а оставшуюся очередь запустить вручную. Повторный выбор тех же файлов восстанавливает их участие в общем отчёте. Состав пакета и состояние отчёта хранятся в браузере текущего пользователя 24 часа. Если связь прервалась во время создания отчёта, доступен отдельный повтор создания саммари с защитой от повторного сохранения того же запроса. Ошибка саммари не удаляет расшифровки.

Кнопка Закрыть скрывает блок общего саммари, сохраняя результат и фоновое создание отчёта. Кнопка Показать общее саммари открывает его снова; готовый отчёт также остаётся в Моих записях → Дайджест. Обновления очереди не открывают закрытый блок автоматически.

Кнопка Убрать общее саммари полностью сбрасывает отчёт в текущей очереди, в том числе когда он свёрнут. Очистка всех строк очереди также убирает саммари. Ответ уже отправленного запроса не возвращает убранный отчёт на экран. Сохранённый дайджест остаётся в Моих записях → Дайджест.

Для одиночной расшифровки измените язык и нажмите Распознать снова. Если после обновления страницы исходное аудио недоступно, кнопка Выбрать файл для повтора позволяет прикрепить его заново с выбранными настройками.

Длинный файл: текст по мере обработки

Выберите источник Файл или Ссылка, задайте Язык записи и включите Текст по мере обработки. Загрузите один аудио- или видеофайл до 10 ГиБ либо вставьте публичную ссылку и нажмите Распознавать потоково. Доступны русский, английский, казахский, кыргызский, узбекский и таджикский. Предварительный текст появляется по мере обработки; окончательные фразы добавляются в транскрипт последовательно. Прогресс загрузки и длительность распознанного аудио показываются отдельно. Некоторые M4A и MP4 сначала загружаются целиком; после этого текст начинает появляться по мере распознавания.

На кыргызском итог каждой фразы уточняется автоматически. Пока он готовится, интерфейс продолжает показывать предварительный текст следующей фразы. На таджикском итог возвращается без автоматической пунктуации и нормализации. Для казахского, кыргызского, узбекского и таджикского таймкоды обозначают границы аудиофрагментов, включая паузы; точная разметка отдельных слов отсутствует.

В этом режиме каналы сводятся в mono; диаризация и LLM-коррекция недоступны. Анализ дипфейка доступен для файла и ссылки; анализ эмоций можно включить для русской записи. После каждой окончательной фразы проверки выполняются параллельно дальнейшему распознаванию, а графики обновляются по готовности. В живых субтитрах эти проверки недоступны. Вкладку нужно оставить открытой до завершения распознавания. Окончание загрузки ещё не означает готовность результата. После обрыва обработку запускают заново; уже обработанная длительность оплачивается и при отмене. Для авторизованного пользователя обработка ссылки сохраняет аудио, транскрипт и анализ в Моих записях, если выключен приватный режим. При загрузке файла сохраните готовый транскрипт через меню скачивания. Подробности подключения приведены в обзоре потокового распознавания.

Фразы и прослушивание

Расшифровка отображается единым списком карточек с таймкодами и спикером. В каждой карточке доступны полный текст и прослушивание. Если включён анализ эмоций, метка По звучанию, пиковый score участка и кнопка Открыть контекст появляются прямо в этих карточках. Отдельный список эмоциональных цитат не дублирует расшифровку. Без анализа эмоций используется то же оформление, без дополнительных меток. Эмоции определяются только по аудио; текст фразы помогает проверить контекст. В карточке показывается одна эмоциональная метка. Если фраза пересекает позитивный и негативный участки аудио, она получает метку Неоднозначно с пояснением. Единый процент для такой фразы не показывается; оценки каждого участка доступны через Открыть контекст. Пик и среднее относятся к участку анализа, который может быть шире самой фразы.

При включённом анализе дипфейка в той же карточке появляется оценка Дипфейк в процентах для всей фразы. Для пропущенной или ошибочной фразы показывается отсутствие оценки с причиной; оно не заменяется на 0%. Прослушивание остаётся общим для текста и обоих видов акустического анализа, без дублирования карточек.

Обычная файловая расшифровка с полными таймкодами слов отображается отдельными фразами. Интерфейс выделяет границы по паузам и ограничивает длину фразы, сохраняя исходный текст. Это работает и для ранее полученных результатов; повторное распознавание не требуется. Если разметка слов неполная или текст изменён так, что слова больше не совпадают, сохраняется исходная разбивка.

Нажмите Слушать под таймкодами фразы, чтобы проиграть только её интервал. На конце фразы плеер остановится; кнопка Стоп позволяет остановить его раньше. Прослушивание доступно в студии и в Моих записях, пока доступно исходное аудио. В панели Уточнить распознавание кнопка Слушать проигрывает интервал, заданный полями Начало и Конец. Карточки и поля показывают одинаковые границы с миллисекундами. Приблизительные таймкоды помечены ≈. Для AAC без контейнерного индекса, включая файлы с ошибочным расширением .m4a, браузер автоматически подготавливает M4A с точной длительностью и индексом для перемотки. Аудио не перекодируется и не отправляется для этого внешним сервисам. Подготовка работает и для файлов во вкладке, и для аудио из «Моих записей»; до её завершения прослушивание недоступно.

Аудиоотладчик: спорные фразы

В настройках русскоязычного распознавания включите Аудиоотладчик (выявление спорных фраз). После готовности основной расшифровки он проверяет всю запись тремя моделями: Yandex SpeechKit, ElevenLabs Scribe v2 и GigaAM v3 RNNT. Поддерживаются записи длительностью до 24 часов. Это дополнительные оплачиваемые запросы ASR; аудио передаётся Yandex и ElevenLabs. В приватном режиме требуется разрешение внешней обработки и локальный исходный файл.

Аудиоотладчик сравнивает варианты без LLM. Регистр и пунктуация не считаются расхождениями; поддерживаемые русские числительные приводятся к числовому виду, чтобы «пятнадцать тысяч» и «15000» не создавали ложного предупреждения. Разные суммы, числа и возможные имена или названия получают отдельные метки. Классификация названий использует эвристики и может пропускать имена или относить их к обычным спорным фразам.

Найденные блоки и соответствующие фразы транскрипта выделяются красным с подписью Требует проверки. В блоке видны варианты каждой модели и таймкод: можно прослушать участок или открыть Уточнить фрагмент. Приблизительные границы отмечены знаком ≈; проверьте их по аудио. Уточнение запускается отдельно и использует модель SpeechExpert Heavy. Сам аудиоотладчик не выбирает правильный вариант и не заменяет текст.

Если одна из моделей недоступна, сравнение продолжается по доступным результатам с предупреждением. Если для участка нет двух пригодных результатов, это неполная проверка. Отсутствие расхождений не гарантирует отсутствия ошибок: несколько ASR могут ошибиться одинаково.

API описан в контракте аудиоотладчика.

Повторное распознавание фрагмента моделью Heavy

В русском транскрипте нажмите Уточнить рядом с таймкодами нужной реплики. Проверьте начало и конец в открывшейся панели и нажмите Распознать точнее. Можно выбрать любой интервал через кнопку Уточнить фрагмент над транскриптом, в том числе когда у результата нет таймкодов. Границы вводятся в секундах или в формате ЧЧ:ММ:СС.ммм; максимальная длительность фрагмента — 2 минуты. При выборе реплики плеер перемещается к началу выбранного интервала без автоматического воспроизведения. Изменение границ также обновляет его позицию. Если реплика длиннее двух минут или выходит за длительность аудио, панель показывает предупреждение об ограничении диапазона. Исходный текст строки при этом приведён целиком; он может включать речь за пределами фрагмента.

Действие доступно и для готовых фраз в режиме Текст по мере обработки. Для загруженного файла исходник должен оставаться выбранным во вкладке; для записи из архива требуется сохранённое аудио. Если исходный файл уже недоступен, загрузите его заново. Большой файл передаётся серверу повторно, после чего сервер вырезает выбранный интервал и отправляет только его в Heavy. Когда выбран локальный файл, предпрослушивание и уточнение используют именно его, даже если доступен также ID ранее сохранённой записи. В запрос для совместимости добавляются до двух соседних фраз перед выбранным интервалом и до двух после него. Их можно раскрыть в панели Контекст для Heavy; при ручном изменении границ список пересчитывается. Текущая версия Heavy не использует соседний текст; аудио и результат ограничены выбранным интервалом.

Результат Heavy появляется в отдельной панели: его можно сравнить с исходной репликой и скопировать. Основной транскрипт и сохранённая запись не меняются. Если часть обработки недоступна, панель сохраняет полученный текст и показывает предупреждения о неполном результате. Повторное распознавание оплачивается отдельно по тарифу Heavy; перед запуском показана оценка стоимости с минимумом 15 секунд на запрос. В приватном режиме требуется разрешение внешней обработки, исходник берётся из локального файла.

Контракт API описан в распознавании фрагментов.

Живые субтитры

В основном кабинете выберите источник Живые субтитры, задайте Язык записи и нажмите Открыть. Доступны русский, английский, казахский, кыргызский, узбекский и таджикский; выбирать файловую модель не требуется. Предварительный текст обновляется по мере речи, завершённые фразы остаются на экране. На кыргызском итог фразы автоматически уточняется; следующий предварительный текст при этом сохраняется. На таджикском итог выдаётся без автоматической пунктуации и нормализации.

После остановки дождитесь оставшихся окончательных фраз, затем скопируйте или скачайте текст. Живой сеанс не создаёт сохранённую запись. Для готового файла используется отдельный режим с выбором файловой модели. Поддержка языков и параметры WebSocket и gRPC описаны в обзоре потока.

Фоновая операция: прогресс, отмена и восстановление

Веб-интерфейс отправляет распознавание через POST /api/stt/v1:recognizeAsync и автоматически обновляет состояние операции. Во время обработки показываются короткий идентификатор, статус, процент выполнения и текущий этап: очередь, загрузка или конвертация аудио, распознавание, коррекция текста, извлечение сущностей, саммаризация и финализация.

Кнопка Отменить вызывает POST /api/operations/{operation_id}:cancel и останавливает обработку. Для gemini-3.5-transcribe, ElevenLabs-Scribe-v2 и ElevenLabs-Scribe-v2-Medical отмена недоступна. Если операция была запущена над уже сохранённой записью, отмена не удаляет саму запись.

Активная неприватная задача сохраняется в localStorage браузера на срок до 24 часов. Идентификатор приватной операции намеренно не записывается в localStorage, хотя ещё активную задачу интерфейс может найти через серверный список операций. При повторном открытии страницы интерфейс находит доступную задачу, восстанавливает выбранные параметры и продолжает показывать прогресс либо сразу открывает готовый результат.

Полный исходный URL удалённого видео в localStorage не записывается. Доступ к самой операции всё равно проверяется сервером в рамках текущего пользователя.

Записать сейчас

Выберите Запись в верхнем переключателе источника. Разговор можно записать прямо в браузере; доступны три варианта захвата звука:

  • Микрофон — голос пользователя или звук с подключённого аудиоустройства;
  • Вкладка — звук выбранной вкладки браузера;
  • Оба — общий микс вкладки и микрофона.

Для записи вкладки в системном окне выбора нужно выбрать вкладку браузера и включить Поделиться аудио. Во время сеанса запись можно поставить на паузу, продолжить, отменить или остановить. Если включено Распознать после остановки, готовая дорожка сразу отправляется в текущий STT-сценарий с выбранными слева параметрами. Иначе её можно прослушать и запустить обработку вручную. На время записи параметры блокируются, чтобы итоговая обработка точно соответствовала показанным настройкам. Потоковая обработка длинного файла доступна в отдельном источнике Файл. Чтобы не переполнить память вкладки и оставить запас до лимита обычной загрузки, запись автоматически останавливается на 450 МБ.

Захват вкладки поддерживается браузерами на базе Chromium при работе через HTTPS. До остановки дорожка временно хранится в памяти браузера. При попытке закрыть, обновить или покинуть Playground интерфейс предупреждает о потере записи.

Пакетная загрузка

При выбранном источнике Файл одно поле принимает и одиночный файл, и пакет: нажмите Выбрать файлы или перетащите их в общую область. Один файл открывается для предпросмотра и распознавания; при выборе нескольких ниже появляется Очередь файлов. В пакет можно добавить до 20 аудио- или видеофайлов размером до 500 МБ каждый. Кнопка Добавить файлы пополняет текущую очередь. Если первый файл ещё не обработан, он переносится в пакет вместе с новыми; готовый транскрипт или уже запущенное распознавание остаются на месте. При запуске текущие язык, модель, режим каналов, диаризация, коррекция, извлечение сущностей, эмоциональная динамика, анализ дипфейка и формат отчёта фиксируются для всего пакета.

Исходники загружаются последовательно и сразу появляются в Моих записях. После этого одновременно выполняются не более двух операций распознавания; остальные ждут в очереди. Уже загруженные записи и серверные операции переживают обновление страницы. Для каждого файла отображаются передача, очередь, этап обработки и итоговый статус.

После обновления страницы новые задания остаются на паузе: активные операции продолжают отслеживаться, а для запуска оставшейся очереди нужно снова нажать Запустить пакет. Очередь хранится отдельно для каждого пользователя. Архивная загрузка и распознавание получают независимые идентификаторы запроса: повтор после обрыва возвращает ту же запись и ту же операцию, не создавая дубликаты.

Ожидающие файлы можно отменить, запуск новых — приостановить, а неудачную операцию — повторить без повторной передачи уже сохранённого исходника. Ошибка одного файла не останавливает остальные. Кнопка Убрать удаляет строку с ошибкой, готовый или отменённый элемент из очереди, в том числе если загрузка так и не подтвердилась. Убрать ошибки очищает все строки с ошибками, а Очистить завершённые — готовые и отменённые. Это не удаляет файлы из Моих записей; убранные строки не восстанавливаются после обновления страницы. Пакетный режим недоступен в приватном режиме; файлы больше 500 МБ следует обрабатывать по одному, включив Текст по мере обработки.

Повторное распознавание сохранённой записи

В разделе Мои записи кнопка Распознать открывает запись в STT-панели. Можно выбрать другую модель и параметры и нажать Распознать снова. В этом случае интерфейс передаёт recordingId в multipart-форме асинхронного метода; аудио повторно из браузера не загружается. Метод работает только для записи, принадлежащей текущему пользователю, и после успешного выполнения обновляет её STT-результат.

Диаризация и режим каналов

Диаризация и режим каналов находятся в разделе Параметры обработки обычного распознавания. Для потока этот раздел скрыт: звук обрабатывается в mono без разделения участников. В обычном режиме поведение зависит от выбранных параметров:

  • в mono можно включить диаризацию и задать maxSpeakers от 1 до 20 для поддерживающих её моделей;
  • в stereo переключатель неактивен с подсказкой «Для диаризации сведите каналы в mono», потому что физические каналы уже распознаются независимо;
  • для ElevenLabs Scribe v2 и Scribe v2 Medical в mono диаризация включается автоматически: интерфейс показывает Включена, спикеры определяются при распознавании без отдельной надбавки к тарифу; в режиме По каналам разделяются физические каналы;
  • для gemini-3.5-transcribe переключатель остаётся доступным, а число спикеров определяется автоматически. Модель поддерживает метки максимум для восьми спикеров без отдельной надбавки за диаризацию; при трёх и более спикерах точность разделения может быть ниже.

stereo следует выбирать только тогда, когда разные участники действительно записаны в разные каналы. Если оба канала содержат один общий микс, сервер проверяет корреляцию активных окон и автоматически сводит подтверждённый dual-mono в один трек. Настоящее раздельное stereo остаётся поканальным.

Метки спикеров ElevenLabs

Для обеих моделей ElevenLabs Scribe v2 поле utterances с метками спикеров может отсутствовать. Проверяйте его наличие в ответе перед обработкой.

Эмоциональная динамика

Перед запуском включите Анализ эмоций и график в основных настройках распознавания. Опция доступна только при lang=ru-RU при обработке записи целиком; потоковый режим и живые субтитры её не поддерживают. В раскрывающемся пункте Чувствительность к негативным эпизодам можно изменить порог. После обработки интерфейс показывает долю времени с негативным сигналом, пик, изменение сигнала к финалу, временную шкалу и устойчивые негативные, позитивные или неопределённые эпизоды. Пять исходных вероятностей DUSHA (angry, neutral, other, positive, sad) раскрываются по запросу и не подменяются одной категоричной меткой.

График охватывает всю запись, сохраняет короткие пики при сжатии и оставляет участки без анализа пустыми. Красные маркеры обозначают негативные моменты, зелёные — позитивные. Нажатие на маркер или любую точку графика перематывает плеер к выбранному таймкоду и подсвечивает ближайшую фразу. Для перехода с клавиатуры используйте ползунок под графиком: стрелки меняют позицию на секунду, Home/End переходят к началу/концу записи. Кнопка Слушать под графиком проигрывает выбранный эпизод или следующие 10 секунд после выбранной точки, до конца записи. Для дополнительных сведений об эпизоде нажмите Открыть контекст.

Кнопка Открыть контекст в карточке фразы показывает детали акустического сигнала и текст реплики; из неё можно прослушать фрагмент с десятью секундами до и после. Если фраза пересекает несколько участков анализа, в контексте перечислены их точные границы. Выберите участок, чтобы посмотреть его оценки и прослушать аудио с контекстом. Для неоднозначной фразы отдельный участок автоматически не выбирается: сначала доступны пояснение, границы участков и прослушивание самой фразы с контекстом.

Нажатие на окно или эпизод также перематывает плеер к start_ms, подсвечивает пересекающуюся реплику и показывает её текст/спикера, если такая атрибуция однозначна. В сохранённой записи панель строится из response.emotion_analysis, поэтому повторно запускать модель для просмотра не нужно. Кнопки JSON и CSV в заголовке панели выгружают полный emotion-контракт или плоский список эпизодов; если устойчивых эпизодов нет, CSV содержит окна.

Это вероятностный акустический слой для навигации по записи. other означает другую или неопределённую окраску, а uncertain — производное состояние слоя эмоциональной динамики при низкой уверенности или малом отрыве классов. Результат нельзя использовать как единственное основание для оценки человека или автоматического кадрового/финансового решения. Подробные формулы и API-контракт приведены в Emotion API и STT v1.

Вероятность дипфейка по фразам

Перед распознаванием файла, ссылки или записи включите Анализ дипфейка и график. По умолчанию флаг выключен. Он оформлен так же, как Приватный режим, и доступен независимо от анализа эмоций. Проверка работает локально в Triton на GPU; сама она не отправляет аудио внешнему AI и доступна в приватном режиме. У выбранной модели STT и остальных этапов сохраняются собственные правила внешней обработки.

В потоковой обработке файла или ссылки оценки появляются по готовности окончательных фраз: следующая фраза уже распознаётся, пока предыдущая проверяется. При пропуске или сбое её карточка показывает причину, а распознавание продолжается.

График показывает оценку для каждой целой фразы на её интервале времени. Паузы и фразы без оценки остаются пустыми; линия между ними не создаёт промежуточных вероятностей. Нажатие на маркер выделяет соответствующую карточку и перематывает плеер к её началу. В выбранной фразе под графиком доступны К фразе и Слушать; прослушивается целая фраза ровно по тем же таймкодам, что показаны в карточке. Стрелки переключают фразы графика, Home/End выбирают первую и последнюю.

Модель получает всю фразу одним запросом: без нарезки на окна, усреднения вероятностей окон, дополнения или обрезки. Если исходный общий сегмент можно разделить по полному совпадающему выравниванию слов, анализ использует ровно эти отображаемые фразы. Разбивка по спикерам, провайдеру или VAD сохраняется. При неполных таймкодах слов или изменившемся тексте границы не угадываются.

Технический диапазон составляет 400–480 000 отсчётов при 16 кГц (25 мс — 30 секунд). Фраза длиннее 30 секунд целиком остаётся без оценки; её начало не выдаётся за анализ всей фразы. Минимум 25 мс проверяет только возможность запуска модели и не гарантирует достаточно речи. Строки без реальных границ, с synthetic или неоднозначными смешанными оценочными таймкодами, пропускаются. По умолчанию проверяются до 2000 пригодных фраз одной записи, для остальных указывается достижение лимита.

При частичном результате сохраняются все полученные оценки, а в остальных карточках указана причина отсутствия результата. Сбой детектора не отменяет распознавание. При недоступном Triton после первой транспортной ошибки остальные пригодные фразы отмечаются как ошибочные без повторения RPC для каждой карточки.

В Моих записях график и карточки используют сохранённый response.deepfake_analysis; повторный запуск детектора для просмотра не нужен. Если исходное аудио удалено, оценки остаются видны, но прослушивание недоступно. Для старой записи без этого анализа можно включить флаг при повторном распознавании, пока исходное аудио доступно.

Процент — модельная вероятность класса синтетической речи, а не бинарный вывод о подделке или калиброванная вероятность мошенничества. Точность и порог для целых фраз переменной длины пока не измерены; улучшение относительно прежней оценки по окнам не подтверждено. Поля ответа, статусы и причины пропусков описаны в API анализа дипфейка.

Экспорт транскрипта

Меню Скачать находится в заголовке готового транскрипта. Файлы формируются в браузере из utterances, затем из segments, а при их отсутствии — из цельного result. Отдельные words не превращаются в субтитры автоматически. В JSON сохраняются слова с непустым текстом и полными числовыми границами start/end; неполные элементы отбрасываются.

Формат Содержимое Когда доступен
TXT Отображаемый текст; у размеченных реплик — с таймкодами и назначенными именами спикеров Для любого готового результата
SRT Нумерованные субтитры с миллисекундами и именами спикеров Когда у каждой непустой строки есть пригодные таймкоды, не помеченные synthetic или timing_estimated=true
VTT WebVTT с заголовком WEBVTT, таймкодами и именами спикеров На тех же условиях, что и SRT
JSON Версионированный документ с метаданными, репликами, словами, спикерами и сущностями Для любого готового результата

Пункты SRT и VTT отключены и показывают сообщение Нет таймкодов, если хотя бы у одной непустой строки нет начала или допустимого конца либо её тайминг явно помечен synthetic/timing_estimated=true. Отсутствие метки происхождения само по себе экспорт не блокирует. Для реплики с корректным началом, но без конца, конец берётся из начала следующей реплики или известной длительности записи.

Назначенные имена входят в TXT, SRT и VTT как подписи, например Оператор: Добрый день. В JSON они сохраняются в speakers[].name и utterances[].speaker_name.

JSON-схема экспорта

Текущая версия экспортного документа — 1.2. Основные поля:

{
  "schema_version": "1.2",
  "name": "call.wav",
  "duration_ms": 42000,
  "language": "ru-RU",
  "model": "SpeechExpert-STT-RU",
  "channel_mode": "stereo",
  "timing_source": "native-asr",
  "timing_estimated": false,
  "transcript": "Добрый день\nЗдравствуйте",
  "speakers": [
    {"id": 0, "name": "Оператор"},
    {"id": 1, "name": "Клиент"}
  ],
  "utterances": [],
  "words": [],
  "entities": [],
  "entity_extraction_status": "ready",
  "summarization": {
    "schema_version": "2.0",
    "id": "4a518cc8-4f70-470d-b868-40e39420fba5",
    "created_at": "2026-07-15T12:00:00+00:00",
    "preset": "conversation",
    "detail_level": "standard",
    "output_language": null,
    "title": "Итоги звонка",
    "summary": "Клиент подтвердил следующий шаг.",
    "key_points": ["Клиент согласовал демонстрацию"],
    "sections": [],
    "decisions": ["Провести демонстрацию"],
    "action_items": ["Оператор отправит приглашение"],
    "open_questions": [],
    "risks": [],
    "structured": {
      "key_points": [],
      "sections": [],
      "decisions": [
        {
          "text": "Провести демонстрацию",
          "confirmation": "confirmed",
          "sources": [
            {
              "ref": "S0004",
              "quote": "Давайте проведём демонстрацию завтра.",
              "start_ms": 18400,
              "end_ms": 20700,
              "speaker": 1,
              "speaker_name": "Клиент",
              "utterance_index": 3,
              "timing_estimated": false
            }
          ]
        }
      ],
      "action_items": [
        {
          "text": "Оператор отправит приглашение",
          "assignee": "Оператор",
          "due_date": "сегодня",
          "sources": [
            {
              "ref": "S0005",
              "quote": "Сегодня отправлю приглашение.",
              "start_ms": 21000,
              "end_ms": 22600,
              "speaker": 0,
              "speaker_name": "Оператор",
              "utterance_index": 4,
              "timing_estimated": false
            }
          ]
        }
      ],
      "open_questions": [],
      "risks": []
    }
  },
  "summarization_status": "ready"
}

У каждой реплики сохраняются index, speaker, speaker_name, start_ms, end_ms, text, timing_source и timing_estimated. Верхнеуровневый timing_source становится mixed, если источники таймкодов у реплик различаются. Если в Playground был выбран пресет саммаризации, JSON также содержит структурированный объект summarization и статус summarization_status; без выбранного пресета оба поля равны null.

После распознавания пресет и подробность можно выбрать или сменить прямо в готовом результате Playground и в разделе Мои записи. Встроены сценарии короткого резюме, конспекта, итогов разговора, задач, тем с таймкодами, лекции, продаж/CRM, контакт-центра, интервью, исследовательского отчёта с JTBD и глав подкаста. Интерфейс вызывает только POST /api/stt/v1:summarize: аудио повторно не распознаётся.

Новый отдельный результат — сводка, перевод, дайджест, учебный или рабочий набор, ответ по архиву — оплачивается по текстовому тарифу. До запуска интерфейс показывает ставки Google и резервного VseGPT, после завершения — списанные кредиты и обновлённый баланс. Один результат может потребовать несколько вызовов LLM. Встроенная сводка, выбранная непосредственно при распознавании, остаётся без отдельной доплаты.

Без отдельного выбора все заголовки, тезисы, задачи, вопросы и ответы создаются на преобладающем языке исходной речи. В Playground, готовом результате и окне дайджеста селектор Язык результата позволяет независимо выбрать русский, английский, казахский, кыргызский, узбекский или таджикский; запрос передаёт summarizationOutputLanguage при распознавании либо outputLanguage при повторной обработке. Выбранный locale распознавания остаётся подсказкой о языке источника и не меняется. Серверные цитаты, ссылки, таймкоды, имена и дословные фрагменты сохраняются в оригинале. Тот же контракт действует для собственных шаблонов, дайджестов и готовых наборов; функция Спросить архив по-прежнему отвечает на преобладающем языке выбранных записей.

В Моих записях отдельное действие Перевести транскрипт создаёт полный перевод, а не резюме. Перевод хранится как самостоятельный производный результат с версиями, показывает исходные реплики и переходит по их таймкодам, но не заменяет исходный текст. Временные границы переведённых слов не вычисляются: интерфейс использует только таймкоды исходных серверных фрагментов. API-контракт описан в разделе Перевод готового транскрипта.

Исследовательский отчёт можно применить к одной записи или к дайджесту из 2–20 интервью. Он отдельно показывает повторяющиеся темы, Jobs to be Done, возражения и выводы; каждый пункт содержит проверенные сервером ссылки на исходные реплики. В межзаписном отчёте тема считается повторяющейся только при подтверждении как минимум из двух разных интервью. Длинные дайджесты обрабатываются в два уровня: сначала сервер собирает доказательные наблюдения по каждой записи, затем сводит их в общий отчёт. Финальный этап видит только реально отобранные исходные реплики и не использует этот набор для расчёта процентов или «большинства».

Отдельные готовые наборы Voice Inbox, Учебный набор и Creator Pack создаются через POST /api/stt/v1:derive; центр поручений использует тот же метод с kind=action_center. Они хранят собственные версии, а подтверждение, исправление или отклонение задачи записывается отдельно от неизменяемого ответа модели. Кнопка Спросить архив ищет по сохранённым расшифровкам и показывает только тезисы с переходом к записи, таймкоду и подтверждающей цитате.

Раздел Исследование аудио в боковом меню открывает анализ звучания. Вкладка Creator Pack · материалы этого раздела позволяет выбрать сохранённую запись с готовой расшифровкой, настроить подробность и язык материалов, создать набор и просмотреть его версии. Новый файл или ссылку YouTube можно добавить прямо в исследовании; аудио сохраняется без распознавания. Для текстового набора Creator Pack по-прежнему нужна готовая расшифровка. Набор создаётся только по явному нажатию; удалённое аудио не мешает работе, если текст сохранён. Creator Pack использует расшифровку, а Исследование аудио — звучание выбранного фрагмента.

В строке сервисов рядом с Распознаванием, Синтезом и Примерами API есть Исследование аудио. Переключение между этими входами сохраняет выбранный раздел в URL.

Исследование аудио

Пошаговая инструкция, все пресеты, примеры вопросов о естественности озвучки и совместная работа с акустическими графиками описаны в руководстве по акустике речи и исследованию аудио.

Режим Исследование аудио отправляет Google выбранный фрагмент сохранённого аудио, включая записи TTS и файлы без расшифровки. Доступны 12 пресетов: общее описание, шёпот/VAD, пропуски ASR, голосовые роли, реакции зала, интонация и смысл, напряжённость подачи, качество записи, проверка озвучивания, произношение и ударение, смешение языков и сигналы синтетической речи.

  1. Добавьте Новый файл, укажите Ссылку или выберите источник в Моих записях. Добавление сохраняет аудио в архиве без запуска распознавания или платного анализа. Источник должен содержать не менее 20 секунд аудио.
  2. Выберите фрагмент длиной 20–120 секунд; по умолчанию — первые 75 секунд либо вся запись, если она короче.
  3. Выберите пресет, режим Только аудио или Аудио и сохранённые результаты, при необходимости уточните исследовательский вопрос.
  4. Нажмите Запустить исследование. Стоимость выбранного фрагмента видна на кнопке до запуска. Сервер автоматически проверяет запись, формирует запрос и отправляет аудио на анализ. Списание ограничено показанной суммой.

Промпт и использованные данные можно посмотреть и скачать в параметрах готового результата; отдельного этапа подготовки в интерфейсе нет. Сохранённое исследование показывается перед настройками нового запуска. Выбранный источник сохраняется в URL, а пресет и вопрос — в этой вкладке браузера.

Модель анализа аудио получает WAV PCM16, моно, 16 кГц первым блоком сообщения, а промпт и наблюдения — вторым. Интонация и реакция аудитории оцениваются по переданному фрагменту. Сохранённые ASR, VAD, диаризация, эмоции и per-phrase детектор синтеза добавляются только при наличии данных для этого интервала. Новые ASR и классификаторы автоматически не запускаются. Отсутствующее наблюдение не заменяется нулём; текст и оценки вне фрагмента не передаются.

Ответ содержит описание, наблюдения с относительными таймкодами, гипотезы с предложением проверки, идеи Shorts и ограничения. В истории доступны последние 50 запусков выбранной записи. Сервер сохраняет пресет, диапазон, режим данных, промпт, модель, хеши аудио/промпта, использованные наблюдения и квитанцию оплаты. JSON результата и контекст запроса можно скачать. Нажатие таймкода открывает исходную запись в соответствующей позиции. Монтаж MP4 этот режим не выполняет.

Тариф сервиса по умолчанию — 75 кредитов за минуту аудио, с округлением длительности вверх до целой секунды. Это отдельный фиксированный тариф сервиса, а не текстовая токенизация и не фактический счёт Google. Средства резервируются до обращения к модели; результат и списание сохраняются одной транзакцией. При ошибке резерв возвращается, успешный ответ автоматически не перегенерируется.

Portal-session API:

Метод Путь Назначение
GET /api/creator-research/presets Пресеты, доступность и тариф
POST /api/creator-research/sources Добавление файла или ссылки без STT и LLM
POST /api/creator-research/preview Проверка источника и точный запрос без LLM
POST /api/creator-research/analyze Платный анализ и сохранение версии
GET /api/creator-research/recordings/{id}/results История только своей записи

/sources принимает multipart с audio или videoUrl, обязательным UUID requestId и необязательным name. Повтор запроса с тем же requestId возвращает уже сохранённую запись без дублирования. Длительность определяется сервером; в ответе — обычная запись архива с duration_ms и media_url.

Пресет «Качество синтезированной речи · A/B» (tts_ab_quality) сравнивает два отдельных аудиофайла на любом языке. Укажите pair_id, общий исходный текст и при необходимости язык, диалект или регистр. Каждый вариант прослушивается целиком; допускаются короткие фразы, предел — 120 секунд на файл. Стоимость рассчитывается по сумме длительностей A и B с общим округлением до секунды. Сохранённые расшифровки, классификаторы и имена провайдеров в запрос не входят. Оценки 1–5 субъективны; null означает недостаток свидетельств. Ответ и экспорт содержат clips A/B, предпочтение и пояснения на русском; услышанный текст сохраняется на исходном языке. Это не измеренный MOS и не экспертная сертификация.

Для импорта каждого варианта передайте /sources поле presetId=tts_ab_quality и отдельный requestId. В /analyze укажите recordingId для A, comparisonRecordingId для B, startMs=0, полные длительности в endMs и comparisonEndMs, pairId, targetText, необязательное speechContext и evidenceMode=none. Результат хранится в истории записи A; времена ошибок отсчитываются от начала соответствующего файла A или B.

/preview и /analyze принимают recordingId, presetId, startMs, endMs, evidenceMode (none или stored) и instructions (до 4000 символов). При анализе maxCredits задаёт верхнюю границу списания из предварительного расчёта. Удалённое аудио возвращает 410; таймкоды вне записи или недопустимая длина отклоняются до запроса к модели. Один аккаунт может выполнять один анализ одновременно; подготовка аудио ограничена двумя задачами на процесс API.

Для содержательной long-form записи расширенный Creator Pack возвращает тезисы, главы, кандидаты фрагментов, готовую к редактированию статью, show notes, описание видео, рассылку и публикации для social, Telegram и VK. Текст статьи сохраняет абзацы. Субтитры SRT/VTT экспортируются из исходного транскрипта, когда у него есть тайминги. Разбор, статья и публикации генерируются отдельными структурированными этапами и собираются сервером в один проверенный пакет. Короткая запись или пользовательский шаблон могут вернуть полезный частичный пакет; интерфейс помечает такой результат отдельно.

У сохранённой записи каждый успешный запуск добавляется в историю. Текущая версия остаётся в response.summarization для совместимости, а переключение версии не запускает LLM. Источники внутри structured ведут к точной реплике и позиции проигрывателя; таймкод и цитата берутся сервером из STT-ответа, а не из текста модели. Решения помечаются как подтверждённые, предложенные, отклонённые или неясные; у задач отдельно показываются явно названные исполнитель и срок. Ошибка LLM не удаляет уже имеющуюся саммаризацию.

В приватном режиме новый результат остаётся только в открытой вкладке: запись не создаётся и не обновляется, идентификатор операции не сохраняется в localStorage, а Playground очищает серверное содержимое вызовом :purge после копирования результата. Резервный deadline по умолчанию равен 15 минутам от запуска операции и проверяется сервером раз в минуту. Без отдельного согласия отключаются внешние LLM-функции и внешние STT-модели gemini-3.5-transcribe, ElevenLabs-Scribe-v2 и ElevenLabs-Scribe-v2-Medical. Для обычной сохранённой записи аудио можно удалить отдельно, оставив транскрипт и все производные результаты. Живые субтитры из микрофона работают через WebSocket и также не сохраняются автоматически.

Настройки следующего запуска не изменяют язык, модель и признаки обработки уже готового результата. Включение приватного режима после обычного распознавания не удаляет ранее сохранённую запись. Приватный результат остаётся несохраняемым и требует согласия на внешнюю обработку текста даже после изменения настроек следующего запуска.

В разделе Мои записи также доступны собственные шаблоны и дайджест 2–20 записей. Шаблон задаёт фокус поверх встроенного сценария и сохраняется с номером ревизии. В дайджесте источник дополнительно указывает запись, из которой взят факт. API-контракты истории, шаблонов и дайджестов описаны в разделе Саммаризация STT v1.

Экспорт выполняется на клиенте

Отдельных HTTP-методов для SRT, VTT и JSON сейчас нет. API-клиент получает структурированный STT-ответ и при необходимости формирует нужный формат самостоятельно.

Переименование спикеров

Блок Участники появляется, когда результат содержит реплики с полем speaker. Для каждого исходного идентификатора SPK N можно задать имя длиной до 80 символов. Лишние пробелы нормализуются.

  • Enter или потеря фокуса применяют имя;
  • Escape отменяет несохранённое изменение;
  • пустое значение возвращает подпись Спикер N;
  • новое имя сразу применяется ко всем репликам, экспортам и подписям спикеров у найденных сущностей.

Для сохранённой записи интерфейс записывает словарь в response.speaker_names и одновременно обновляет текстовое представление через PATCH /api/account/recordings/{recording_id}. Этот метод требует сессию портала. У ещё не сохранённого результата имя меняется локально; интерфейс предупреждает, что для постоянного хранения нужно сохранить запись.

При самостоятельном PATCH передавайте полный пользовательский вариант response, а не только speaker_names. Сервер при этом сохраняет принадлежащие ему поля активной саммаризации (summarization и summarization_status): их нельзя подменить или стереть общим методом обновления записи. Специального публичного STT-метода для переименования спикера сейчас нет.

Именованные сущности

В веб-интерфейсе извлечение сущностей по умолчанию отключено. Для прямого вызова STT v1 оно также включается явно параметром entityExtraction=true; значение можно передать в query string или multipart-форме:

curl -X POST \
  "https://api.speech.example.com/api/stt/v1:recognizeAsync?llmCorrection=true&entityExtraction=true" \
  -H "Authorization: Api-Key $API_KEY" \
  -F "audio=@call.wav"

Параметр поддерживается синхронным POST /api/stt/v1 и асинхронным POST /api/stt/v1:recognizeAsync. По умолчанию в API он равен false.

Сервис извлекает только явно присутствующие в тексте упоминания следующих типов:

person, organization, location, product, event, date, time, money, phone, email, url, address, document, identifier.

Ответ содержит сгруппированные сущности и каждое точное упоминание:

{
  "entities": [
    {
      "id": "organization:1",
      "type": "organization",
      "text": "Acme",
      "normalized": "ACME",
      "occurrences": [
        {
          "utterance_index": 0,
          "mention": "Acme",
          "char_start": 0,
          "char_end": 4,
          "speaker": 0,
          "start_ms": 1200,
          "end_ms": 3100
        }
      ]
    }
  ],
  "entity_extraction_status": "ready"
}

char_start включителен, char_end исключителен. Это позиции Unicode-символов в тексте соответствующей реплики. Сервер вычисляет их только для точного вхождения mention и отклоняет упоминания, которых нет в исходном сегменте. Варианты написания с одинаковыми типом и нормализованным значением объединяются в одну сущность.

Статусы извлечения

Статус Значение
ready Все части транскрипта обработаны и прошли проверку
partial Сохранены валидные сущности, но часть результата была отклонена либо достигнут лимит
failed Извлечение не удалось; сам транскрипт всё равно возвращён
unavailable Извлечение временно недоступно; транскрипт возвращён без сущностей

Ошибка извлечения сущностей не отменяет успешно распознанный транскрипт.

Переход к упоминанию

Панель Сущности и реквизиты группирует результаты по типам. Кнопка упоминания показывает таймкод, номер реплики или подпись текст — в зависимости от доступных данных. При нажатии интерфейс:

  1. плавно прокручивает транскрипт к нужной реплике;
  2. выделяет точный диапазон char_start:char_end;
  3. переводит позицию аудио- или видеоплеера на start_ms, если он известен.

Позиции обрабатываются как Unicode code points, поэтому выделение остаётся корректным и при наличии emoji перед сущностью. Переход меняет позицию проигрывателя, но не запускает воспроизведение автоматически.

Схемы исходного STT-ответа и таймстемпов описаны в разделе Синхронное распознавание, а получение фоновой операции — в Операциях. Полный CRUD сохранённых файлов и транскриптов описан в API записей.