Расшифровка

Настройки → Расшифровка задают, как звук становится текстом: на каком языке и каким распознавателем.

Разговор расшифровывается, когда вы просите об этом в окне записей, — или сам, если вы включили обработку в разделе «Обработка». Расшифровать по запросу можно в окне записей, а автоматически — если включено Обрабатывать разговоры автоматически в Обработке. Распознаватель на своей машине не стоит ничего; облачный берёт плату за минуту звука.

Язык

Язык — двухбуквенный код языка по ISO 639-1 (ru, en, uk, kk, de…). Оставьте поле пустым — язык определит распознаватель; это правильно, если только ваши звонки не идут на языке, который он постоянно слышит неправильно. Если почти все разговоры на русском, укажите ru.

Распознаватели

Распознаватель — сервис распознавания речи, которому телефон отправляет звук. Кнопка Добавить добавляет распознаватель, кнопка Проверить в форме проверяет, что сервис действительно отвечает. Каждый распознаватель показан с названием, а под ним — модель и адрес сервиса. На картинке их пять:

Название	Модель	Адрес
Yandex SpeechKit	`general`	`https://stt.api.cloud.yandex.net`
X.ai	(пусто: модель сервиса по умолчанию)	`https://api.x.ai/v1`
ElevenLabs	`scribe_v2`	`https://api.elevenlabs.io/v1`
Deepgram	`nova-2`	`https://api.deepgram.com/v1`
OpenAI	`gpt-4o-transcribe`	`https://api.openai.com/v1/`

Распознаватель с пометкой основной справа в строке (на картинке — Yandex SpeechKit) используется, когда вы не выбрали другой. Можно держать несколько. Выпадающий список над расшифровкой в окне записей перечисляет расшифровки, сделанные каждым распознавателем.

Модель можно оставить пустой — тогда сервис использует свою модель по умолчанию.

Виды распознавателей

Поле Вид в форме распознавателя выбирает, с каким сервисом он говорит:

Вид	Для чего
Совместимый с OpenAI (Whisper, OpenAI)	OpenAI и любой сервер с интерфейсом OpenAI — в том числе собственные модели. Вид по умолчанию.
Deepgram	Облачный сервис Deepgram.
ElevenLabs (Scribe)	Облачный сервис ElevenLabs.
Speechmatics	Облачный сервис Speechmatics.
xAI (Grok)	Облачный сервис X.ai.
Yandex SpeechKit	Распознавание речи Яндекс Облака. Есть в списке, только когда страна — Россия или соседняя страна; см. ниже.

Форма распознавателя

Поле	Что это
Название	Как распознаватель показан в списке и над расшифровками.
Вид	Сервис; см. таблицу выше. При выборе вида подставляются его адрес и модель по умолчанию.
Адрес	Адрес сервиса (Например: http://127.0.0.1:8000/v1).
Проверить	Спрашивает сервис и пишет ответ: Ответил и предлагает N моделей, Ответил. Список моделей не выдаёт — впишите название, Ответил. Модели у этого распознавателя нет — выбирать нечего, Никто не ответил или Отказ: … с причиной.
Модель	Модель сервиса. После Проверить список заполняется моделями, которые сервис назвал.
Ключ	API-ключ сервиса. Хранится в хранилище ключей этого компьютера, а не в файле настроек.
Использовать по умолчанию	Делает распознаватель основным.
Включён	Выключенный распознаватель остаётся в списке, но не используется.
Дополнительные настройки	Редкие настройки; у каждого вида свои. Для Yandex SpeechKit они описаны ниже.

Yandex SpeechKit

Yandex SpeechKit — распознавание речи Яндекс Облака. Он хорошо понимает русскую речь, в том числе телефонную, звук и текст обрабатываются в Яндекс Облаке, а платить можно в рублях. Для компании в России это обычно самый простой распознаватель: не нужен ни зарубежный счёт, ни собственный сервер с видеокартой.

SpeechKit появляется в списке Вид, когда в Настройки → О программе → Страна выбрана Россия (а также Беларусь, Казахстан, Узбекистан, Кыргызстан, Таджикистан, Туркменистан, Армения или Азербайджан). При другой стране этого вида в списке нет; уже добавленный распознаватель продолжает работать.

Что нужно в Яндекс Облаке

Платёжный аккаунт и каталог в консоли Яндекс Облака.
Сервисный аккаунт в этом каталоге с ролью ai.speechkit-stt.user. Если тот же аккаунт будет работать и с YandexGPT, добавьте ему роль ai.languageModels.user — тогда хватит одного ключа на обоих.
API-ключ этого сервисного аккаунта. Он показывается один раз — сразу вставьте его в поле Ключ.

Подробности — в документации Яндекс Облака: аутентификация в SpeechKit и асинхронное распознавание.

Добавление SpeechKit

Убедитесь, что в О программе выбрана страна Россия.
Настройки → Расшифровка → Добавить.
В поле Вид выберите Yandex SpeechKit. Адрес https://stt.api.cloud.yandex.net и модель general подставятся сами.
Вставьте API-ключ в поле Ключ.
Нажмите Проверить, затем Сохранить. Отметьте Использовать по умолчанию, если SpeechKit должен расшифровывать все разговоры.

Сделайте пробную запись и откройте её в окне записей: над расшифровкой появится ★ Yandex SpeechKit.

Как SpeechKit расшифровывает

Телефон пользуется асинхронным распознаванием SpeechKit (API v3): отправляет запись целиком, получает номер операции и спрашивает Адрес операций, пока распознавание не закончится. Поэтому длинный разговор расшифровывается минуты, а не секунды, — полоска над списком записей показывает, что сейчас в работе. Звонок записан в два канала, так что в расшифровке видно, где говорили вы, а где собеседник.

Модели SpeechKit

Модель	Что это
`general`	Основная модель распознавания. Подходит для звонков и встреч. Подставляется по умолчанию.
`general:rc`	Следующая версия модели до её выпуска (release candidate): иногда точнее, но может меняться.
`general:deprecated`	Предыдущая версия модели — на случай, если новая распознаёт ваши разговоры хуже.
`deferred-general`	Отложенное распознавание: результат приходит позже, зато дешевле. Подходит, если расшифровка не нужна срочно.

Актуальный список моделей и языков — в документации SpeechKit.

Дополнительные настройки SpeechKit

Дополнительные настройки внизу формы раскрывают редкие поля. Обычно их не трогают.

Поле	По умолчанию	Что это
Регион	пусто	Регион облака, если ваша установка Яндекс Облака его требует.
Каталог	пусто	Нужен только для IAM-токена личного аккаунта: такой аккаунт не принадлежит каталогу. API-ключ сервисного аккаунта уже знает свой каталог, так что поле можно оставить пустым.
Писать числа цифрами	вкл.	Суммы, даты и номера телефонов приходят записанными цифрами, а не прописанными словами, как их произнесли. Выключите, чтобы каждое слово осталось таким, каким его сказали.
Предел отправки	45000000	Самый большой файл, который телефон отправит, в байтах (около 45 МБ). Запись больше этого отклоняется до отправки, а не после неё.
Предел длины	14400	Самая длинная запись, которую телефон отправит, в секундах (4 часа). Ноль — нашего предела нет, действует предел провайдера.
Запросов сразу	2	Сколько распознаваний телефон держит выполняющимися одновременно.
Адрес операций	`https://operation.api.cloud.yandex.net`	Адрес, где спрашивают о переданном распознавании, пока оно не закончится. Адрес самого Яндекса, если у вашей установки нет другого.
Дополнительно	пусто	Параметры вида `имя = значение`, по одному в строке, — передаются распознавателю как есть. Оставьте пустым, если сервис ничего такого не требует.
Ожидание	пусто	Сколько минут ждать результата. Пусто — ожидание считается по длительности каждой записи, и почти всем стоит оставить так.

подсказка

Если поле Ключ заполнено API-ключом сервисного аккаунта, Каталог и Регион можно не заполнять — SpeechKit сам знает, к какому каталогу относится ключ.

Какую модель выбрать

В таблице — модели распознавания речи сервисов, которые можно подключить. Жирным выделены модели, настроенные на картинке. У распознавателя X.ai модель пустая, поэтому используется модель сервиса по умолчанию — grok-voice-transcribe-2.0.

Сервис и адрес	Модель	Для чего
Yandex SpeechKit `https://stt.api.cloud.yandex.net`	`general`	Основная модель; хорошо знает русскую речь. Доступна при стране Россия.
	`general:rc`	Следующая версия модели до выпуска.
	`deferred-general`	Отложенное, более дешёвое распознавание.
OpenAI `https://api.openai.com/v1`	`gpt-transcribe`	Модель, которую OpenAI рекомендует для записанной речи на языке оригинала.
	`gpt-4o-transcribe`	Расшифровка общего назначения.
	`gpt-4o-mini-transcribe`	Облегчённый и более дешёвый вариант предыдущей.
	`gpt-4o-transcribe-diarize`	Размечает, кто когда говорит. Берите, только если это нужно.
	`whisper-1`	Старая модель Whisper — для особых задач вроде меток времени по словам и субтитров.
ElevenLabs `https://api.elevenlabs.io/v1`	`scribe_v2`	Расшифровка общего назначения на 90+ языках, с разделением говорящих.
	`scribe_v2_medical`	То же, настроено на медицинскую речь.
	`scribe_v1`	Первое поколение; устарело, используйте `scribe_v2`.
Deepgram `https://api.deepgram.com/v1`	`nova-3`	Лучшая модель Deepgram общего назначения — для встреч, шумной и многоязычной речи.
	`nova-2`	Предыдущее поколение; оставьте её для языков, которых `nova-3` ещё не знает.
	`enhanced`	Старый уровень с меньшим числом ошибок, чем `base`.
	`base`	Самый старый уровень, для больших объёмов.
	`whisper`	Whisper, запущенный у Deepgram.
X.ai `https://api.x.ai/v1`	`grok-voice-transcribe-2.0`	Модель по умолчанию; 25 языков.
	`grok-voice-transcribe-1.0`	Устарела: сервис переадресует её на `2.0`.

Что стоит знать до выбора:

Где обрабатываются данные. Yandex SpeechKit работает в Яндекс Облаке; OpenAI, ElevenLabs, Deepgram и X.ai — за рубежом. Если звук не должен покидать страну или вашу сеть, берите SpeechKit или собственную модель.
Размер файла. OpenAI принимает файлы до 25 МБ, X.ai — до 500 МБ; для SpeechKit предел задаётся в его дополнительных настройках. Длинный разговор может оказаться больше, чем принимает облачный сервис.
Цена. Облачные сервисы берут плату за минуту звука, тарифы зависят от модели и меняются; смотрите их на странице сервиса, прежде чем переключаться.
Языки. У каждого сервиса свой список; проверьте свой и укажите код Языка, если распознаватель угадывает неверно.
Модели реального времени, например scribe_v2_realtime или flux у Deepgram, сделаны для живых потоков и в таблицу не входят: телефон расшифровывает готовые записи.

Список моделей сервисов меняется часто. Если нужной модели здесь нет, актуальный список — в документации сервиса: Yandex SpeechKit, OpenAI, ElevenLabs, Deepgram, X.ai; Модель — это название ровно так, как его даёт сервис.

Собственные модели

Распознаватель не обязан быть облачным сервисом. Телефон может использовать любую модель, доступную через API, совместимый с OpenAI, — интерфейс POST /v1/audio/transcriptions, — будь то на вашем компьютере или на собственном сервере. Звук не покидает ваших помещений, поминутной оплаты нет, ограничений на объём тоже.

Чтобы добавить такую модель, нажмите Добавить, оставьте вид Совместимый с OpenAI (Whisper, OpenAI) и укажите:

адрес сервера, вплоть до /v1 включительно, например http://localhost:8000/v1 для самого компьютера или http://asr.local:8080/v1 для сервера в вашей сети;
название модели ровно так, как его перечисляет сервер, например openai/whisper-large-v3-turbo.

Что можно использовать

Обычный выбор — Whisper, открытая модель распознавания речи от OpenAI. Она бесплатна, понимает около сотни языков, включая русский, и бывает нескольких размеров: маленькая модель работает на обычном компьютере, большие заметно точнее, и им лучше дать видеокарту.

Модель	Примечания
`whisper-large-v3`	Самый точный Whisper. Для сервера с GPU.
`openai/whisper-large-v3-turbo`	Более быстрая версия `large-v3` с небольшой потерей точности.
`Systran/faster-whisper-large-v3`	`large-v3`, переведённая на движок faster-whisper: быстрее и экономнее к памяти.
`medium`, `small`, `base`	Меньшие модели Whisper, для компьютера без видеокарты.

Вокруг Whisper и построены эти серверы. Некоторые из них умеют обслуживать и другие модели распознавания речи, например NVIDIA Parakeet.

Серверы с API, совместимым с OpenAI

Модель должен запускать сервер, у которого есть совместимая с OpenAI точка /v1/audio/transcriptions. Она есть у этих:

Сервер	Что это
vLLM	Высокопроизводительный сервер моделей. После запуска обслуживает Whisper по адресу `http://localhost:8000/v1`.
Speaches	Сервер речевых моделей, «Ollama для речи», на основе faster-whisper. Загружает модель при первом обращении.
whisper.cpp	Эффективно запускает Whisper на процессоре, в том числе на Apple silicon. Его `whisper-server` запускается с `--inference-path /v1/audio/transcriptions`.
LocalAI	Замена OpenAI, которая запускает модели локально.

Любой другой сервер с той же точкой работает так же. Если серверу нужен ключ, введите его, как для облачного сервиса.

Прежде чем полагаться на сервер, сделайте пробную запись и посмотрите расшифровку в окне записей: разговор на языке, который модель знает плохо, видно сразу.

Язык​

Распознаватели​

Виды распознавателей​

Форма распознавателя​

Yandex SpeechKit​

Что нужно в Яндекс Облаке​

Добавление SpeechKit​

Как SpeechKit расшифровывает​

Модели SpeechKit​

Дополнительные настройки SpeechKit​

Какую модель выбрать​

Собственные модели​

Что можно использовать​

Серверы с API, совместимым с OpenAI​