Перейти к основному содержимому

Расшифровка

Настройки → Расшифровка — это список распознавателей: сервисов, которые превращают звук в текст, — для законченных разговоров и, для суфлёра, прямо во время разговора.

Разговор расшифровывается, когда вы просите об этом в окне записей, или сам, если в Обработке включено Обрабатывать разговоры автоматически. Распознаватель на своей машине не стоит ничего; облачный берёт плату за минуту звука.

Распознаватели​

Распознаватель — это сервис распознавания речи, которому телефон отправляет звук. Кнопка Добавить добавляет новый; кнопка Проверить в его карточке проверяет, что сервис действительно отвечает. В списке у каждого показано название, а под ним — модель и адрес сервиса. В таблице — все виды сервисов, которые поддерживает телефон, так, как их предлагает Вид в карточке, с адресом и моделями, которые получает новый распознаватель этого вида; последний столбец показывает шесть распознавателей, настроенных на картинке:

ВидАдрес для стенограммАдрес для суфлёраМодельНа картинке
Yandex SpeechKithttps://stt.api.cloud.yandex.nethttps://stt.api.cloud.yandex.net:443generalYandex SpeechKit · general
Совместимый с OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, вживую gpt-live-transcribeOpenAI · gpt-4o-transcribe
Deepgramhttps://api.deepgram.com/v1wss://api.deepgram.comnova-3Deepgram · nova-2
ElevenLabs (Scribe)https://api.elevenlabs.io/v1wss://api.elevenlabs.ioscribe_v1, вживую scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, для региона — eu., us. или au. вместо global.enhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(пусто: модель сервиса по умолчанию), вживую grok-voice-transcribe-2.0X.ai · вживую grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(пусто: модель сервиса по умолчанию), вживую stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(пусто: модель сервиса по умолчанию)—
Vosk (на вашей машине)ваш сервер, например ws://localhost:2700(тот же сервер)(задаётся на сервере)Vosk · ws://localhost:2700
WhisperLive (на вашей машине)ваш сервер, например ws://localhost:9090(тот же сервер)вживую small—
NVIDIA Riva (на вашей машине)ваш сервер, например localhost:50051(тот же сервер)(задаётся на сервере)—

В поле Адрес для суфлёра обычно адрес WebSocket: wss:// для облачного сервиса, ws:// для сервера в вашей сети. У Yandex SpeechKit это https://stt.api.cloud.yandex.net:443, у NVIDIA Riva — адрес вида хост:порт.

Два значка справа в строке показывают, для чего распознаватель выбран по умолчанию. Часы горят у основного для расшифровок — на картинке это Yandex SpeechKit: он используется, когда вы не выбрали другой. Молния горит у основного для суфлёра — на картинке это Vosk. Распознавателей можно держать несколько; выпадающий список над расшифровкой в окне записей показывает расшифровки, сделанные каждым из них.

Карточка распознавателя​

Нажатие на распознаватель открывает его карточку.

ПолеЧто это
НазваниеИмя в списках.
ВидВид сервиса — от него зависит, как телефон с ним разговаривает: Совместимый с OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics и три вида, которые работают на вашей машине, — Vosk, WhisperLive и NVIDIA Riva. Yandex SpeechKit предлагается, когда в О программе выбрана Россия или одна из соседних стран.
Адрес для стенограммКуда отправляются законченные разговоры.
Адрес для суфлёраКуда идёт живой звук, пока разговор идёт. Обычно это адрес WebSocket: wss:// для облачного сервиса, как wss://api.x.ai на картинке, ws:// для сервера в вашей сети. Пусто — берётся из адреса рядом.
КлючКлюч сервиса. Хранится в хранилище ключей этого компьютера, а не в файле настроек.
ПроверитьСпрашивает сервис и сообщает, что он ответил, например Ответил и предлагает 3 модели.
Модель для стенограмм и Модель для суфлёраМодель — ровно так, как её называет сервис. Пусто — имя модели не передаётся, и сервис берёт свою модель по умолчанию; если поставщик её публикует, карточка её называет. Для вида, у которого выбора нет, поле не показывается. На картинке у xAI нет поля Модель для стенограмм, а в поле Модель для суфлёра задана grok-voice-transcribe-2.0.
По умолчанию для расшифровокДелает этот распознаватель тем, который используется, когда вы не выбрали другой.
По умолчанию для суфлёраДелает этот распознаватель тем, которым слушает новый помощник суфлёра.
ВключёнВыключенный распознаватель остаётся в списке, но не используется.

Дополнительные настройки раскрывают остальную часть карточки. Самое важное в них:

ПолеЧто делает
РегионРегион сервиса, если у него их несколько.
Отправлять стороны раздельноЗвонок записывается так, что два собеседника лежат в двух каналах, — именно по этому распознаватель понимает, кто что сказал. Выключите для сервера, который заявляет, что умеет это, а на деле не умеет.
Спрашивать, кто говоритРазличает людей внутри одного канала, если в нём говорят несколько человек.
Писать числа цифрамиСуммы, даты и номера телефонов приходят записанными цифрами, а не прописанными словами.
Предел отправки, Предел длиныСамый большой файл в байтах и самая длинная запись в секундах, которые отправит телефон.
Запросов сразуСколько запросов может выполняться одновременно.
Завершать реплику через, Склеивать короткие реплики в пределах, Пауза между репликамиДля суфлёра: сколько времени без новых слов завершает реплику, сколько короткая реплика ждёт следующую, чтобы склеиться с ней, и какая тишина завершает очередь говорящего, если распознаватель сам её не отмечает. В миллисекундах.
ЯзыкДвухбуквенный код языка по ISO 639-1 (en, de, es, fr, sr…). Оставьте пустым — распознаватель решит сам; это правильно, если только ваши разговоры не идут на языке, который он постоянно путает.
ДополнительноПараметры вида имя = значение, по одному в строке, — передаются сервису как есть. Оставьте пустым, если сервер ничего такого не описывает.
Ожидание, минутыСколько ждать расшифровку. Пусто — ожидание считается по длительности записи.
Цена за минутуСколько стоит минута живого звука — из прайс-листа сервиса. Суфлёр показывает, во сколько обошёлся сеанс, и останавливается на своём месячном лимите.

Живое распознавание для суфлёра​

Суфлёру нужен распознаватель, который слушает, пока человек говорит, — потоком, а не готовым файлом. Это умеют такие виды: Deepgram, ElevenLabs (Scribe), xAI (Grok), Совместимый с OpenAI (с живой расшифровкой OpenAI), AssemblyAI, Soniox и Speechmatics в облаке, Yandex SpeechKit там, где он предлагается, и Vosk, WhisperLive и NVIDIA Riva на вашей машине. Распознаватель на своей машине оставляет голос собеседника внутри и ничего не стоит.

Чтобы им воспользоваться, откройте его карточку, проверьте поле Адрес для суфлёра — обычно это адрес WebSocket, например wss://api.x.ai для X.ai, wss://api.deepgram.com для Deepgram или ws://localhost:2700 для Vosk; пустое поле вычисляется из поля Адрес для стенограмм. Затем выберите Модель для суфлёра: живые модели часто отличаются от моделей для файлов — grok-voice-transcribe-2.0 для X.ai, как на карточке на картинке, scribe_v2_realtime для ElevenLabs, gpt-live-transcribe для OpenAI, stt-rt-v5 для Soniox. Нажмите Проверить. Отметьте По умолчанию для суфлёра, чтобы новые помощники слушали именно им.

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​

  1. Платёжный аккаунт и каталог в консоли Яндекс Облака.
  2. 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.
  3. 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​

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

Сделайте пробную запись и откройте её в окне записей: в выпадающем списке 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​

МодельЧто это
generalОсновная модель распознавания. Подходит для звонков и встреч. Подставляется по умолчанию.
general:rcСледующая версия модели до её выпуска (release candidate): иногда точнее, но может меняться.
general:deprecatedПредыдущая версия модели — на случай, если новая распознаёт ваши разговоры хуже.
deferred-generalОтложенное 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 карточки раскрывают редкие поля. Обычно их не трогают.

ПолеПо умолчаниюЧто это
РегионпустоРегион облака, если ваша установка Яндекс Облака его требует.
КаталогпустоНужен 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 цифрамивкл.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 отправки45000000Самый большой файл, который телефон отправит, в байтах (около 45 МБ). Запись больше этого отклоняется до отправки, а не после неё.
Предел длины14400Самая длинная запись, которую телефон отправит, в секундах (4 часа). Ноль — нашего предела нет, действует предел провайдера.
Запросов сразу2Сколько распознаваний телефон держит выполняющимися одновременно.
Адрес операцийhttps://operation.api.cloud.yandex.netАдрес, где спрашивают о переданном распознавании, пока оно не закончится. Адрес самого Яндекса, если у вашей установки нет другого.
ДополнительнопустоПараметры вида имя = значение, по одному в строке, — передаются распознавателю как есть. Оставьте пустым, если сервис ничего такого не требует.
Ожидание, минутыпустоСколько минут ждать результата. Пусто — ожидание считается по длительности каждой записи, и почти всем стоит оставить так.
совет

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 всех видов из списка Вид. Жирным выделены модели, настроенные на картинке; у распознавателя X.ai модель пустая, поэтому используется модель сервиса по умолчанию — grok-voice-transcribe-2.0. Пустое там поле Модель для стенограмм; в поле Модель для суфлёра задана та же модель. Столбец Для чего говорит, для чего сделана модель: для законченных записей (расшифровки), для живой речи суфлёра (суфлёр) или для обоих.

Вид и адресМодельДля чегоЧто это
Совместимый с OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribeрасшифровкиМодель, которую OpenAI рекомендует для записанной речи на языке оригинала.
gpt-4o-transcribeобаРасшифровка общего назначения. Её получает новый распознаватель этого вида.
gpt-4o-mini-transcribeобаОблегчённый и более дешёвый вариант предыдущей.
gpt-4o-transcribe-diarizeрасшифровкиРазмечает, кто когда говорит. Берите, только если это нужно.
whisper-1расшифровкиСтарая модель Whisper — для особых задач вроде меток времени по словам и субтитров.
gpt-live-transcribeсуфлёрЖивая модель OpenAI: слова приходят по мере того, как их произносят. Телефон предлагает её для суфлёра.
Deepgram
https://api.deepgram.com/v1
nova-3обаЛучшая модель Deepgram общего назначения — для встреч, шумной и многоязычной речи. Её получает новый распознаватель этого вида.
nova-2обаПредыдущее поколение; оставьте её для языков, которых nova-3 ещё не знает.
nova-2-phonecallобаnova-2, настроенная на узкий звук телефонной линии. Английский.
flux-general-enсуфлёрСделана для разговора: слышит, когда человек договорил. Английский.
flux-general-multiсуфлёрТо же на десяти языках, и разговор может переходить с одного на другой.
enhanced, baseрасшифровкиСтарые уровни; base — для больших объёмов.
whisperрасшифровкиWhisper, запущенный у Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2расшифровкиРасшифровка общего назначения на 90+ языках, с разделением говорящих.
scribe_v2_realtimeсуфлёрЖивая версия scribe_v2. Телефон предлагает её для суфлёра.
scribe_v2_medicalрасшифровкиscribe_v2, настроенная на медицинскую речь.
scribe_v1расшифровкиПервое поколение; устарело, используйте scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedобаСамая точная — для разговора на одном языке. Её получает новый распознаватель этого вида.
standardобаБыстрее и дешевле, чуть менее точная.
melia-1расшифровкиРазговор на нескольких языках, с переходами посреди фразы, приходит одной расшифровкой. Только для записей, в регионах ЕС и США; своего словаря и разметки говорящих пока нет.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0обаЕдинственная актуальная модель и модель по умолчанию: 38 языков, язык определяется сам. Файлы до 500 МБ; живая речь идёт на wss://api.x.ai.
grok-voice-transcribe-1.0расшифровкиУстарела: сервис переадресует её на 2.0.
Soniox
https://api.soniox.com
stt-async-v5расшифровки60+ языков, с разделением говорящих.
stt-rt-v5суфлёрЖивое распознавание на тех же 60+ языках; слышит, где кончается реплика. Телефон предлагает её для суфлёра.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proобаСамая точная модель для записей; 18 языков, и разговор может переходить с одного на другой.
universal-2расшифровки99 языков, дешевле; AssemblyAI переключается на неё для языка, которого universal-3-5-pro не знает.
universal-3-6-proсуфлёрНовейшая живая модель AssemblyAI, 32 языка; сервис берёт её, когда модель не указана.
universal-streaming-multilingualсуфлёрБолее дешёвое живое распознавание на английском, испанском, немецком, французском, португальском и итальянском.
universal-streaming-englishсуфлёрБолее дешёвое живое распознавание, только английский.
Yandex SpeechKit
https://stt.api.cloud.yandex.net
generalобаОсновная модель; хорошо знает русскую речь, в том числе телефонную. Предлагается, когда страна — Россия или одна из соседних.
general:rcобаСледующая версия модели до выпуска.
deferred-generalрасшифровкиОтложенное распознавание: расшифровка приходит позже, зато дешевле.
Vosk (на вашей машине)
ws://localhost:2700
(задаётся на сервере)обаБесплатный и лёгкий, работает без видеокарты. Модель — та, с которой запущен сервер, своя для каждого языка, например vosk-model-ru-0.42 или маленькая vosk-model-small-ru-0.22.
WhisperLive (на вашей машине)
ws://localhost:9090
smallобаWhisper в живом потоке. Размер выбирается в карточке: tiny, base, small (его предлагает телефон), medium, large-v3; чем больше, тем точнее и тем нужнее видеокарта.
NVIDIA Riva (на вашей машине)
localhost:50051
(задаётся на сервере)обаРечевой сервер NVIDIA для компьютера с видеокартой NVIDIA. Обслуживает модели вроде Parakeet и Canary.

Что стоит знать до выбора:

  • Расшифровки или суфлёр. Модель для живой речи не принимает готовый файл, а большинство моделей для файлов не умеет слушать вживую. Поэтому в карточке два поля — Модель для стенограмм и Модель для суфлёра.
  • Где обрабатываются данные. Yandex SpeechKit работает в Яндекс Облаке; остальные облачные сервисы — за рубежом. Если звук не должен покидать страну или вашу сеть, берите SpeechKit или распознаватель на своей машине.
  • Размер файла. OpenAI принимает файлы до 25 МБ, X.ai — до 500 МБ. 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. Распознаватель на своей машине ничего не стоит.
  • Языки. У каждого сервиса свой список; проверьте свой и укажите код Язык в дополнительных настройках распознавателя, если он угадывает неверно.

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

Собственные модели​

Распознаватель не обязан быть облачным сервисом. Телефон может использовать любую модель, которая отдаётся через API, совместимый с OpenAI, — интерфейс POST /v1/audio/transcriptions, — работает ли она на вашем компьютере или на вашем собственном сервере. Звук не покидает ваших помещений, поминутной платы нет, ограничений по объёму тоже.

Чтобы добавить такую модель, нажмите Добавить 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 показывает сервер, например openai/whisper-large-v3-turbo.

Что можно использовать​

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

МодельПримечания
whisper-large-v3Самый точный Whisper. Для сервера с видеокартой.
openai/whisper-large-v3-turboБолее быстрая версия large-v3 с небольшой потерей точности.
Systran/faster-whisper-large-v3large-v3, переведённая на движок faster-whisper: быстрее и легче для памяти.
medium, small, baseМеньшие модели Whisper — для компьютера без видеокарты.

Именно вокруг Whisper построены эти серверы. Некоторые из них умеют отдавать и другие модели распознавания речи, например NVIDIA Parakeet.

Серверы с API, совместимым с OpenAI​

Модель должен запускать сервер, который предоставляет совместимую с OpenAI точку /v1/audio/transcriptions. Такие серверы:

СерверЧто это
vLLMВысокопроизводительный сервер моделей. После запуска отдаёт Whisper по адресу http://localhost:8000/v1.
SpeachesСервер речевых моделей, «Ollama для речи», на основе faster-whisper. Загружает модель при первом запросе к ней.
whisper.cppЭффективно запускает Whisper на процессоре, в том числе на Apple silicon. Его whisper-server запускается с --inference-path /v1/audio/transcriptions.
LocalAIЗамена OpenAI, которая запускает модели локально.

Любой другой сервер с той же точкой работает так же. Если сервер требует 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, сразу это покажет.