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:
| Вид | Адрес для стенограмм | Адрес для суфлёра | Модель | На картинке |
|---|---|---|---|---|
| Yandex SpeechKit | https://stt.api.cloud.yandex.net | https://stt.api.cloud.yandex.net:443 | general | Yandex SpeechKit · general |
| Совместимый с OpenAI (Whisper, OpenAI) | https://api.openai.com/v1 | wss://api.openai.com | gpt-4o-transcribe, вживую gpt-live-transcribe | OpenAI · gpt-4o-transcribe |
| Deepgram | https://api.deepgram.com/v1 | wss://api.deepgram.com | nova-3 | Deepgram · nova-2 |
| ElevenLabs (Scribe) | https://api.elevenlabs.io/v1 | wss://api.elevenlabs.io | scribe_v1, вживую scribe_v2_realtime | ElevenLabs · scribe_v2 |
| Speechmatics | https://asr.api.speechmatics.com/v2 | wss://global.rt.speechmatics.com, для региона — eu., us. или au. вместо global. | enhanced | — |
| xAI (Grok) | https://api.x.ai/v1 | wss://api.x.ai | (пусто: модель сервиса по умолчанию), вживую grok-voice-transcribe-2.0 | X.ai · вживую grok-voice-transcribe-2.0 |
| Soniox | https://api.soniox.com | wss://stt-rt.soniox.com | (пусто: модель сервиса по умолчанию), вживую stt-rt-v5 | — |
| AssemblyAI | https://api.assemblyai.com | wss://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.
| Поле | Что это |
|---|---|
| Название | Имя в списках. |
| Вид | Вид 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 стенограмм | Куда отправляются законченные разговоры. |
| Адрес для суфлёра | Куда 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. |
| Ключ | Ключ сервиса. Хранится в хранилище ключей этого компьютера, а не в файле настроек. |
| Проверить | Спрашивает сервис и сообщает, что он ответил, например Ответил и предлагает 3 модели. |
| Модель для стенограмм и Модель для суфлёра | Модель — 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 расшифровок | Делает этот распознаватель тем, который используется, когда вы не выбрали другой. |
| По умолчанию для суфлёра | Делает этот распознаватель тем, которым слушает новый помощник суфлёра. |
| Включён | Выключенный распознаватель остаётся в списке, но не используется. |
Дополнительные настройки раскрывают остальную часть карточки. Самое важное в них:
| Поле | Что делает |
|---|---|
| Регион | Регион сервиса, если у него их несколько. |
| Отправлять стороны раздельно | Звонок 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 говорит | Различает людей внутри одного канала, если в нём говорят несколько человек. |
| Писать числа цифрами | Суммы, даты и номера телефонов приходят записанными цифрами, а не прописанными словами. |
| Предел отправки, Предел длины | Самый большой файл в байтах и самая длинная запись в секундах, которые отправит телефон. |
| Запросов сразу | Сколько запросов может выполняться одновременно. |
| Завершать реплику через, Склеивать короткие реплики в пределах, Пауза между репликами | Для 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. |
| Язык | Двухбуквенный 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. |
| Дополнительно | Параметры вида имя = значение, по одному в строке, — передаются сервису как есть. Оставьте пустым, если сервер ничего такого не описывает. |
| Ожидание, минуты | Сколько ждать расшифровку. Пусто — ожидание считается по длительности записи. |
| Цена за минуту | Сколько 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
- 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 рольai.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.netи модельgeneralподставятся сами. - Вставьте API-ключ в поле Ключ.
- 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
| 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 карточки 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, минуты | пусто | Сколько минут ждать результата. Пусто — ожидание считается по длительности каждой записи, и почти всем стоит оставить так. |
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 адрес | Модель | Для чего | Что это |
|---|---|---|---|
Совместимый с OpenAI (Whisper, OpenAI)https://api.openai.com/v1 | gpt-transcribe | расшифровки | Модель, которую OpenAI рекомендует для записанной речи на языке оригинала. |
gpt-4o-transcribe | оба | Расшифровка общего назначения. Её получает новый распознаватель этого вида. | |
gpt-4o-mini-transcribe | оба | Облегчённый и более дешёвый вариант предыдущей. | |
gpt-4o-transcribe-diarize | расшифровки | Размечает, кто когда говорит. Берите, только если это нужно. | |
whisper-1 | расшифровки | Старая модель Whisper — для особых задач вроде меток времени по словам и субтитров. | |
gpt-live-transcribe | суфлёр | Живая модель OpenAI: слова приходят по мере того, как их произносят. Телефон предлагает её для суфлёра. | |
Deepgramhttps://api.deepgram.com/v1 | nova-3 | оба | Лучшая модель Deepgram общего назначения — для встреч, шумной и многоязычной речи. Её получает новый распознаватель этого вида. |
nova-2 | оба | Предыдущее поколение; оставьте её для языков, которых nova-3 ещё не знает. | |
nova-2-phonecall | оба | nova-2, настроенная на узкий звук телефонной линии. Английский. | |
flux-general-en | суфлёр | Сделана для разговора: слышит, когда человек договорил. Английский. | |
flux-general-multi | суфлёр | То же на десяти языках, и разговор может переходить с одного на другой. | |
enhanced, base | расшифровки | Старые уровни; base — для больших объёмов. | |
whisper | расшифровки | Whisper, запущенный у Deepgram. | |
ElevenLabs (Scribe)https://api.elevenlabs.io/v1 | scribe_v2 | расшифровки | Расшифровка общего назначения на 90+ языках, с разделением говорящих. |
scribe_v2_realtime | суфлёр | Живая версия scribe_v2. Телефон предлагает её для суфлёра. | |
scribe_v2_medical | расшифровки | scribe_v2, настроенная на медицинскую речь. | |
scribe_v1 | расшифровки | Первое поколение; устарело, используйте scribe_v2. | |
Speechmaticshttps://asr.api.speechmatics.com/v2 | enhanced | оба | Самая точная — для разговора на одном языке. Её получает новый распознаватель этого вида. |
standard | оба | Быстрее и дешевле, чуть менее точная. | |
melia-1 | расшифровки | Разговор 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-2.0 | оба | Единственная 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-1.0 | расшифровки | Устарела: сервис переадресует её на 2.0. | |
Sonioxhttps://api.soniox.com | stt-async-v5 | расшифровки | 60+ языков, с разделением говорящих. |
stt-rt-v5 | суфлёр | Живое распознавание на тех же 60+ языках; слышит, где кончается реплика. Телефон предлагает её для суфлёра. | |
AssemblyAIhttps://api.assemblyai.com | universal-3-5-pro | оба | Самая точная модель для записей; 18 языков, и разговор может переходить с одного на другой. |
universal-2 | расшифровки | 99 языков, дешевле; AssemblyAI переключается на неё для языка, которого universal-3-5-pro не знает. | |
universal-3-6-pro | суфлёр | Новейшая живая модель AssemblyAI, 32 языка; сервис берёт её, когда модель не указана. | |
universal-streaming-multilingual | суфлёр | Более дешёвое живое распознавание на английском, испанском, немецком, французском, португальском и итальянском. | |
universal-streaming-english | суфлёр | Более дешёвое живое распознавание, только английский. | |
Yandex SpeechKithttps://stt.api.cloud.yandex.net | general | оба | Основная модель; хорошо знает русскую речь, в том числе телефонную. Предлагается, когда страна — Россия или одна из соседних. |
general:rc | оба | Следующая версия модели до выпуска. | |
deferred-general | расшифровки | Отложенное распознавание: расшифровка приходит позже, зато дешевле. | |
Vosk (на вашей машине)ws://localhost:2700 | (задаётся на сервере) | оба | Бесплатный 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 | small | оба | Whisper 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) | оба | Речевой 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
/v1включительно, напримерhttp://localhost:8000/v1для самого компьютера илиhttp://asr.local:8080/v1для 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.
| Модель | Примечания |
|---|---|
whisper-large-v3 | Самый точный Whisper. Для сервера с видеокартой. |
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 легче для памяти. |
medium, small, base | Меньшие 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:
| Сервер | Что это |
|---|---|
| vLLM | Высокопроизводительный сервер моделей. После запуска отдаёт Whisper по адресу http://localhost:8000/v1. |
| Speaches | Сервер речевых моделей, «Ollama для речи», на основе faster-whisper. Загружает модель при первом запросе к ней. |
| 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 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.