Выбор API распознавания для бота начинается с длины ваших записей. В SpeechKit синхронный запрос ограничен 30 секундами и 1 МБ, потоковый 5 минутами, асинхронный 4 часами и 1 ГБ. SaluteSpeech закрыт для новых клиентов, у OpenAI файл не больше 25 МБ. Для диктовки на компьютере есть Поток (potok.now).
Бот получает голосовое и должен вернуть текст, поэтому первый вопрос не «чей API лучше», а какие записи к нему приходят. Короткие голосовые и часовые подкасты требуют разных режимов.
Что проверить, прежде чем подключать API
- Длину записей. У SpeechKit три режима: синхронный до 30 секунд и 1 МБ с одним каналом, потоковый до 5 минут и 10 МБ, асинхронный до 4 часов и 1 ГБ. У SaluteSpeech синхронный запрос ограничен 2 МБ, асинхронный принимает до 1 ГБ.
- Размер и формат файла. OpenAI принимает файл до 25 МБ в форматах mp3, mp4, mpeg, mpga, m4a, wav и webm. SaluteSpeech работает с PCM_S16LE, OPUS в OGG, MP3, FLAC и ещё тремя форматами.
- Доступность. В справке SaluteSpeech сказано, что подключение новых клиентов недоступно, а купленные пакеты работают до окончания срока. Для нового проекта этот вариант отпадает до того, как вы дойдёте до качества.
- Доступ из кода. В SpeechKit нужен сервисный аккаунт с ролью
ai.speechkit-stt.userи API-ключ или IAM-токен. Русский там по умолчанию: язык ru-RU. - Нужен ли запуск у себя. Для этого есть открытые модели: GigaAM под лицензией MIT принимает до 25 секунд на вызов, дальше нужен режим longform. T-one от Т-Банка потоковая, обрабатывает чанки по 300 мс и сделана для телефонии, лицензия Apache 2.0. Vosk работает офлайн, тоже под Apache-2.0, и русский среди его языков.
С чего начать выбор API распознавания речи для бота
Возьмите свои записи и разложите по длине: сколько в них секунд, сколько минут, сколько часов. Короткие голосовые укладываются в синхронный режим SpeechKit, длинные пойдут асинхронно, и результат придётся забрать в течение 3 дней. Если нужен запуск на своём сервере, сравните размеры записей с пределами GigaAM, T-one и Vosk.
С точностью осторожнее. Таблица сравнения GigaAM с Whisper опубликована самими авторами GigaAM, независимого замера мы не нашли. Прогоните на своих записях нескольких кандидатов и посчитайте WER распознавания речи на этих же файлах. Почему вообще нужна отдельная модель для русской речи, объяснено отдельно.
Когда вопрос не к API
Если вам нужно не встроить распознавание в бота, а надиктовывать тексты на компьютере, API не нужен. Поток — облачный сервис, распознавание на серверах в России; без интернета не работает. Приложений для Android и iPhone у него нет. Для готовых записей и голосовых есть Telegram-бот potok_now_bot: одна подписка на приложение для диктовки и на бота.
Частые вопросы
До 4 часов и до 1 ГБ через бакет. В теле запроса API v3 помещается 60 МБ. Результаты асинхронного распознавания хранятся 3 дня, так что забирать их нужно сразу.
PCM_S16LE, OPUS в OGG, MP3, FLAC, ALAW, MULAW и G.729. Синхронный HTTP-запрос ограничен 2 МБ и одним каналом, асинхронный принимает до 1 ГБ.
Похожие продукты есть (Wispr Flow, Talkpad, Voisty, встроенные Win+H и диктовка macOS). Поток — российский сервис с собственной моделью, обученной на русской речи; серверы в России, оплата картой РФ в рублях.
Отдельного расширения для браузера у Потока нет: это десктопное приложение, которое работает поверх любого окна и поля ввода, включая браузер, — а не отдельный плагин.
Сначала 14 дней бесплатного полного доступа без привязки карты. Дальше — бесплатный план (2500 слов в неделю, 1 устройство) или Pro за 690 ₽/мес (499 ₽/мес при оплате за год): безлимит, личный словарь, сниппеты, приоритетная поддержка. Для бизнеса — цена по запросу, с размещением on-prem или на серверах в РФ и поддержкой 152-ФЗ.
Скачайте последнюю версию с официальной страницы potok.now/download и переустановите приложение: установщик со стороннего сайта может быть изменён. Если не помогло — напишите в поддержку: support@potok.now или в Telegram https://t.me/ai23c.
Проверить за вечер
Установите «Поток», продиктуйте то, что обычно печатаете, и сравните. 14 дней полного доступа, карта не нужна. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Одна подписка — два инструмента: диктовка в любой программе на компьютере и @potok_now_bot в Telegram, который расшифровывает голосовые, аудио и видео.
Встроенная диктовка и «Поток»
| Средство | Где работает | Русский язык | Где распознаётся речь |
|---|---|---|---|
| Голосовой ввод Windows (Win+H) | Windows 10 и 11 | только в Windows 11 | облако Microsoft, без интернета не работает |
| Диктовка macOS | macOS | есть | на устройстве или на серверах Apple |
| Поток | Windows, macOS, Linux | основной язык | облако, серверы в России, без интернета не работает |
| Задача | Знаков | Печать (200 зн/мин) | Голос (900 зн/мин) |
|---|---|---|---|
| ответ в чате | 300 | 2 мин | 0.5 мин |
| письмо | 1500 | 8 мин | 1.7 мин |
| пост или протокол | 4000 | 20 мин | 4.4 мин |
| статья | 10000 | 50 мин | 11.1 мин |
Первоисточники: support.microsoft.com · support.apple.com