Весело
Весело

Amazon Polly и Transcribe по API

Amazon Polly и Amazon Transcribe — голосовые сервисы AWS: первый превращает текст в речь, второй — речь в текст. По нашему ключу доступны Polly Standard с русскими голосами Tatyana и Maxim, Polly Generative без русского и Transcribe, который AWS описывает как распознавание на 100+ языках. Аккаунт AWS, регион и корзина S3 для этого не нужны.

  • 5 моделей
  • от 0,45 ₽ за 1000 знаков
  • озвучка текста, распознавание речи

Обновлено:

Получить ключ Документация

Модели и цены

Озвучка текста

Озвучка: цена в рублях за 1000 знаков или за запись
МодельЗнаков за разЦена
Amazon Polly Standardдо 3 0000,45 ₽ за 1000 знаков
Amazon Polly Generativeдо 3 0003,36 ₽ за 1000 знаков
Amazon Polly Neuralдо 3 0001,79 ₽ за 1000 знаков
Amazon Polly Long-Formдо 3 00011,18 ₽ за 1000 знаков

Распознавание речи

Распознавание речи: цена в рублях за минуту звука
МодельЗвука за разЦена
Amazon Transcribeдо 2 ч0,68 ₽ за минуту звука

Как выбрать

У Polly четыре движка озвучки, и для русского текста выбор уже сделан за тебя: по таблице голосов AWS русский есть только у Standard.

  • Amazon Polly Standard — голоса Tatyana (женский) и Maxim (мужской). AWS пишет, что этот движок склеивает речь из записанных звуков. Звучит он проще нейросетевых голосов, зато ровно и предсказуемо — для объявлений, голосового меню и служебных уведомлений этого хватает.
  • Amazon Polly Generative — самый крупный движок Polly. AWS описывает его голоса как самые человечные, эмоциональные и разговорные из своих. Русского у него нет: 24 языка и варианта, среди них английский в разных акцентах, немецкий, французский, испанский, польский и корейский.
  • Amazon Transcribe — распознавание речи. Русский в списке языков AWS есть, а всего языков, по словам AWS, больше сотни.

Ещё два движка Polly — Neural и Long-Form — русского тоже не знают. Long-Form сделан для длинных текстов, но говорит только по-английски и по-испански.

Через наш API Polly получает обычный текст: разметку SSML она не принимает, паузы задавай точками, запятыми и абзацами. За один запрос уходит до 3 000 знаков. Цены — за 1 000 знаков у Polly и за минуту записи у Transcribe — стоят в таблице моделей на этой странице.

Популярные задачи

Объявления на вокзале, в магазине и в голосовом меню

Короткое объявление, которое крутится по кругу, не требует актёрской игры, а Polly Standard читает его ровным голосом Tatyana или Maxim. Числа, номера выходов и время пиши словами — так чтение не споткнётся о цифры. Для голосового меню отправляй каждую ветку отдельным запросом и храни готовые файлы: одинаковые фразы незачем озвучивать заново.

Пример запроса: «Внимание! Посадка на рейс до Казани заканчивается через десять минут у выхода номер семь.»

Англоязычные подсказки и учебные ролики

Если продукт рассказывает о себе на английском — обучающий курс, подсказки в приложении, видеоинструкция, — подойдёт Amazon Polly Generative. AWS прямо называет её голоса подходящими для помощника, виртуального тренера и рекламы. Одно предупреждение AWS стоит помнить: после обновлений модели голоса могут звучать чуть иначе, поэтому длинную серию роликов разумно озвучить за один подход.

Пример запроса: «Hello! This is a reminder that your library books are due this Friday.»

Уведомления на европейских языках

Интернет-магазину, который отправляет напоминания покупателям в Германии, Франции или Польше, хватит одной модели: у Generative есть немецкий, французский, итальянский, испанский, польский, португальский и нидерландский. Для каждого языка в списке AWS свои голоса — бери тот, что помечен нужным языком. Русскую версию того же напоминания озвучит Polly Standard.

Расшифровка звонков и разговоров

Amazon Transcribe понимает русскую речь. Отправь запись на /v1/audio/transcriptions с language: "ru" и учти, что готовый файл AWS обрабатывает в очереди: ответ может прийти через несколько минут, так что тайм-аут клиента ставь с запасом. Другие модели распознавания с ценой за минуту собраны в разделе о распознавании речи.

Записи на языках народов России

В таблице языков Amazon Transcribe есть татарский, башкирский и луговой марийский — для готовых файлов. Таких моделей распознавания немного, поэтому для архива интервью или краеведческих записей Transcribe стоит попробовать. Через наш API эти языки мы отдельно не проверяли, так что начни с короткой записи и посмотри на результат.

Как получить ключ Amazon Polly API в России

У AWS для Polly и Transcribe нужен свой аккаунт, ключи доступа и выбор региона, а пакетная расшифровка Transcribe берёт файл только из корзины S3. У нас ничего этого нет: один ключ и обычный запрос с файлом или текстом.

  1. Зарегистрируйся на veselo.ai и выпусти ключ sk-vsl-… в разделе API.
  2. Пополни API-счёт — с карты российского банка или по СБП. Карта AWS и доллары не понадобятся.
  3. Для озвучки отправь POST https://veselo.ai/v1/audio/speech с model: "amazon/polly-standard" и voice: "Tatyana", для расшифровки — файл на /v1/audio/transcriptions с model=amazon/transcribe.

Подробности о полях — в разделах документации «Озвучка» и «Распознавание речи».

Как подключить

Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI. Пример — с моделью Amazon Polly Standard: у других моделей меняется только model.

curl

curl https://veselo.ai/v1/audio/speech \
  -H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "amazon/polly-standard",
    "voice": "Tatyana",
    "input": "Добрый вечер! Сегодня в программе — хорошие новости."
  }' \
  --output speech.mp3

Python

from openai import OpenAI  # pip install openai

client = OpenAI(base_url="https://veselo.ai/v1", api_key="sk-vsl-ТВОЙ_КЛЮЧ", timeout=600.0, max_retries=0)

with client.audio.speech.with_streaming_response.create(
    model="amazon/polly-standard",
    voice="Tatyana",
    input="Добрый вечер! Сегодня в программе — хорошие новости.",
) as r:
    r.stream_to_file("speech.mp3")

JavaScript

import fs from 'node:fs';

const res = await fetch('https://veselo.ai/v1/audio/speech', {
  method: 'POST',
  headers: { Authorization: 'Bearer sk-vsl-ТВОЙ_КЛЮЧ', 'Content-Type': 'application/json' },
  body: JSON.stringify({ model: 'amazon/polly-standard', voice: 'Tatyana', input: 'Добрый вечер! Сегодня в программе — хорошие новости.' }),
  signal: AbortSignal.timeout(600_000),
});
if (!res.ok) throw new Error((await res.json()).error.message);
fs.writeFileSync('speech.mp3', Buffer.from(await res.arrayBuffer()));

В программах: тем же ключом — из любого кода, а без ключа Claude, ChatGPT и Cursor зовут модель по MCP: вход на сайте и кнопка «Разрешить». MCP

Amazon Polly Standard · Документация раздела

Версии и отличия

  • Polly Standard — склеивает речь из записанных звуков. У AWS 60 таких голосов на 29 языках, из них русские — Tatyana и Maxim.
  • Polly Neural — нейросетевой движок без русского; у нас он идёт вариантом на странице Generative.
  • Polly Generative — самая крупная модель Polly: по описанию AWS, трансформер на миллиард параметров. У AWS 55 голосов в этом варианте, 24 языка и варианта, русского нет.
  • Polly Long-Form — для длинных текстов: шесть голосов, американский английский и испанский из Испании.
  • Transcribe — распознавание речи AWS. У самого AWS к нему есть разметка говорящих, словари, скрытие персональных данных и анализ звонков; через наш API уходит только сама расшифровка.

Вопросы и ответы

Нужен ли аккаунт AWS, чтобы работать с Amazon Polly?
Нет. Ключ, оплата и запросы — наши: аккаунт AWS, ключи доступа и выбор региона не нужны. Платишь в рублях с API-счёта, а запрос, который закончился ошибкой, денег не стоит.
Какие русские голоса есть у Amazon Polly?
Два, и оба у движка Standard: Tatyana — женский, Maxim — мужской. У Neural, Generative и Long-Form русских голосов в таблице AWS нет.
Почему Polly Standard звучит проще нейросетевых голосов?
Standard — старый движок: по словам AWS, он собирает речь из записанных фрагментов, а не рисует её нейросетью. Поэтому интонация у него ровнее и беднее. Для живой русской озвучки посмотри модели в подборке озвучки текста.
Работает ли SSML у Amazon Polly через ваш API?
Нет. Текст уходит в Polly как обычный текст, без SSML-разметки и меток речи. Паузы и интонацию задавай пунктуацией: точка — длинная пауза, запятая — короткая.
Сколько текста можно озвучить за один запрос в Polly?
До 3 000 знаков. Длинный текст раздели на части по абзацам — каждая озвучивается отдельным запросом и оплачивается по своей длине.
Есть ли у Amazon Transcribe татарский и башкирский?
В списке языков AWS — есть, для готовых файлов. Через наш API мы их отдельно не проверяли, поэтому сначала отправь короткую запись, а потом — весь архив.
Нужны ли VPN и зарубежная карта?
Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.
Сколько стоит запрос, который закончился ошибкой?
Нисколько: ошибка нейросети денег не стоит, удержание на время запроса снимается целиком.

Ещё по теме

Факты сверены 16 ноября 2026 по документации: docs.aws.amazon.com, aws.amazon.com