Весело
Весело

Cartesia Ink Whisper: распознавание речи по API

Cartesia Ink Whisper — модель распознавания речи американской компании Cartesia, построенная на Whisper. Cartesia называет её самой доступной в своей линейке и пишет, что она точнее и быстрее обычного Whisper. Модель знает 100 языков, включая русский, и держится на шумных и телефонных записях. Цена — 0,26 ₽ за минуту звука, по секундам звука.

  • 0,26 ₽ за минуту звука
  • до 2 ч звука
  • звук → текст

cartesia/ink-whisper

Обновлено:

Получить ключ Попробовать Документация

Попробовать Cartesia Ink Whisper

Загрузи короткую запись — модель вернёт текст. Запрос оплачивается с API-счёта по цене на кнопке, бесплатных проб нет; ошибка нейросети денег не стоит.

Что попробовать: Загрузи запись до двух минут или запиши с микрофона: надиктуй заметку для себя. Вернётся текст.

В ответ приходит текст записи в поле text — как у OpenAI.

Цены Cartesia Ink Whisper в рублях

Звук — считаем по секундам0,26 ₽ за минуту

Запрос, который закончился ошибкой, денег не стоит. Кэшбэк — до 5% от расхода за месяц. Как считается цена

Сколько стоят типичные задачи

Суммы посчитаны по цене выше — сколько спишется за такую работу.

Голосовые заметки в приложении: сто заметок по 30 секундОколо 13,00 ₽
Голосовые сообщения в боте поддержки: тысяча голосовых по 30 секундОколо 130,00 ₽
Записи звонков с телефонной линии: двести звонков по 3 минутыОколо 156,00 ₽

Что умеет Cartesia Ink Whisper

  • Распознаёт 100 языков из списка Cartesia, русский среди них (Ink Whisper в документации Cartesia).
  • По словам Cartesia, точнее и быстрее базового Whisper и аккуратно работает с кусками звука разной длины и перебиваниями.
  • Держится на фоновом шуме, телефонных помехах, акцентах и запинках, уверенно пишет имена и отраслевые термины.
  • Отдаёт время начала и конца каждого слова (пример Cartesia).
  • Через наш API принимает WAV, MP3, FLAC, M4A, OGG и WebM до 25 МБ, цена считается по секундам звука.

Где применять

Голосовые заметки в приложении

Мысль быстрее надиктовать, чем набрать на ходу, а потом удобно найти её текстом. Ink Whisper подходит для таких коротких записей: файл в пару десятков секунд оплачивается по секундам, а не минутой целиком. Подскажи язык полем language, если приложение русскоязычное, и проси ответ просто текстом. Запись из браузера в WebM можно отправлять как есть, без перекодирования. Готовый текст заметки потом легко искать по словам, как обычную переписку.

Пример запроса: «model=cartesia/ink-whisper, file=note.webm, language=ru, response_format=text»

Стоимость: сто заметок по 30 секунд — около 13,00 ₽.

Голосовые сообщения в боте поддержки

Когда в поддержку присылают голосовое вместо текста, оператору приходится его слушать, иногда по несколько раз. Бот может сразу превратить голосовое в текст, показать его оператору или передать языковой модели для первого ответа. Голосовые Telegram приходят в OGG, и этот формат модель принимает. Уличный шум и запинки Ink Whisper, по словам Cartesia, переносит спокойно. Исходное голосовое сохрани рядом с текстом, чтобы оператор мог переслушать спорное место.

Пример запроса: «model=cartesia/ink-whisper, file=voice.ogg, language=ru, response_format=json»

Стоимость: тысяча голосовых по 30 секунд — около 130,00 ₽.

Записи звонков с телефонной линии

Телефонная запись — трудный звук: узкая полоса, помехи, люди говорят одновременно. Cartesia отдельно пишет, что Ink Whisper точно расшифровывает звук с телефонными искажениями, акцентами и запинками, а также названия и термины. Попроси время слов, и по нему можно сразу перейти к нужному месту разговора. Каждый звонок отправляй отдельным файлом, чтобы расшифровка не смешивала разговоры, а в имени файла держи дату и номер линии.

Пример запроса: «model=cartesia/ink-whisper, file=call.mp3, language=ru, response_format=verbose_json, timestamp_granularities[]=word»

Стоимость: двести звонков по 3 минуты — около 156,00 ₽.

Как писать запрос

Одна запись — один файл. Звонок отправляй в том виде, в каком его сохранила телефония: перекодировать его в более высокое качество бессмысленно, звука от этого не прибавится. Если запись тяжелее 25 МБ, режь её на паузах. Время слов проси только там, где оно нужно: для заметок хватит простого текста.

Характеристики

РазработчикCartesia
ВидРаспознавание речи
Файлmp3, wav, flac, m4a, mp4, ogg, webm; до 25 МБ
Звук за раздо 2 ч
Ответjson, text, srt, vtt, verbose_json
id для запросаcartesia/ink-whisper

Как подключить

Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI.

Запрос — POST https://veselo.ai/v1/audio/transcriptions с полем model: cartesia/ink-whisper, ключ — в заголовке Authorization: Bearer sk-vsl-….

curl

curl https://veselo.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
  -F model="cartesia/ink-whisper" \
  -F file="@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 open("speech.mp3", "rb") as f:
    r = client.audio.transcriptions.create(model="cartesia/ink-whisper", file=f)
print(r.text)

JavaScript

import fs from 'node:fs';
import OpenAI from 'openai'; // npm i openai

const client = new OpenAI({ baseURL: 'https://veselo.ai/v1', apiKey: 'sk-vsl-ТВОЙ_КЛЮЧ', timeout: 600_000, maxRetries: 0 });

const r = await client.audio.transcriptions.create({
  model: 'cartesia/ink-whisper',
  file: fs.createReadStream('speech.mp3'),
});
console.log(r.text);

Пример ответа — только поля

{
  "text": "…"
}

В программах: тем же ключом и по тому же адресу, что остальные модели, — из любого HTTP-клиента или библиотеки openai. Библиотеки и программы

Документация раздела

Сравнение с похожими

МодельЦенаГлавноеКогда выбрать
Cartesia Ink Whisper — эта модель0,26 ₽ / миндо 2 ч звукамассовая расшифровка голосовых сообщений, заметок и телефонных записей
Cartesia Sonic 3.6 — Cartesia4,18 ₽ / 1000 знаковдо 4 096 знаковслужебные фразы на русском: уведомления, коды, очередь, ответы бота
Qwen3-ASR 1.7B — Qwen (Alibaba)0,14 ₽ / миндо 2 ч звукакороткие команды и записи с музыкой на фоне; открытые веса
AssemblyAI Universal-2 — AssemblyAI0,28 ₽ / миндо 2 ч звукапакетная расшифровка на многих языках, русский — с высокой точностью
Inworld STT-1 — Inworld AI0,28 ₽ / миндо 2 ч звукаголосовые и короткие записи на 30 языках, когда язык заранее неизвестен
Qwen3-ASR Flash — Qwen (Alibaba)0,24 ₽ / миндо 2 ч звукакороткие записи до 5 минут с терминами, в том числе на китайском
  • Whisper Large v3 Turbo — ускоренная открытая Whisper, если минут очень много и цена за минуту важнее всего.
  • Qwen3-ASR 1.7B — открытая модель Qwen: 18 языков с русским и время слов.
  • ElevenLabs Scribe v3 — для длинных интервью, встреч и лекций, где точность важнее цены.
  • Cartesia Sonic 3.6 — пара для голосового бота: Ink Whisper слушает, Sonic отвечает голосом.

Как устроен доступ

Весело — не разработчик Cartesia Ink Whisper: модель выпускает Cartesia. Мы даём к ней доступ по API — один ключ на все модели, оплата в рублях с API-счёта, а цена каждого ответа видна в самом ответе. Запрос, который закончился ошибкой, денег не стоит. Что мы храним о запросах и сколько — в разделе «Данные и приватность» документации. Данные и приватность

Вопросы и ответы

Ink Whisper — это обычный Whisper?
Нет, это модель Cartesia на основе Whisper. Cartesia пишет, что она точнее и быстрее базовой версии: работает с кусками звука разной длины, держится на фоновом шуме, телефонных помехах и акцентах, увереннее пишет имена и термины.
Распознаёт ли Ink Whisper русскую речь?
Да, русский есть в списке из 100 языков модели. Если вся запись на русском, передай language=ru: так язык не придётся определять автоматически.
Можно ли получить время каждого слова в Ink Whisper?
Да. Попроси response_format=verbose_json и timestamp_granularities[]=word: в ответе придёт список слов с началом и концом. В примере Cartesia для этого служит тот же параметр timestamp_granularities со значением word.
Есть ли у Cartesia распознавание речи в реальном времени через ваш API?
Пока нет. Новая модель Cartesia, Ink 2, работает только потоком через постоянное соединение и понимает пять языков без русского, а у нас распознавание идёт готовыми файлами. Расшифровку файлов у Cartesia и сейчас выполняет Ink Whisper.
Есть ли подписка или абонентская плата?
Нет. API-счёт пополняется на нужную сумму, а списывается только то, что потратили запросы. Чем больше расход за месяц, тем больше кэшбэк — от 1 до 5%.
Сколько запросов можно отправлять?
До 60 запросов в минуту и до 10 одновременно на один ключ, ключей у аккаунта — до 20. Сверх лимита придёт ответ 429 с заголовком Retry-After: через столько секунд можно повторить.
Нужны ли VPN и зарубежная карта для Cartesia Ink Whisper?
Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.

Ещё по теме

Факты сверены 16 ноября 2026 по документации: docs.cartesia.ai