Весело
Весело

Inworld STT-1: распознавание речи по API

Inworld STT-1 — модель распознавания речи от Inworld, той же компании, что делает озвучку TTS-2. Вендор задумывал её для голосовых агентов, а у нас она расшифровывает готовые записи. Языков — 30, русский среди них. Язык записи модель определяет сама, а подсказка нужна разве что для коротких фраз. Цена — 0,28 ₽ за минуту звука.

  • 0,28 ₽ за минуту звука
  • до 2 ч звука
  • звук → текст

inworld/inworld-stt-1

Обновлено:

Получить ключ Попробовать Документация

Попробовать Inworld STT-1

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 — например, фразу из игры или ролика. Вернётся текст.

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

Цены Inworld STT-1 в рублях

Звук — считаем по секундам0,28 ₽ 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.

Голосовое сообщение в текст для бота: 3 000 голосовых по 15 секундОколо 210,00 ₽
Субтитры к коротким роликам прямо из MP4: 100 роликов по 45 секундОколо 21,00 ₽
Записи, язык которых неизвестен заранее: 800 звонков по 2 минутыОколо 448,00 ₽
Проверка готовой озвучки: 500 фраз по 6 секундОколо 14,00 ₽

Что умеет Inworld STT-1

  • 30 языков: русский, английский, арабский, китайский и кантонский, турецкий, персидский, польский, вьетнамский и другие (список Inworld).
  • Язык — подсказка, а не условие: модель узнаёт язык записи и без неё, а подсказка повышает точность на коротких фразах.
  • Файл — до 16 МБ. По расчёту Inworld, это около 18 минут MP3 или 8 минут WAV на 16 кГц (форматы).
  • Принимает MP3, OGG Opus, FLAC и WAV, а из видео в MP4 и WebM вынимает звуковую дорожку.
  • Ответ — текст, JSON со временем слов, субтитры SRT или VTT.

Где применять

Голосовое сообщение в текст для бота

Человек наговаривает вопрос в мессенджере, а бот должен понять, о чём речь, и ответить. Голосовые из Telegram приходят в OGG Opus — этот формат Inworld STT-1 принимает как есть, без перекодирования. Сообщения короткие, а платишь по секундам, поэтому даже бот с тысячами голосовых в день считает расходы в понятных цифрах. Дальше текст уходит в обычную логику бота: поиск ответа, заявка, передача оператору.

Пример запроса: «voice-1123.ogg, response_format=text»

Стоимость: 3 000 голосовых по 15 секунд — около 210,00 ₽.

Субтитры к коротким роликам прямо из MP4

Для вертикального ролика на минуту не нужно отдельно вытаскивать звук: по документации Inworld, модель примет MP4 и возьмёт звуковую дорожку сама. Следи только за размером файла — до 16 МБ, а это с запасом покрывает короткие ролики для соцсетей. Ответ в формате SRT сразу ложится в монтажную программу, а время каждой строки уже расставлено. Остаётся поправить перенос строк и выбрать шрифт.

Пример запроса: «reels-01.mp4, response_format=srt»

Стоимость: 100 роликов по 45 секунд — около 21,00 ₽.

Записи, язык которых неизвестен заранее

Линия поддержки для туристов или площадка с продавцами из разных стран получает звонки на любом из десятка языков. Inworld STT-1 определяет язык по самой записи, поэтому файл можно отправлять без поля language. Если язык всё же известен, передай его: подсказка помогает на коротких репликах вроде «да, всё верно», где определить язык труднее всего. По готовому тексту уже видно, на каком языке шёл разговор, и звонок можно сразу передать оператору, который этот язык знает.

Пример запроса: «zvonok-neizvestnyj-yazyk.mp3, response_format=json»

Стоимость: 800 звонков по 2 минуты — около 448,00 ₽.

Проверка готовой озвучки

Если озвучиваешь тысячи фраз через Inworld TTS-2, часть из них стоит прогнать обратно через распознавание и сравнить с исходным текстом. Так ловятся пропущенные слова и неверно прочитанные числа без прослушивания всего подряд. Оба шага остаются у одного вендора и под одним ключом, а сравнить два текста можно обычным скриптом. Фразы, где тексты разошлись, отправляй на переозвучку или на прослушивание человеку.

Пример запроса: «tts-check-0042.mp3, language=ru, response_format=text»

Стоимость: 500 фраз по 6 секунд — около 14,00 ₽.

Характеристики

РазработчикInworld AI
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 запросаinworld/inworld-stt-1

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: inworld/inworld-stt-1, ключ — в заголовке Authorization: Bearer sk-vsl-….

curl

curl https://veselo.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
  -F model="inworld/inworld-stt-1" \
  -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="inworld/inworld-stt-1", 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: 'inworld/inworld-stt-1',
  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
Inworld STT-1 — эта модель0,28 ₽ / миндо 2 ч звукаголосовые и короткие записи на 30 языках, когда язык заранее неизвестен
Inworld TTS-2 — Inworld AI2,80 ₽ / 1000 знаковдо 2 000 знаковрусская озвучка с указаниями подачи прямо в тексте: приложения, игры, сказки
Soniox STT v6 — Soniox0,19 ₽ / миндо 2 ч звукафоновая расшифровка записей на 60+ языках, когда ответ может подождать
AssemblyAI Universal-2 — AssemblyAI0,28 ₽ / миндо 2 ч звукапакетная расшифровка на многих языках, русский — с высокой точностью
Cartesia Ink Whisper — Cartesia0,26 ₽ / миндо 2 ч звукамассовая расшифровка голосовых сообщений, заметок и телефонных записей
Qwen3-ASR Flash — Qwen (Alibaba)0,24 ₽ / миндо 2 ч звукакороткие записи до 5 минут с терминами, в том числе на китайском

Как устроен доступ

Весело — не разработчик Inworld STT-1: модель выпускает Inworld AI. 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

Что делать, если запись больше 16 МБ?
Сожми её в моно MP3 или OGG: по расчёту Inworld, в 16 МБ помещается около 18 минут MP3, а при низком битрейте — заметно больше. Запись длиннее режь на части и отправляй по очереди, а тексты склеивай по порядку.
Нужно ли указывать язык для Inworld STT-1?
Не обязательно: модель определяет язык по записи. Подсказка language=ru полезна для коротких фраз в пару слов, на них определить язык сложнее.
Вернёт ли Inworld STT-1 возраст и эмоции говорящего?
Нет. У Inworld есть «профиль голоса» — возраст, пол, эмоция, манера и акцент, — но он включается отдельной настройкой, которой в нашем API нет. В ответе — текст и время слов.
Каких языков нет у Inworld STT-1?
В списке из 30 языков нет украинского, белорусского и казахского. Для них возьми Soniox STT v6 или Deepgram Nova-3: в их официальных списках эти языки есть.
Что будет, если запрос закончится ошибкой?
Запрос, который закончился ошибкой нейросети, денег не стоит: удержание на время запроса снимается целиком. Цену удачного ответа видно в рублях сразу.
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.

Ещё по теме

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