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 секундам | 0,28 ₽ 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 секунд | Около 210,00 ₽ |
|---|---|
| Субтитры к коротким роликам прямо из MP4: 100 роликов по 45 секунд | Около 21,00 ₽ |
| Записи, язык которых неизвестен заранее: 800 звонков по 2 минуты | Около 448,00 ₽ |
| Проверка готовой озвучки: 500 фраз по 6 секунд | Около 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
| Разработчик | Inworld AI |
|---|---|
| Вид | Распознавание речи |
| Файл | mp3, wav, flac, m4a, mp4, ogg, webm; до 25 МБ |
| Звук за раз | до 2 ч |
| Ответ | json, text, srt, vtt, verbose_json |
| id для запроса | inworld/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
Сравнение с похожими
| Модель | Цена | Главное | Когда выбрать |
|---|---|---|---|
| Inworld STT-1 — эта модель | 0,28 ₽ / мин | до 2 ч звука | голосовые и короткие записи на 30 языках, когда язык заранее неизвестен |
| Inworld TTS-2 — Inworld AI | 2,80 ₽ / 1000 знаков | до 2 000 знаков | русская озвучка с указаниями подачи прямо в тексте: приложения, игры, сказки |
| Soniox STT v6 — Soniox | 0,19 ₽ / мин | до 2 ч звука | фоновая расшифровка записей на 60+ языках, когда ответ может подождать |
| AssemblyAI Universal-2 — AssemblyAI | 0,28 ₽ / мин | до 2 ч звука | пакетная расшифровка на многих языках, русский — с высокой точностью |
| Cartesia Ink Whisper — Cartesia | 0,26 ₽ / мин | до 2 ч звука | массовая расшифровка голосовых сообщений, заметок и телефонных записей |
| Qwen3-ASR Flash — Qwen (Alibaba) | 0,24 ₽ / мин | до 2 ч звука | короткие 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