---
title: "Inworld STT-1: распознавание речи по API"
description: "Расшифровка записей по API на 30 языках, включая русский. Язык модель слышит сама, подсказка — по желанию. Файл до 16 МБ. Цена — 0,28 ₽ за минуту звука."
url: https://veselo.ai/models/inworld/inworld-stt-1
updated: 2026-11-16T14:39:32.641Z
---

# 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: 16 ноября 2026 г.

[Получить ключ](https://veselo.ai/developer) Попробовать [Документация](https://veselo.ai/docs/transcriptions)

## 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](https://veselo.ai/docs/pricing)

### 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](https://docs.inworld.ai/stt/languages.md)).
- 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](https://docs.inworld.ai/stt/audio-formats.md)).
- 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](https://veselo.ai/models/inworld/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](https://veselo.ai/docs/sdks)

[Документация раздела](https://veselo.ai/docs/transcriptions)

## 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](https://veselo.ai/models/inworld/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](https://veselo.ai/models/soniox/stt-async-v6) — Soniox | 0,19 ₽ / мин | до 2 ч звука | фоновая расшифровка записей на 60+ языках, когда ответ может подождать |
| [AssemblyAI Universal-2](https://veselo.ai/models/assemblyai/universal-2) — AssemblyAI | 0,28 ₽ / мин | до 2 ч звука | пакетная расшифровка на многих языках, русский — с высокой точностью |
| [Cartesia Ink Whisper](https://veselo.ai/models/cartesia/ink-whisper) — Cartesia | 0,26 ₽ / мин | до 2 ч звука | массовая расшифровка голосовых сообщений, заметок и телефонных записей |
| [Qwen3-ASR Flash](https://veselo.ai/models/qwen/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](https://veselo.ai/docs/privacy)

## 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](https://veselo.ai/models/soniox/stt-async-v6) или [Deepgram Nova-3](https://veselo.ai/models/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

- [Все модели: распознавание речи](https://veselo.ai/models/raspoznavanie-rechi-api)
- [Inworld API: озвучка и распознавание](https://veselo.ai/models/inworld)
- [Распознавание речи по API за рубли — документация API](https://veselo.ai/docs/transcriptions)
- [Все модели и цены](https://veselo.ai/models)

Факты сверены 16 ноября 2026 по документации: [docs.inworld.ai](https://docs.inworld.ai/stt/overview)
