Распознавание речи по API: аудио в текст
Распознавание речи по API превращает запись в текст: созвон, звонок клиента, голосовое из мессенджера, интервью. Под одним ключом — открытая Whisper, ElevenLabs Scribe, Deepgram Nova-3, AssemblyAI, Soniox, Qwen3-ASR, Gemini 3.5 Transcribe и модели OpenAI. Почти все они понимают русский. Цена указана за минуту записи, а списываются секунды.
- 27 моделей
- от 0,01 ₽ за минуту звука
- 12 вендоров
Обновлено:
Модели и цены
| Модель | Вендор | Звука за раз | Цена |
|---|---|---|---|
| ElevenLabs Scribe v3 | ElevenLabs | до 2 ч | 0,38 ₽ за минуту звука |
| Deepgram Nova-3 | Deepgram | до 2 ч | 0,54 ₽ за минуту звука |
| Qwen3-ASR Flash | Qwen (Alibaba) | до 2 ч | 0,24 ₽ за минуту звука |
| OpenAI Whisper-1 | OpenAI | до 2 ч | 0,68 ₽ за минуту звука |
| Amazon Transcribe | Amazon | до 2 ч | 0,68 ₽ за минуту звука |
| AssemblyAI Universal-2 | AssemblyAI | до 2 ч | 0,28 ₽ за минуту звука |
| Cartesia Ink Whisper | Cartesia | до 2 ч | 0,26 ₽ за минуту звука |
| Gemini 3.5 Transcribe | до 1 ч | 0,56 ₽ за минуту звука | |
| Inworld STT-1 | Inworld AI | до 2 ч | 0,28 ₽ за минуту звука |
| GPT-4o Transcribe | OpenAI | до 2 ч | 0,68 ₽ за минуту звука |
| GPT-4o Transcribe Diarize | OpenAI | до 2 ч | 0,68 ₽ за минуту звука |
| GPT Transcribe | OpenAI | до 2 ч | 0,51 ₽ за минуту звука |
| Qwen3-ASR 1.7B | Qwen (Alibaba) | до 2 ч | 0,14 ₽ за минуту звука |
| Soniox STT v6 | Soniox | до 2 ч | 0,19 ₽ за минуту звука |
| Grok STT | xAI (Grok) | до 2 ч | 0,19 ₽ за минуту звука |
| AssemblyAI Universal-3.5 Pro | AssemblyAI | до 2 ч | 0,40 ₽ за минуту звука |
| Deepgram Base | Deepgram | до 2 ч | 1,40 ₽ за минуту звука |
| Deepgram Nova-2 | Deepgram | до 2 ч | 0,66 ₽ за минуту звука |
| ElevenLabs Scribe v2 | ElevenLabs | до 2 ч | 0,38 ₽ за минуту звука |
| GPT-4o mini Transcribe | OpenAI | до 2 ч | 0,34 ₽ за минуту звука |
| Qwen3-ASR Flash Filetrans | Qwen (Alibaba) | до 2 ч | 0,24 ₽ за минуту звука |
| Soniox STT v5 | Soniox | до 2 ч | 0,19 ₽ за минуту звука |
| Fish Audio Transcribe 1 | Fish Audio | до 2 ч | 0,68 ₽ за минуту звука |
| Gemini 2.5 Flash (распознавание речи) | до 2 ч | 0,22 ₽ за минуту звука | |
| Deepgram Enhanced | Deepgram | до 2 ч | 1,63 ₽ за минуту звука |
| Deepgram Nova | Deepgram | до 2 ч | 0,66 ₽ за минуту звука |
| Whisper Tiny English | OpenAI | до 2 ч | 0,01 ₽ за минуту звука |
Как выбрать
Запрос устроен как audio.transcriptions в библиотеке OpenAI: POST /v1/audio/transcriptions, запись в поле file, модель в model. По желанию добавь язык (language), подсказку с терминами (prompt) и формат ответа (response_format). Файл принимается до 25 МБ, в WAV, MP3, FLAC, M4A, OGG или WebM. Потоковой расшифровки и перевода речи нет: API берёт готовую запись и возвращает текст на её языке. Подробности — в документации по распознаванию.
Язык записи. Русский понимают почти все модели этой страницы. У ElevenLabs Scribe v3 больше 90 языков, у Gemini 3.5 Transcribe — больше 85, у Soniox STT v6 — больше 60, у Grok STT — больше 38, у Inworld STT-1 — 30. AssemblyAI Universal-2 работает с 99 языками, и русский вендор относит к группе с самой высокой точностью. Главное исключение — AssemblyAI Universal-3.5 Pro: она знает 18 языков, и русского среди них нет.
Что нужно на выходе. Для простого текста хватит json или text. Субтитры с таймкодами дают форматы srt и vtt, время каждого слова — verbose_json. Кто что сказал, размечает GPT-4o Transcribe Diarize в формате diarized_json. Не каждая модель умеет все форматы, их список есть на странице модели.
Сколько ждать. Большинство моделей отвечают, как только расшифруют файл. Amazon Transcribe, AssemblyAI и Soniox работают пакетом: запись встаёт в очередь у вендора, и ответ может идти несколько минут. Поставь в программе таймаут с запасом и не отправляй повтор, пока ждёшь: каждый запрос оплачивается отдельно.
Термины и имена. Названия продуктов и фамилии модель слышит впервые, и «KPI» вполне может превратиться в «кипиай». Подскажи их полем prompt, его понимают Whisper и модели OpenAI. Хватит одной строки о том, что это за запись и какие слова в ней будут.
Модели OpenAI и сроки. Whisper-1, GPT-4o Transcribe, GPT-4o mini Transcribe и GPT-4o Transcribe Diarize OpenAI выключает 26 февраля 2027 года, а на смену предлагает GPT Transcribe. Открытых Whisper Large v3 и Whisper Large v3 Turbo это не касается: их веса опубликованы под лицензией MIT.
Кому что подойдёт:
- много часов записей и бюджет на первом месте — Whisper Large v3 Turbo, Qwen3-ASR 1.7B, Soniox STT v6;
- совещания с шумом и несколькими участниками — Deepgram Nova-3: Deepgram советует её как раз для встреч, шумных и дальних записей;
- смесь языков в одной записи — Grok STT: по описанию xAI, модель сама замечает, когда собеседник перешёл на другой язык;
- длинные интервью — Gemini 3.5 Transcribe и ElevenLabs Scribe v3;
- новый проект на моделях OpenAI — GPT Transcribe, а старый код под
whisper-1продолжит работать на OpenAI Whisper-1 до февраля 2027 года.
Популярные задачи
Расшифровка созвонов и планёрок
Запись встречи становится текстом, который можно искать, цитировать и отдать языковой модели за пересказом и списком задач — для этого есть LLM API. Для самой записи подойдёт Deepgram Nova-3, а если важно, кто что сказал, — GPT-4o Transcribe Diarize. Часовую встречу сожми в моно MP3 на 32–48 кбит/с: для речи этого хватает, и файл уложится в 25 МБ.
Пример запроса: model=deepgram/nova-3, language=ru, response_format=json.
Звонки отдела продаж и поддержки
Звонки разбирают пачками: что обещали клиенту, где он засомневался, кто из менеджеров забыл про допродажу. Для этого подойдут Deepgram Nova-3 и пакетная AssemblyAI Universal-2, а готовые тексты удобно прогонять через языковую модель по одному и тому же списку вопросов. Записи разговоров присылай, только если у тебя есть законное основание обрабатывать чужие персональные данные: так требуют правила API, пункт 8.3.
Пример запроса: model=assemblyai/universal-2, language=ru, response_format=json.
Субтитры к роликам
Субтитры просят прямо форматом ответа, srt или vtt, и модель вроде Whisper Large v3 сразу отдаёт файл с таймкодами. Из видео сначала вытащи звук, так файл станет в разы меньше: ffmpeg -i video.mp4 -vn -ac 1 -b:a 48k audio.mp3. Готовый SRT загружай в видеоредактор или на площадку, которая принимает субтитры файлом. Перед публикацией пробеги текст глазами: имена и названия модель иногда пишет по-своему.
Пример запроса: model=openai/whisper-large-v3, response_format=srt.
Голосовые сообщения в боте
Голосовое на три минуты от коллеги, который «быстренько объяснит», бот может сам превратить в текст. Голосовые Telegram приходят в OGG, и этот формат принимается как есть. Для коротких записей удобны Whisper Large v3 Turbo, Qwen3-ASR Flash, который сам определяет язык, и Cartesia Ink Whisper. Списываются секунды, поэтому голосовое на 15 секунд стоит четверть минутной цены.
Пример запроса: model=qwen/qwen3-asr-flash, файл voice.ogg, response_format=json.
Интервью и подкасты
Журналисту нужна не только расшифровка, но и время каждой цитаты, чтобы быстро её переслушать. Такой ответ даёт формат verbose_json со временем слов, его отдаёт, например, Whisper Large v3. Для длинных записей подойдёт Gemini 3.5 Transcribe: Google принимает до часа звука за запрос, а со временем слов или разметкой говорящих — до 30 минут. Время каждого слова у вендора умеет ставить и ElevenLabs Scribe v3. Про наш предел в 25 МБ тоже помни: запись длиннее раздели по паузам.
Пример запроса: model=openai/whisper-large-v3, response_format=verbose_json, timestamp_granularities[]=word.
Поиск по архиву записей
Сотни старых вебинаров бесполезны, пока по ним нельзя искать. Расшифруй архив недорогой моделью, например Whisper Large v3 Turbo, нарежь текст на куски и преврати их в векторы — тогда находится и запись, где нужную мысль сказали другими словами. Векторы считают модели из раздела эмбеддинги по API.
Пример запроса: model=openai/whisper-large-v3-turbo, language=ru, response_format=json.
Как подключить
Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI. Пример — с моделью ElevenLabs Scribe v3: у других моделей меняется только model.
curl
curl https://veselo.ai/v1/audio/transcriptions \
-H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
-F model="elevenlabs/scribe-v3" \
-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="elevenlabs/scribe-v3", 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: 'elevenlabs/scribe-v3',
file: fs.createReadStream('speech.mp3'),
});
console.log(r.text);В программах: тем же ключом и по тому же адресу, что остальные модели, — из любого HTTP-клиента или библиотеки openai. Библиотеки и программы
Вопросы и ответы
- Переводит ли API речь на другой язык?
- Нет, модели расшифровывают запись на её языке. Нужен текст на другом языке — отдай готовую расшифровку нейросети для перевода.
- Можно ли распознавать речь в реальном времени?
- Нет. API принимает готовый файл и отвечает текстом, потоковые модели распознавания у нас не подключены.
- Сколько минут записи помещается в 25 МБ?
- Зависит от сжатия. MP3 моно на 48 кбит/с — это около 70 минут, на 32 кбит/с — больше полутора часов. Несжатый WAV в качестве компакт-диска займёт те же 25 МБ примерно за две с половиной минуты.
- Как понять, кто из собеседников говорит?
- Возьми GPT-4o Transcribe Diarize и формат
diarized_json: у каждого куска ответа будут говорящий, начало и конец. OpenAI держит эту модель до 26 февраля 2027 года. У других моделей разметка говорящих зависит от вендора, подробности — на странице модели. - Можно ли расшифровать видео?
- Да, если прислать его звуковую дорожку. Вытащить её можно одной командой ffmpeg, пример есть выше, в задаче про субтитры. Дорожка весит в разы меньше видео и спокойно укладывается в 25 МБ.
- Чем GPT Transcribe отличается от Whisper?
- GPT Transcribe — модель, которую OpenAI сейчас рекомендует для расшифровки записей: именно она заменит Whisper-1 и GPT-4o Transcribe после 26 февраля 2027 года. Whisper Large v3 — открытая модель, а её версия Turbo вместо 32 слоёв декодера оставила 4: по словам авторов, она заметно быстрее при небольшой потере качества.
- Сколько стоит минута распознавания?
- Цена указана за минуту записи, а списываются секунды: платишь ровно за длительность файла, без округления до минуты. Живые цены всех моделей — в таблице на этой странице, а сумму каждого запроса программа увидит в ответе. Если модель не справилась с файлом, денег за запрос не будет.
- 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: huggingface.co, github.com, developers.openai.com