---
title: "Распознавание речи по API: аудио в текст"
description: "Расшифровка аудио в текст по API: Whisper, Scribe, Nova-3, Soniox и другие. Цена за минуту, русский язык, субтитры SRT. 27 моделей по одному ключу."
url: https://veselo.ai/models/raspoznavanie-rechi-api
updated: 2026-11-16T14:39:32.641Z
---

# 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: 16 ноября 2026 г.

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

## Модели и цены

**Распознавание речи: цена в рублях за минуту звука**

| Модель | Вендор | Звука за раз | Цена |
| --- | --- | --- | --- |
| [ElevenLabs Scribe v3](https://veselo.ai/models/elevenlabs/scribe-v3) | ElevenLabs | до 2 ч | 0,38 ₽ за минуту звука |
| [Deepgram Nova-3](https://veselo.ai/models/deepgram/nova-3) | Deepgram | до 2 ч | 0,54 ₽ за минуту звука |
| [Qwen3-ASR Flash](https://veselo.ai/models/qwen/qwen3-asr-flash) | Qwen (Alibaba) | до 2 ч | 0,24 ₽ за минуту звука |
| [OpenAI Whisper-1](https://veselo.ai/models/openai/whisper-1) | OpenAI | до 2 ч | 0,68 ₽ за минуту звука |
| [Amazon Transcribe](https://veselo.ai/models/amazon/transcribe) | Amazon | до 2 ч | 0,68 ₽ за минуту звука |
| [AssemblyAI Universal-2](https://veselo.ai/models/assemblyai/universal-2) | AssemblyAI | до 2 ч | 0,28 ₽ за минуту звука |
| [Cartesia Ink Whisper](https://veselo.ai/models/cartesia/ink-whisper) | Cartesia | до 2 ч | 0,26 ₽ за минуту звука |
| [Gemini 3.5 Transcribe](https://veselo.ai/models/google/gemini-3.5-transcribe) | Google | до 1 ч | 0,56 ₽ за минуту звука |
| [Inworld STT-1](https://veselo.ai/models/inworld/inworld-stt-1) | Inworld AI | до 2 ч | 0,28 ₽ за минуту звука |
| [GPT-4o Transcribe](https://veselo.ai/models/openai/gpt-4o-transcribe) | OpenAI | до 2 ч | 0,68 ₽ за минуту звука |
| [GPT-4o Transcribe Diarize](https://veselo.ai/models/openai/gpt-4o-transcribe-diarize) | OpenAI | до 2 ч | 0,68 ₽ за минуту звука |
| [GPT Transcribe](https://veselo.ai/models/openai/gpt-transcribe) | OpenAI | до 2 ч | 0,51 ₽ за минуту звука |
| [Qwen3-ASR 1.7B](https://veselo.ai/models/qwen/qwen3-asr-1.7b) | Qwen (Alibaba) | до 2 ч | 0,14 ₽ за минуту звука |
| [Soniox STT v6](https://veselo.ai/models/soniox/stt-async-v6) | Soniox | до 2 ч | 0,19 ₽ за минуту звука |
| [Grok STT](https://veselo.ai/models/x-ai/grok-stt) | xAI (Grok) | до 2 ч | 0,19 ₽ за минуту звука |
| [AssemblyAI Universal-3.5 Pro](https://veselo.ai/models/assemblyai/universal-3.5-pro) | AssemblyAI | до 2 ч | 0,40 ₽ за минуту звука |
| [Deepgram Base](https://veselo.ai/models/deepgram/nova-3) | Deepgram | до 2 ч | 1,40 ₽ за минуту звука |
| [Deepgram Nova-2](https://veselo.ai/models/deepgram/nova-3) | Deepgram | до 2 ч | 0,66 ₽ за минуту звука |
| [ElevenLabs Scribe v2](https://veselo.ai/models/elevenlabs/scribe-v3) | ElevenLabs | до 2 ч | 0,38 ₽ за минуту звука |
| [GPT-4o mini Transcribe](https://veselo.ai/models/openai/gpt-4o-transcribe) | OpenAI | до 2 ч | 0,34 ₽ за минуту звука |
| [Qwen3-ASR Flash Filetrans](https://veselo.ai/models/qwen/qwen3-asr-flash) | Qwen (Alibaba) | до 2 ч | 0,24 ₽ за минуту звука |
| [Soniox STT v5](https://veselo.ai/models/soniox/stt-async-v6) | Soniox | до 2 ч | 0,19 ₽ за минуту звука |
| [Fish Audio Transcribe 1](https://veselo.ai/models/fish-audio) | Fish Audio | до 2 ч | 0,68 ₽ за минуту звука |
| [Gemini 2.5 Flash (распознавание речи)](https://veselo.ai/models/google/gemini-3.5-transcribe) | Google | до 2 ч | 0,22 ₽ за минуту звука |
| [Deepgram Enhanced](https://veselo.ai/models/deepgram/nova-3) | Deepgram | до 2 ч | 1,63 ₽ за минуту звука |
| [Deepgram Nova](https://veselo.ai/models/deepgram/nova-3) | Deepgram | до 2 ч | 0,66 ₽ за минуту звука |
| [Whisper Tiny English](https://veselo.ai/models/openai/whisper-tiny-en) | 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](https://veselo.ai/docs/transcriptions).

**Язык записи.** Русский понимают почти все модели этой страницы. У [ElevenLabs Scribe v3](https://veselo.ai/models/elevenlabs/scribe-v3) больше 90 языков, у [Gemini 3.5 Transcribe](https://veselo.ai/models/google/gemini-3.5-transcribe) — больше 85, у [Soniox STT v6](https://veselo.ai/models/soniox/stt-async-v6) — больше 60, у [Grok STT](https://veselo.ai/models/x-ai/grok-stt) — больше 38, у [Inworld STT-1](https://veselo.ai/models/inworld/inworld-stt-1) — 30. [AssemblyAI Universal-2](https://veselo.ai/models/assemblyai/universal-2) работает с 99 языками, и русский вендор относит к группе с самой высокой точностью. Главное исключение — [AssemblyAI Universal-3.5 Pro](https://veselo.ai/models/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](https://veselo.ai/models/openai/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](https://veselo.ai/models/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](https://veselo.ai/models/openai/gpt-4o-transcribe), GPT-4o mini Transcribe и GPT-4o Transcribe Diarize OpenAI выключает 26 февраля 2027 года, а на смену предлагает [GPT Transcribe](https://veselo.ai/models/openai/gpt-transcribe). Открытых [Whisper Large v3](https://veselo.ai/models/openai/whisper-large-v3) и [Whisper Large v3 Turbo](https://veselo.ai/models/openai/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](https://veselo.ai/models/openai/whisper-large-v3-turbo), [Qwen3-ASR 1.7B](https://veselo.ai/models/qwen/qwen3-asr-1.7b), [Soniox STT v6](https://veselo.ai/models/soniox/stt-async-v6);
- совещания с шумом и несколькими участниками — [Deepgram Nova-3](https://veselo.ai/models/deepgram/nova-3): Deepgram советует её как раз для встреч, шумных и дальних записей;
- смесь языков в одной записи — [Grok STT](https://veselo.ai/models/x-ai/grok-stt): по описанию xAI, модель сама замечает, когда собеседник перешёл на другой язык;
- длинные интервью — [Gemini 3.5 Transcribe](https://veselo.ai/models/google/gemini-3.5-transcribe) и [ElevenLabs Scribe v3](https://veselo.ai/models/elevenlabs/scribe-v3);
- новый проект на моделях OpenAI — [GPT Transcribe](https://veselo.ai/models/openai/gpt-transcribe), а старый код под `whisper-1` продолжит работать на [OpenAI Whisper-1](https://veselo.ai/models/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](https://veselo.ai/models/llm-api). Для самой записи подойдёт [Deepgram Nova-3](https://veselo.ai/models/deepgram/nova-3), а если важно, кто что сказал, — [GPT-4o Transcribe Diarize](https://veselo.ai/models/openai/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](https://veselo.ai/models/deepgram/nova-3) и пакетная [AssemblyAI Universal-2](https://veselo.ai/models/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](https://veselo.ai/legal/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](https://veselo.ai/models/openai/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](https://veselo.ai/models/openai/whisper-large-v3-turbo), [Qwen3-ASR Flash](https://veselo.ai/models/qwen/qwen3-asr-flash), который сам определяет язык, и [Cartesia Ink Whisper](https://veselo.ai/models/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](https://veselo.ai/models/openai/whisper-large-v3). Для длинных записей подойдёт [Gemini 3.5 Transcribe](https://veselo.ai/models/google/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](https://veselo.ai/models/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](https://veselo.ai/models/openai/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](https://veselo.ai/models/embeddings-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](https://veselo.ai/docs/sdks)

[ElevenLabs Scribe v3](https://veselo.ai/models/elevenlabs/scribe-v3) · [Документация раздела](https://veselo.ai/docs/transcriptions)

## 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](https://veselo.ai/models/perevod-api).

**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](https://veselo.ai/models/openai/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

- [Распознавание речи по API за рубли — документация API](https://veselo.ai/docs/transcriptions)
- [Подключить к Claude и ChatGPT](https://veselo.ai/connect)
- [Все модели и цены](https://veselo.ai/models)

Факты сверены 16 ноября 2026 по документации: [huggingface.co](https://huggingface.co/openai/whisper-large-v3-turbo), [github.com](https://github.com/openai/whisper), [developers.openai.com](https://developers.openai.com/api/docs/guides/speech-to-text)
