---
title: "Текст, речь или vision: выбирайте ИИ по задаче, а не модели"
description: "Как выбрать текстовый чат, ввод изображений или транскрибацию аудио по задаче — с моделями и лимитами BroadNet и тем, чего у неё нет, например TTS."
url: https://broadrouter.com/ru/blog/text-speech-vision/
lang: ru
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/blog/text-speech-vision/) (обновлён 2026-11-15).

# Текст, речь или изображения? Начните с задачи

Команда BroadNet Inference · 7 мин чтения · Опубликовано 2026-11-15

Начните со входа и выхода. Текст на входе и текст на выходе — это чат. Фото или скан на входе и текст на выходе — чат с изображением на модели, которая принимает изображения. Записанная речь на входе и текст на выходе — транскрибация; от речи к ответу — транскрибация, затем чат. Синтеза речи, генерации изображений и эмбеддингов у BroadNet нет.

## Главное

-   Сначала выберите тип входных данных. Он определяет эндпоинт, а эндпоинт — доступные модели.
-   У BroadNet изображения принимают три чат-модели (DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B); GLM 5.3 работает только с текстом.
-   Речь отправляется в /v1/audio/transcriptions файлом WAV или MP3 размером до 26 214 400 байт. Всегда передавайте язык.
-   У BroadNet нет эндпоинтов для синтеза речи, живого голоса, генерации изображений и эмбеддингов. Если они нужны, заложите второго провайдера.
-   Соберите отдельный набор для оценки под каждый тип входа и ещё один для всей цепочки, когда речь передаётся в чат-модель.

**На этой странице**

1.  Какой тип входных данных нужен вашей задаче?
2.  Чем чат отличается от транскрибации?
3.  Какие модели принимают изображения?
4.  Как маршрутизировать каждый тип входа в коде?
5.  А если документ уже в текстовом виде?
6.  Как соотносятся затраты?
7.  Чего нет и что делать вместо этого?
8.  Зачем отдельный набор для оценки под каждый тип входа?
9.  Где здесь BroadNet Inference

«Какую модель нам взять?» — это второй вопрос. Первый — «что подаётся на вход и что должно получиться на выходе?» Фото счёта, голосовое сообщение от клиента и набранный вопрос уходят на разные виды эндпоинтов, и у каждого эндпоинта свои модели, лимиты и типичные сбои. Выберите сначала задачу — и список моделей сократится до двух-трёх.

Это руководство сопоставляет типичные задачи с типами входных данных, а затем с тем, что BroadNet Inference документирует для каждого из них. BroadRouter — собственный сайт BroadNet; факты о моделях ниже взяты из [прайс-фида](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-text-speech-vision&utm_content=body) и [справочника API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-text-speech-vision&utm_content=body) BroadNet и проверены 15 ноября 2026 года.

## Какой тип входных данных нужен вашей задаче?

| Ваша задача | Вход | Выход | Эндпоинт | Модели BroadNet |
| --- | --- | --- | --- | --- |
| Ответить на вопрос, сделать сводку, классифицировать или перевести текст | Текст | Текст | Chat completions | Любая из четырёх чат-моделей |
| Вызывать свои функции или инструменты | Текст | Вызовы инструментов | Chat completions | GLM 5.3, Qwen3.8 27B (задокументировано) |
| Прочитать фото, скан, скриншот или форму | Изображение + текст | Текст или JSON | Chat completions с изображением | DeepSeek V4.1 Flash, Qwen3.8 27B, Gemma 4 VL 26B |
| Превратить запись или голосовое в текст | Аудиофайл | Текст | Транскрибация аудио | Transcribe Arabic, Transcribe (14 языков) |
| Сделать сводку звонка или ответить на голосовое | Аудиофайл | Текст | Транскрибация, затем чат | По одной из каждой группы |
| Произнести ответ вслух | Текст | Аудио | Синтез речи | Не предлагается |
| Вести живой голосовой разговор | Аудиопоток | Аудио | Голос в реальном времени | Не предлагается |
| Создать изображение | Текст | Изображение | Генерация изображений | Не предлагается |
| Семантический поиск по документам | Текст | Векторы | Эмбеддинги | Не предлагается |

«Vision» в этой таблице означает понимание изображений: модель читает присланное вами изображение. Генерацию изображений это не означает. Разница объяснена в статье глоссария [vision-language модель](https://broadrouter.com/ru/glossary/vision-language-model/).

## Чем чат отличается от транскрибации?

Это разные эндпоинты с разной формой запроса, единицами оплаты и моделями.

**Чат** (`POST /v1/chat/completions`) принимает список сообщений в JSON и возвращает текст. Оплата идёт за токены, отдельно за вход и выход, и у каждой модели есть [контекстное окно](https://broadrouter.com/ru/glossary/context-window/), в которое помещаются промпт и ответ вместе. У BroadNet три из четырёх чат-моделей рассуждают перед ответом, и эти рассуждения засчитываются в `max_tokens`, так что оставляйте запас ([токены рассуждений и пустые ответы](https://broadrouter.com/ru/guides/reasoning-tokens-empty-response/)).

**Транскрибация** (`POST /v1/audio/transcriptions`) принимает аудиофайл как multipart-загрузку и возвращает расшифровку. Оплата идёт за минуту аудио. Документация BroadNet указывает WAV или MP3 до 26 214 400 байт на файл и требует всегда передавать `language`, потому что иначе арабский может вернуться транслитерированным латиницей.

| Модель | Языки | Цена |
| --- | --- | --- |
| [BroadNet Transcribe Arabic](https://broadrouter.com/ru/models/cohere-transcribe-arabic/) | Арабский: диалекты Залива, египетский, левантийский, магрибский и современный стандартный, по данным BroadNet | $0.0042 за минуту (около $0.25 за час) |
| [BroadNet Transcribe](https://broadrouter.com/ru/models/cohere-transcribe/) | 14, включая английский, испанский, французский, китайский (путунхуа) и арабский | $0.002 за минуту (около $0.12 за час) |

Чат-модель BroadNet не принимает аудио, а модель распознавания речи не отвечает на вопросы. Голосовой ассистент, отвечающий текстом, — это два вызова: транскрибация, затем чат. Именно такую цепочку строит статья [протоколы совещаний на арабском из записей](https://broadrouter.com/ru/blog/arabic-meeting-minutes-from-recordings/).

## Какие модели принимают изображения?

Те, у которых в записи фида в `modalities` указано `image`. На 15 ноября 2026 года:

| Модель | Вход | Контекст | Вход / выход за 1 млн токенов | Доступ |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ru/models/deepseek-v4.1-flash/) | Текст, изображение | 1 048 576 | $0.175 / $0.52 | Нужно пополнение баланса |
| [Qwen3.8 27B](https://broadrouter.com/ru/models/qwen3.8-27b/) | Текст, изображение | 262 144 | $0.175 / $2.17 | Нужно пополнение баланса |
| [Gemma 4 VL 26B](https://broadrouter.com/ru/models/gemma-4-vl-26b/) | Текст, изображение | 32 768 | $0.10 / $0.22 | Стартовый грант $5 |
| [GLM 5.3](https://broadrouter.com/ru/models/glm-5.3/) | Только текст | 1 048 576 | $0.78 / $3.46 | Нужно пополнение баланса |

Передавайте изображение как `data:` URL внутри содержимого сообщения с правильным MIME-типом. Документация BroadNet говорит, что vision предлагается «only where the model row explicitly says images or vision» (перевод: «только там, где в строке модели явно указаны изображения или vision»). Принимаемые форматы изображений в документации не перечислены, так что проверьте каждый формат, который собираетесь принимать. На ключе с оплатой по факту изображение тарифицируется как входные токены, и большое изображение расходует больше; уменьшайте его перед отправкой и оценивайте в [калькуляторе токенов изображений](https://broadrouter.com/tools/image-token-calculator/). Извлечение данных из документов от начала до конца описано в статье [извлечение данных из документов с помощью vision LLM](https://broadrouter.com/ru/blog/extract-data-from-documents-with-vision-llm/).

## Как маршрутизировать каждый тип входа в коде?

Эта функция выбирает эндпоинт по типу файла, проверяет задокументированные лимиты перед отправкой и берёт список моделей с поддержкой изображений из живого фида, а не из жёстко прописанного списка. Она использует OpenAI Python SDK, который работает с BroadNet после смены базового URL ([руководство по настройке](https://broadrouter.com/ru/guides/openai-python-sdk/)).

```python
import base64, json, mimetypes, os, urllib.request
from pathlib import Path
from openai import OpenAI

client = OpenAI(base_url=os.environ.get("BROADNET_BASE_URL", "https://inference.broadnet.ai/v1"),
                api_key=os.environ["BROADNET_API_KEY"])
feed = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json", timeout=30))
live = [m for m in feed["models"] if m.get("status", "live") == "live"]
VISION = {m["id"] for m in live if "image" in m.get("modalities", [])}
AUDIO_TYPES = {"audio/wav", "audio/x-wav", "audio/mpeg"}       # WAV or MP3, per the docs
AUDIO_MAX = 26_214_400                                         # bytes per file, per the docs
IMAGE_TYPES = {"image/jpeg", "image/png", "image/webp"}        # your allow-list; test each one

def run(task: str, path: str | None = None, *, chat_model="broadnet/gemma-4-26b-a4b",
        stt_model="broadnet/cohere-transcribe-arabic", language="ar") -> str:
    kind = mimetypes.guess_type(path)[0] if path else None
    if kind is None:                                           # text only
        r = client.chat.completions.create(model=chat_model, max_tokens=1500,
                                           messages=[{"role": "user", "content": task}])
        return r.choices[0].message.content
    if kind in AUDIO_TYPES or kind.startswith("audio/"):
        if kind not in AUDIO_TYPES:
            raise ValueError(f"{kind}: convert first, e.g. ffmpeg -i in.ogg -ar 16000 -ac 1 out.wav")
        if Path(path).stat().st_size > AUDIO_MAX:
            raise ValueError("over 26,214,400 bytes: split the audio before sending")
        with open(path, "rb") as f:                            # step 1: speech to text
            text = client.audio.transcriptions.create(model=stt_model, file=f, language=language).text
        return run(f"{task}\n\nTranscript:\n{text}", chat_model=chat_model) if task else text
    if kind in IMAGE_TYPES:
        if chat_model not in VISION:
            raise ValueError(f"{chat_model} takes no images here; pick one of {sorted(VISION)}")
        data = base64.b64encode(Path(path).read_bytes()).decode()
        r = client.chat.completions.create(model=chat_model, max_tokens=1500, messages=[{"role": "user",
            "content": [{"type": "text", "text": task},
                        {"type": "image_url", "image_url": {"url": f"data:{kind};base64,{data}"}}]}])
        return r.choices[0].message.content
    raise ValueError(f"unsupported input type {kind}")
```

Мы проверили её, направив `BROADNET_BASE_URL` на локальный мок-сервер (без вызовов живого API) и используя живой прайс-фид. Текст, WAV-файл, WAV-файл с последующей задачей и PNG — каждый дошёл до нужного мок-эндпоинта. Отправка PNG с `chat_model="broadnet/glm-5.3"` была отклонена ещё до запроса со списком трёх ID моделей с поддержкой изображений из фида. Файл `.ogg` был отклонён с командой ffmpeg для конвертации; этот шаг описан в руководстве [транскрибация голосовых WhatsApp](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/). Записи больше лимита нужно разрезать; команды ffmpeg для этого составит [нарезчик аудио](https://broadrouter.com/tools/audio-splitter-ffmpeg/).

## А если документ уже в текстовом виде?

Тогда не отправляйте его картинку. У PDF, выгруженного из учётной системы или текстового редактора, обычно есть текстовый слой; извлеките его библиотекой для PDF и отправьте текст в чат-модель. На ключе с оплатой по факту это дешевле изображения, избавляет от ошибок чтения и работает и на GLM 5.3. Оставьте vision для сканов, фото с телефона, рукописного текста, печатей и скриншотов, где текстового слоя нет.

Полезное правило для конвейера документов: сначала пробуйте извлечь текст, проверяйте, вернулся ли настоящий текст (а не пустые страницы или искажённые символы), и переходите к изображению только если нет. Для арабских PDF прочитайте выборку извлечённого текста, прежде чем ему доверять: в зависимости от того, как создавался PDF, извлечение может вернуть арабские буквы в неправильном порядке или в несоединённых формах представления. Случаи, когда изображение — лучший источник, разобраны в статье [арабский OCR с помощью vision LLM](https://broadrouter.com/ru/blog/arabic-ocr-vision-llm/).

## Как соотносятся затраты?

Каждый тип входа оплачивается в своих единицах, так что сравнивайте по задаче, а не по запросу:

-   **Текст** оплачивается за входные и выходные токены. Арабскому для того же содержания часто нужно больше токенов, чем английскому; это измеряет [счётчик токенов для арабского](https://broadrouter.com/tools/arabic-token-counter/).
-   **Изображения** при оплате по факту — это входные токены по цене входа модели, так что большое фото может стоить дороже страницы текста. В тарифе с сессиями DeepSeek изображения входят в фиксированную цену.
-   **Аудио** оплачивается за минуту записи, что бы в ней ни говорилось. У BroadNet 10 000 арабских голосовых по 30 секунд обходятся примерно в $21.00 с арабской моделью. Другие объёмы посчитает [калькулятор стоимости распознавания речи](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

Стоимость цепочки складывается из частей: голосовое, на которое отвечает чат-модель, стоит минут транскрибации плюс токенов чата для расшифровки и ответа. Чатовую часть посчитает [калькулятор стоимости LLM API](https://broadrouter.com/tools/llm-api-cost-calculator/).

## Чего нет и что делать вместо этого?

Справочник API BroadNet описывает два эндпоинта инференса: chat completions и транскрибацию аудио. Поэтому нет:

-   **Синтеза речи.** Нет `/v1/audio/speech`. Если ваш продукт должен отвечать голосом, сочетайте транскрибацию и чат BroadNet с отдельным сервисом TTS.
-   **Живого голоса.** Транскрибация принимает загруженный файл, а не живой аудиопоток. Для телефонного агента, который должен отвечать посреди звонка, нужен стек голоса в реальном времени где-то ещё. Вариант на основе файлов показан в статье [запись аудио в браузере для транскрибации](https://broadrouter.com/ru/blog/record-browser-audio-transcription-api/).
-   **Генерации изображений.** Vision здесь читает изображения, а не создаёт их.
-   **Эмбеддингов.** Нет `/v1/embeddings`. Для поиска нужна модель эмбеддингов от другого провайдера или своя; цены сравнивает [калькулятор стоимости эмбеддингов](https://broadrouter.com/tools/embedding-cost-calculator/).

В [исследовательском каталоге](https://www.broadnet.ai/inference/models) BroadNet модели синтеза речи, генерации изображений и эмбеддингов действительно есть — с пометкой, что они протестированы в её лаборатории. Это запись о том, что BroadNet тестировала, а не о том, что продаёт её API; разница объяснена в статье [как читать каталог моделей](https://broadrouter.com/ru/blog/understand-model-status/).

## Зачем отдельный набор для оценки под каждый тип входа?

Потому что каждый тип входа ломается по-своему, а среднее по всем скрывает сбои.

-   **Текст:** оценивайте на реальных сообщениях пользователей, по возможности с проверками в коде. Метод описан в статье [оценка LLM перед переходом](https://broadrouter.com/ru/blog/evaluate-llm-before-switching/).
-   **Изображения:** используйте реальные фото реального качества: снимки с телефона под углом, выцветшие чеки, печати поверх текста. Оценивайте каждое поле отдельно. Чистый рендер PDF получает гораздо более высокие оценки, чем фото, которые будут присылать ваши пользователи.
-   **Речь:** измеряйте [долю ошибок по словам (WER)](https://broadrouter.com/ru/glossary/word-error-rate/) на своих записях с разбивкой по диалекту, говорящему и качеству линии и отдельно проверяйте важные слова (имена, числа, суммы). См. статью [WER в распознавании арабской речи](https://broadrouter.com/ru/blog/arabic-asr-wer-explained/).
-   **Цепочки:** когда речь передаётся в чат-модель, оценивайте оба шага и конечный результат. Неверно расслышанное число превращается в уверенный неверный ответ, и как часто это происходит, покажет только сквозной тест.

Держите наборы раздельно, версионируйте их и перезапускайте соответствующий набор при каждой смене модели или промпта.

## Где здесь BroadNet Inference

BroadNet Inference закрывает первые пять строк таблицы задач одним ключом и одним базовым URL: текстовый чат, вызов инструментов на GLM 5.3 и Qwen3.8 27B, понимание изображений на трёх моделях и транскрибацию арабской или многоязычной речи. Gemma 4 VL 26B и обе модели распознавания речи работают на стартовом гранте $5; для DeepSeek, GLM и Qwen нужно пополнение баланса. Содержимое запросов к инференсу не хранится; необходимые метаданные аккаунта, оплаты и безопасности хранятся, как описано в [заявлении о конфиденциальности](https://www.broadnet.ai/inference-privacy) BroadNet. Для синтеза речи, генерации изображений, живого голоса или эмбеддингов используйте другой сервис. Цены на всё перечисленное — на [странице цен](https://broadrouter.com/ru/pricing/).

Бесплатные инструменты по теме (на английском)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Бесплатные инструменты (на английском)](https://broadrouter.com/tools/)

## Термины в этой статье

[Распознавание речи (speech-to-text)](https://broadrouter.com/ru/glossary/speech-to-text/)

Распознавание речи (speech-to-text, автоматическое распознавание речи, ASR) — это технология, которая превращает устную речь в письменный текст. API распознавания речи принимает аудиофайл или поток и возвращает расшифровку, обычно с оплатой за минуту аудио. Точность измеряют долей ошибок в словах (WER), и она зависит от акцента, диалекта и качества записи.

[Вызов инструментов (tool calling)](https://broadrouter.com/ru/glossary/tool-calling/)

Вызов инструментов (function calling) — это функция LLM API, при которой модель возвращает структурированный запрос на выполнение функции, заданной разработчиком, с аргументами в JSON. Приложение выполняет функцию и отправляет результат обратно; сама модель код никогда не выполняет.

[Токен (token)](https://broadrouter.com/ru/glossary/token/)

Токен — это единица текста, которую языковая модель читает и пишет: слово, часть слова, знак препинания или последовательность байтов, которую выдаёт токенизатор модели. LLM API считают, ограничивают и обычно тарифицируют использование в токенах.

[Входные и выходные токены (input and output tokens)](https://broadrouter.com/ru/glossary/input-and-output-tokens/)

Входные токены — это токены, которые языковая модель читает в запросе: системный промпт, история диалога, описания инструментов и изображения. Выходные токены — это токены, которые она генерирует в ответ, включая рассуждения. LLM API обычно тарифицируют их по отдельности, и выход, как правило, дороже.

[Предоплаченный баланс (prepaid credit)](https://broadrouter.com/ru/glossary/prepaid-credit/)

Предоплаченный баланс — это деньги, внесённые на аккаунт API до начала использования. Каждый запрос списывает с баланса свою стоимость, а когда баланс заканчивается, запросы с оплатой за использование прекращаются, пока вы его не пополните. Расходы не могут превысить внесённую сумму.

[Chat Completions API](https://broadrouter.com/ru/glossary/chat-completions-api/)

Chat Completions API — это HTTP-эндпоинт OpenAI, POST /v1/chat/completions, который принимает имя модели и список сообщений с ролями и возвращает следующее сообщение модели. Формат его запроса и ответа стал общим стандартом, который повторяют OpenAI-совместимые провайдеры и SDK.

[Доля ошибок в словах (word error rate, WER)](https://broadrouter.com/ru/glossary/word-error-rate/)

Доля ошибок в словах (word error rate, WER) — это стандартная метрика точности распознавания речи: число замен, пропусков и вставок слов, нужных, чтобы превратить расшифровку в правильный эталон, делённое на число слов в эталоне. Чем меньше, тем лучше.

[Синтез речи (text-to-speech, TTS)](https://broadrouter.com/ru/glossary/text-to-speech/)

Синтез речи (text-to-speech, TTS) — это преобразование письменного текста в звучащую речь. API TTS принимает текст, голос и формат вывода, например MP3 или WAV, и возвращает сгенерированную речь. Это обратная задача по отношению к распознаванию речи, которое превращает аудио в текст.

## Вопросы и ответы

### Какую модель ИИ использовать для работы с изображениями?

Ту, что принимает изображения в используемом вами API. В BroadNet Inference, по данным её прайс-фида, это DeepSeek V4.1 Flash, Qwen3.8 27B или Gemma 4 VL 26B; GLM 5.3 принимает только текст. Передавайте изображение как data URL в сообщении чата.

### Может ли чат-модель транскрибировать аудио?

В BroadNet Inference — нет. Аудио отправляется на эндпоинт транскрибации, /v1/audio/transcriptions, с моделью распознавания речи. Если потом нужна сводка или ответ, отправьте расшифровку в чат-модель вторым шагом.

### Есть ли в BroadNet Inference синтез речи или генерация изображений?

Нет. Её справочник API описывает только chat completions и транскрибацию аудио. Модели синтеза речи и генерации изображений есть в исследовательском каталоге BroadNet со статусом «протестирована», а это не то же самое, что «предлагается».

### Какие аудиоформаты принимает BroadNet?

WAV (audio/wav) или MP3 (audio/mpeg), до 26 214 400 байт на файл. Другие форматы, например голосовое WhatsApp в .ogg, сначала конвертируйте с помощью ffmpeg и всегда передавайте параметр language.

### Как тарифицируется изображение?

На ключе с оплатой по факту BroadNet считает изображение входными токенами по цене входа модели, и чем больше изображение, тем больше токенов. В тарифе с сессиями DeepSeek изображения входят в фиксированную цену.

## Читайте также

-   [Распознавание счетов, чеков и форм в JSON с помощью vision LLM](https://broadrouter.com/ru/blog/extract-data-from-documents-with-vision-llm/)
-   [API распознавания арабской речи: как выбрать в 2026 году](https://broadrouter.com/ru/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Многоязычный API распознавания речи: 14 языков, один эндпоинт](https://broadrouter.com/ru/blog/multilingual-speech-to-text-api/)
-   [Самый дешёвый vision LLM API: цена за изображение и за страницу](https://broadrouter.com/ru/blog/cheapest-vision-llm-api/)
-   [Протокол арабской встречи по записи: конвейер на API](https://broadrouter.com/ru/blog/arabic-meeting-minutes-from-recordings/)
-   [Live, по запросу, исследования: как читать каталог моделей](https://broadrouter.com/ru/blog/understand-model-status/)
-   [Как оценить LLM перед сменой провайдера](https://broadrouter.com/ru/blog/evaluate-llm-before-switching/)
-   [GPU-парк и подход к инференсу BroadNet — по описанию самой BroadNet](https://broadrouter.com/ru/blog/broadnet-gpu-fleet-and-serving/)
-   [Кэширование ответов LLM API: кэш точных совпадений на Python](https://broadrouter.com/ru/blog/cache-llm-responses-cut-cost/)
-   [Руководство: Как читать арабские счета и чеки vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/)
-   [Руководство: API распознавания арабской речи: пошаговое руководство](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/)
-   [Руководство: Голосовые сообщения WhatsApp в текст через API](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/)
-   [Руководство: OpenAI Python SDK и BroadNet Inference](https://broadrouter.com/ru/guides/openai-python-sdk/)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-text-speech-vision&utm_content=page-cta) ·

**Источники**

-   [Справочник BroadNet Inference API: ID моделей, чат с изображением, форматы и размер для транскрибации, статус возможностей (дата обращения 2026-11-15) (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-text-speech-vision&utm_content=sources)
-   [pricing.json BroadNet Inference: модальности, языки и цены по моделям (дата обращения 2026-11-15) (на английском)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-blog-text-speech-vision&utm_content=sources)
-   [Каталог моделей BroadNet Inference: рабочие модели, а также модели синтеза речи и изображений со статусом «протестирована» (дата обращения 2026-11-15) (на английском)](https://www.broadnet.ai/inference/models)
-   [Заявление BroadNet Inference о конфиденциальности и хранении данных (дата обращения 2026-11-15) (на английском)](https://www.broadnet.ai/inference-privacy)
