BroadRouter

Распознавание речи (speech-to-text)

Обновлено

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.

Также называют: транскрибация, транскрибация аудио, API транскрибации, перевод аудио в текст, голос в текст, автоматическое распознавание речи, speech-to-text, STT, ASR, automatic speech recognition, transcription API, audio transcription, voice to text

В голосовых сообщениях, звонках и встречах есть информация, которую программы не могут искать, пока она не станет текстом. Распознавание речи закрывает этот разрыв.

Как это работает

Hugging Face определяет автоматическое распознавание речи как “the task of transcribing a given audio to text” (перевод: «задачу перевода заданного аудио в текст»). Современная ASR-модель преобразует аудио в признаки, а затем генерирует наиболее вероятную последовательность слов.

Через OpenAI-совместимый API файл загружают как multipart form data на /v1/audio/transcriptions:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

В ответе JSON с расшифровкой в поле text. Провайдеры ограничивают размер и форматы файлов; собственный эндпоинт OpenAI принимает файлы до 25 МБ (согласно её руководству по распознаванию речи, дата обращения 2026-11-15).

Почему это важно

  • Ценность определяет точность. Расшифровка с неверными именами или числами бывает хуже, чем никакой. Точность измеряют долей ошибок в словах (WER), и она падает на акцентах, диалектах, перебивающих друг друга голосах и телефонном звуке.
  • Цена за час аудио. Распознавание речи тарифицируется за минуту аудио, поэтому объём легко спрогнозировать: часы аудио умножить на цену часа.
  • Конфиденциальность. В голосе звучат имена, номера телефонов, медицинские и банковские данные. Спросите, хранятся ли аудио и расшифровки; см. нулевое хранение данных.
  • Конвейеры. Расшифровка часто идёт дальше в LLM — для кратких изложений, маршрутизации или извлечения данных.

В BroadNet Inference

Модель Языки Цена за минуту За час
BroadNet Transcribe Arabic Арабский, включая диалекты $0.0042 $0.25
BroadNet Transcribe 14 языков $0.002 $0.12

Обе модели принимают WAV или MP3 до 26 214 400 байт (25 МиБ) на файл; файл больше вернёт 413. Для арабского передавайте language=ar, иначе расшифровка может вернуться транслитерированной латиницей. По данным BroadNet, арабская модель занимает № 2 из 37 (данные за сентябрь 2026 г.; в живом рейтинге на 15 ноября 2026 г. — № 4 из 39) в Open Universal Arabic ASR Leaderboard. Аудио и расшифровки не хранятся.

У других провайдеров бывает дешевле. На 2026-11-14 страница цен Soniox указывала около USD 0,10 за час транскрибации файлов (асинхронно) и USD 0,12 за час в реальном времени, а в списке языков Soniox есть арабский. Это ниже, чем $0.25 за час у BroadNet Transcribe Arabic, поэтому проверьте оба сервиса на своём аудио. Наш открытый индекс цен на API распознавания речи охватывает более 20 продуктов, с источником и датой для каждой цены.

Обе модели работают на бесплатном стартовом гранте $5, которого хватает примерно на 1,190 минут арабского аудио. Начните с руководства по распознаванию арабской речи, конвертируйте файлы WhatsApp .ogg по руководству для голосовых сообщений и сравните провайдеров с помощью руководства для покупателя.

Вопросы и ответы

Как измеряют точность распознавания речи?

Долей ошибок в словах (WER) — долей слов, которые расшифровка передаёт неверно по сравнению с правильным эталоном. Чем меньше, тем лучше. Измеряйте на своих записях: точность сильно зависит от акцента, диалекта и качества звука.

Как транскрибировать файлы больше лимита по размеру?

Разделите аудио на короткие части, лучше по паузам, и транскрибируйте каждую. Сжатие в MP3 тоже уменьшает размер.

Почему арабская речь иногда возвращается латиницей?

Без указания языка некоторые модели транслитерируют. В BroadNet Inference для арабского передавайте language=ar.

Открыть в MarkdownСпросить ChatGPTСпросить ClaudeСпросить Perplexity