Распознавание речи в AssemblyAI: модели, диаризация и цены

AssemblyAI стоит выбрать, если продукту нужны распознавание речи, разделение реплик по говорящим и структурированные заметки из одной аудиозаписи. Главное — определиться со способом обработки: текущая флагманская модель для записей поддерживает 18 языков, а флагманская модель реального времени — 32. Для протоколов встреч начните с обработки записей; потоковый режим нужен, когда приложение должно отвечать до завершения разговора.

Как устроено распознавание речи в AssemblyAI?

AssemblyAI — платформа для разработчиков, которая переводит аудио в текст и предоставляет дополнительные API для анализа текста, синтеза речи и обращения к языковым моделям. Вы передаёте запись или аудиопоток, а на основе результатов строите приложение: интервью с поиском, сводку встречи, интерфейс анализа звонков или голосового агента. Платформа даёт компоненты для работы с речью; интерфейс, хранение данных, права доступа и бизнес-операции остаются за вашим продуктом.

Модели, возможности и цены сверены с действующими страницами AssemblyAI 5 ноября 2026 года. Обзор опирается на документацию, открытые страницы продуктов и приведённые ниже расчёты стоимости; тестирование точности распознавания и задержки на аудио не проводилось.

Кому подойдёт AssemblyAI, а кому лучше поискать другое решение?

AssemblyAI стоит рассматривать, когда на выходе нужна и расшифровка, и результат её обработки. Продукту для найма нужны заметки по интервью с указанием говорящих. Сервису поддержки — поиск по звонкам и выделение проблем. Голосовому помощнику — распознанные слова и надёжный сигнал о том, что собеседник закончил говорить.

Критерии этого обзора — режим обработки, нужные языки, определение говорящих, итоговый результат и стоимость выбранной конфигурации. Общий лозунг о точности на эти вопросы не отвечает.

AssemblyAI или Deepgram: когда важнее обработка реплик

Deepgram лучше подходит, если основная сложность — управление очерёдностью реплик: Flux предлагает встроенное в модель определение конца реплики и настраиваемое поведение. В руководстве по быстрому запуску Flux указано и важное различие при интеграции: Flux использует /v2/listen, поэтому прежнее подключение транскрибации через /v1/listen нельзя перенести без изменений. Рассмотрите его для телефонного помощника, который постоянно перебивает звонящих или медлит после окончания их реплики; сравнивайте это поведение на собственных звонках.

Когда стоит выбрать ElevenLabs

ElevenLabs подходит лучше, если нужен более широкий выбор языков для работы в реальном времени или расшифровка медиаматериалов. В документации по распознаванию речи для Scribe v2 и Scribe v2 Realtime указаны 90+ языков, а для обработки записей — метки неречевых звуковых событий. Проверяйте каждый режим отдельно, прежде чем обещать одинаковые возможности. Там же сказано, что дословного режима нет: если важно сохранить каждую заминку, это конкретный повод проверить другой вариант.

Когда удобнее OpenAI

OpenAI удобнее, если приложение уже использует его API и транскрибацию нужно добавить к существующей интеграции. В руководстве по переходу на новые модели транскрибации разделены GPT-Transcribe (gpt-transcribe) для готовых записей и GPT-Live-Transcribe (gpt-live-transcribe) для непрерывного аудиопотока. Для файлов с метками говорящих предусмотрен отдельный процесс с gpt-4o-transcribe-diarize; не рассчитывайте, что переход на более новую модель сохранит форматы субтитров и временные метки.

Больше вариантов — в нашем сравнении API распознавания речи. Если вам нужно только готовое приложение для заметок со встреч, сначала изучите эту категорию продуктов, а уже затем беритесь за интеграцию API.

Транскрибация аудио в AssemblyAI: записи и выбор модели

API AssemblyAI для готовых записей — естественная отправная точка для завершённых встреч, интервью и звонков. Файл обрабатывается асинхронно: приложение отправляет задание, а по завершении забирает результат. Человеку, который читает протокол, не обязательно получать текст, пока кто-то ещё говорит.

Названия моделей здесь существенны: стабильная модель для записей, предварительная версия и флагман для реального времени — разные продукты. В актуальном каталоге моделей и руководствах по выбору для каждого режима представлен такой набор:

Одинаковый идентификатор universal-3-5-pro в строках для записей и реального времени не делает их API взаимозаменяемыми. В запросах для записей используется массив speech_models во множественном числе, а в потоковых подключениях — параметр speech_model в единственном.

Universal-3.5 Pro для записей поддерживает английский, испанский, немецкий, французский, португальский, итальянский, турецкий, нидерландский, шведский, норвежский, датский, финский, хинди, вьетнамский, арабский, иврит, японский и мандаринский китайский. Переключение языков означает распознавание разговора, в котором язык меняется, без требования вести всю запись на одном языке.

В документации AssemblyAI по выбору модели для записей указана комбинация по умолчанию: ["universal-3-5-pro", "universal-2"]. Выбирается первая модель, поддерживающая определённый или заданный язык. Проверяйте поле speech_model_used в ответе, а не предполагайте, что каждое задание выполнил флагман.

Это важно, например, для продукта с интервью на английском и корейском. Английский может обрабатывать Universal-3.5 Pro; корейского в списке этой модели нет, и для него нужен вариант с более широким языковым охватом. Формулировка «транскрибация на 99 языках» для всего приложения скрывает смену модели, которую необходимо учитывать при проверке.

Как обработать запись встречи

Руководство AssemblyAI по транскрибации файлов предусматривает URL размещённого аудио или загрузку локального файла. Для функции заметок со встреч полезна такая последовательность:

1. 1

   Выберите модель и способ обработки языка

   Явно задайте нужный массив speech_models. Включите language_detection, если приложение ещё не знает язык. Сохраняйте выбранную модель в метаданных задания, чтобы при оценке различать варианты обработки.

2. 2

   Запросите расшифровку под задачи продукта

   Отправьте запись в POST /v2/transcript с speaker_labels: true, если интерфейсу нужен диалог с указанием говорящих. Добавьте подходящие ключевые термины, например имена клиентов и названия продуктов, если тестовые записи показывают, что их распознавание требует помощи.

3. 3

   Дождитесь завершения задания

   Опрашивайте GET /v2/transcript/{id} или используйте вебхук завершения. Явно обрабатывайте ошибки заданий. Сохраняйте идентификатор расшифровки вместе с собственным идентификатором встречи, чтобы последующие сводки и исправления относились к нужной встрече.

4. 4

   Стройте заметки на основе проверяемых реплик

   Сохраните реплики говорящих и временные метки до генерации сводки. При спорном решении руководитель должен иметь возможность открыть исходный фрагмент, а не довольствоваться абзацем без подтверждений.

Ключевые термины и контекстные инструкции решают разные задачи. Первые задают ожидаемую лексику, вторые описывают ситуацию. Universal-3.5 Pro принимает до 1,000 ключевых терминов, Universal-2 — до 200. Ни одна из этих возможностей не оправдывает оценку только по чистому образцу со знакомыми словами.

Когда удобнее Sync или Dictation

Sync Speech-to-Text API от AssemblyAI возвращает готовую расшифровку в одном HTTP-ответе. Он подходит для короткого голосового сообщения или другой ситуации, где управление асинхронным заданием лишь усложняет состояние приложения. Руководство по Sync различает прямую загрузку по HTTP длительностью до 20 минут и запросы через SDK или с загрузкой в реальном времени, ограниченные 120 секундами. Это ограничение конкретного интерфейса важно, если прототип использует SDK, а позднее приложение будет принимать более длинные записи.

Dictation API в том же запросе добавляет к расшифровке отредактированный или отформатированный текст. Он подходит, когда голосовое сообщение нужно превратить в текст, готовый к отправке. Обычная транскрибация нужна для сохранения исходных формулировок; диктовка — когда редактирование входит в ожидаемый результат.

Потоковое распознавание для голосовых агентов и субтитров

Потоковый режим AssemblyAI предназначен для приложений, которые должны реагировать по ходу разговора. Постоянное WebSocket-соединение принимает аудио и выдаёт события с текстом по мере поступления речи. Интерфейс субтитров показывает обновления, а система управления голосовым агентом использует их для выбора следующего действия.

Для новой интеграции начните проверку с Universal-3.6 Pro Realtime. На странице выбора потоковой модели она указана как модель по умолчанию, если speech_model не задан. Закрепите модель явно, чтобы при проверке конфигурации было понятно, что именно вы собирались развернуть.

У бюджетных альтернатив языковой охват уже. Universal-Streaming English, обозначенная на странице цен как Universal-Streaming, работает с английским. Universal-Streaming Multilingual поддерживает английский, испанский, немецкий, французский, португальский и итальянский, определяя язык на уровне реплики. Флагман реального времени поддерживает переключение языков непосредственно внутри речи и охватывает больше языков. Поэтому для двуязычного собеседника, который меняет язык внутри предложения, нужна отдельная тестовая запись: случай смены языка между репликами её не заменит.

Для помощника по записи на приём важны правильно понятый запрос и подходящий момент ответа. Фрагмент расшифровки может содержать верную дату, пока клиент ещё уточняет время. Если считать каждый фрагмент завершённой инструкцией, можно оформить неверную запись даже при правильно распознанных словах.

В руководстве по потоковой обработке описаны сообщения Begin, Turn и Termination. Сообщение Turn с end_of_turn: true отмечает завершённую реплику. Сигнал границы речи сам по себе не разрешает операцию. Отделяйте промежуточный текст от текста, который фиксирует бизнес-логика, согласуйте кодирование аудио и частоту дискретизации с источником и завершайте сеанс по окончании звонка.

При оценке стоит отдельно учитывать неверные слова, ошибки в сущностях, преждевременные ответы и долгие паузы после законченного запроса. Помимо времени транскрибации измеряйте полную задержку от завершения запроса до ответа агента: на неё влияют приложение, языковая модель и синтез речи.

Диаризация в AssemblyAI: кто что сказал

Диаризация в AssemblyAI группирует речь по говорящим и отвечает на вопрос «какому голосу принадлежит эта реплика?». Speaker Identification — отдельная функция, которая пытается сопоставить голосам имена или роли. Наличие в расшифровке меток «A» и «B» ещё не означает, что известно, кто интервьюер, а кто клиент.

Для записей speaker_labels: true возвращает реплики с указанием говорящих, как показано в документации по диаризации записей. Такие сегменты удобны для проигрывателя интервью, который подсвечивает говорящего и переходит к соответствующему фрагменту аудио.

В реальном времени AssemblyAI возвращает значения speaker_label на уровне реплик и поля говорящего у окончательно распознанных слов. Эти назначения предварительные, поэтому приложение должно поддерживать исправления. В документации по говорящим в потоке описаны сообщения SpeakerRevision, меняющие ранее полученные реплики; последние исправления поступают до Termination.

Представьте рабочую встречу, где короткое «я сделаю» превращается в назначенную задачу. Если первоначальная метка говорящего неверна, а приложение не применяет исправление, итоговый протокол поручит задачу другому человеку. Храните реплики по turn_order, применяйте исправления и формируйте окончательные заметки по исправленной расшифровке. Неизменяемый журнал первого текстового события для этой функции не подходит.

Есть ещё два неочевидных ограничения:

• max_speakers — жёсткий предел. При его превышении дополнительные говорящие объединяются с уже существующими метками. Если указать только ожидаемое число участников без запаса на опоздавшего, определение говорящих может пострадать.
• Короткие ответы могут получать PENDING. Считайте их неатрибутированными, пока не появятся достаточные основания или исправление. Одновременная речь тоже остаётся сложным случаем: документация предупреждает, что одновременно говорящих нельзя просто разделить на независимые голоса.

Если система записи уже сохраняет каждого участника в отдельном канале, сохраните эту структуру и проверьте многоканальную транскрибацию. Разделение каналов и диаризация решают задачу по-разному: первое использует структуру записи, вторая определяет смену говорящих в смешанном аудио. Многоканальная обработка также влияет на счёт.

Speech Understanding и возможности языковых моделей

Функции Speech Understanding — самый весомый довод в пользу AssemblyAI по сравнению с интеграцией, которая даёт только текст. В документации Speech Understanding перечислены Action Items, Auto Chapters, Custom Formatting, Entity Detection, Key Phrases, Sentiment Analysis, Speaker Identification, Summarization, Topic Detection и Translation.

Для заметок со встреч полезна конкретная цепочка: расшифровать встречу, уточнить говорящих, составить сводку, затем выделить задачи и ответственных. Для аналитики поддержки это могут быть сущности и темы завершённых звонков. Подключение всех функций анализа по умолчанию увеличивает расходы, не подтверждая, что продукт использует их результаты.

LLM Gateway нужен, когда результат должен соответствовать собственной схеме или инструкциям рассуждения. Большая языковая модель, или LLM, может преобразовать текст расшифровки в поля decision, owner, due_date и evidence. В руководстве по Gateway описаны подстановка расшифровки по transcript_id, структурированные ответы, вызов инструментов, повторные попытки и резервные модели через общий API.

При этом всё равно нужно определить, что считать корректным ответом. Если человек говорит «как-нибудь на следующей неделе», извлечение должно сохранить неопределённость, а не придумать календарную дату. Если никто не взял задачу на себя, пустое поле ответственного полезнее правдоподобного имени. Связывайте извлечённые пункты с исходными репликами, чтобы их можно было проверить.

Корректный JSON подтверждает, что результат имеет нужную структуру. Он не доказывает, что предлагаемое действие состоялось или человек с ним согласился. Предусмотрите подтверждение в приложении, прежде чем извлечённые заметки начнут менять клиентские записи или назначать значимые задачи.

Medical Mode — дополнительная отраслевая функция для медицинской лексики, доступная у поддерживаемых моделей для записей и потока на английском, испанском, немецком и французском. Её языковой охват уже, чем у платформы в целом. Многоязычному медицинскому продукту нужно отдельно проверить этот режим, а не предполагать, что специализация доступна для каждого языка транскрибации.

AssemblyAI-TTS-1 работает в обратном направлении: преобразует текст в речь через потоковый WebSocket или HTTP. Он поддерживает английский, испанский, немецкий, французский, итальянский и португальский, а также клонирование голоса и временные метки слов. Для голосового агента это означает отдельные проверки модели ввода, модели рассуждения и выходного голоса. Список языков распознавания в реальном времени не становится автоматически списком языков синтеза речи.

Сколько стоит AssemblyAI?

Для читателя этого обзора разумно начать с оплаты по факту использования: у AssemblyAI нет минимальных обязательств, а счёт зависит от включённых моделей и функций. Ниже — публичные тарифы со страницы цен AssemblyAI, проверенные 5 ноября 2026 года. Для записей оплачивается обработанное аудио, для потока — время открытого сеанса.

• Universal-3.5 Pro: $0.21 за час готовой аудиозаписи.
• Universal-2: $0.15 за час готовой аудиозаписи.
• Universal-3.6 Pro Realtime: $0.45 за час потокового сеанса.
• Universal-Streaming: $0.15 за час потокового сеанса; в документации это Universal-Streaming English.
• Universal-Streaming Multilingual: $0.15 за час потокового сеанса.
• Universal-3.6 Pro Preview: отдельного тарифа на текущей странице цен нет; уточните его, прежде чем закладывать предварительную версию в бюджет.
• Universal-3.5 Pro Realtime: в документации по-прежнему указана как поддерживаемая, но отдельной строки на текущей странице цен нет; уточните тариф для закреплённой в вашей интеграции модели.
• Sync API: $0.30 за час аудио.
• Dictation API: $0.62 за час, включая указанные функции форматирования и инструкций.
• AssemblyAI-TTS-1: $15 за миллион входных символов.

Для описанных выше заметок со встреч и голосовых агентов на выбор влияют следующие доплаты:

• Speaker Diarization: ещё $0.02 за час записи или $0.12 за час потокового сеанса.
• Summarization: ещё $0.02 за час при уровне low, используемом по умолчанию, или $0.07 при уровне medium.
• Speaker Identification: ещё $0.02 за час при уровне low, используемом по умолчанию, или $0.10 при уровне medium.
• Medical Mode: ещё $0.15 за час на совместимых моделях.
• Инструкции Universal-3.5 Pro: ключевые термины и контекстные инструкции тарифицируются отдельно, по $0.05 за час каждый; у Universal-2 ключевые термины включены.
• Ключевые термины в потоке: включены у Universal-3.6 Pro Realtime; у Universal-Streaming доплата составляет $0.04 за час.

LLM Gateway отдельно тарифицирует входные и выходные токены выбранной модели. Токен — единица текста, которую обрабатывает модель. Заявленные тарифы Gateway предполагают глобальную маршрутизацию; на странице цен сказано, что региональная маршрутизация US/EU стоит на 10% дороже. Учитывайте это при оценке собственного процесса извлечения данных.

Такое сравнение помогает принять практическое решение. Если обе модели для записей проходят ваши критерии приёмки, Universal-2 экономит деньги. Если более дорогая модель позволяет избежать достаточно большого объёма исправлений, чтобы оправдать разницу, выбирайте её. Расчёт не предполагает, что какая-либо из моделей уже прошла проверку на вашем аудио.

Для сеансов реального времени единица тарификации прямо указана в документации по оплате: время считается, пока WebSocket открыт, включая простой. Условные 1,000 часов сеансов Universal-3.6 Pro Realtime с диаризацией стоят $570, без вызовов LLM и синтеза речи. Соединение, открытое час, оплачивается за час, даже если речи в нём только 20 минут. Закрывайте его сразу после завершения взаимодействия.

Многоканальная транскрибация оплачивается за каждый канал. Часовая запись, обработанная как два независимых канала, даёт два часа тарифицируемой транскрибации. Учитывайте в бюджете и структуру записи, и модель: монофоническая встреча и звонок с разделёнными каналами создают разные расходы.

На странице цен заявлены бесплатная регистрация без карты и до 185 часов транскрибации записей и до 333 часов потоковой транскрибации. Это опубликованные максимальные лимиты, а не обещание такого объёма для любой конфигурации. Бесплатный потоковый тариф допускает 5 новых подключений в минуту; оплата по факту использования начинается со 100 новых сеансов в минуту с автоматическим масштабированием. Это скорость открытия подключений, а не число одновременных звонков. При запуске с множеством новых сеансов можно упереться в ограничение бесплатного тарифа раньше, чем исчерпается объём часов.

Какие ограничения могут изменить выбор?

У AssemblyAI достаточно различий между моделями и функциями, чтобы удачный образец расшифровки считать лишь началом проверки. Следующие ограничения с наибольшей вероятностью повлияют на реализацию или выбор поставщика.

Поддержка языков различается на разных этапах. Резервная модель для записей может расширить охват транскрибации, но у отраслевого дополнения, модели реального времени или синтезированного голоса список может быть уже. Сформулируйте требование ко всему процессу, например «корейское аудио → корейские заметки со встречи с указанием говорящих», и проверьте каждый этап.

Метки говорящих в реальном времени нужно уметь исправлять. Документация описывает предварительные метки, ответы PENDING и последующие корректировки. Экспериментальное поле уверенности в говорящем также не является калиброванной вероятностью. Не превращайте его значение в обещание, что ответственный за задачу определён верно. Отправляйте сомнительные фрагменты на проверку и применяйте исправления до формирования окончательной записи.

У предварительной модели для записей есть явные слабые места. В документации по выбору моделей AssemblyAI предупреждает, что Universal-3.6 Pro Preview может расставлять меньше знаков препинания в некоторых европейских языках и терять точность на аудио со сложными переключениями языков. Это ограничения, заявленные поставщиком, а не результаты нашего тестирования. Проверяйте её отдельно от стабильной Universal-3.5 Pro: более высокий номер версии не решает вопрос выбора.

Обработка данных требует решения на уровне аккаунта. Документация AssemblyAI по хранению данных и обучению моделей разделяет хранение для работы сервиса и использование для обучения. Допустимость обучения зависит от действующего договора и настроек; описанный режим нулевого хранения потоковых данных требует отказа от обучения, при этом операционные метаданные сохраняются. Проверьте выбранный аккаунт и регион обработки перед отправкой клиентских записей.

Анализ речи не заменяет разработку приложения. Вам всё ещё предстоит обрабатывать ошибки заданий, исправлять заметки, связывать записи с клиентами и решать, какие извлечённые действия требуют проверки. Вызов инструментов через Gateway помогает интеграции, но права доступа и логику действий реализует приложение. Эти инженерные затраты влияют на выбор даже при небольшом счёте за транскрибацию.

Вердикт: выбирайте под результат, который нужен продукту

AssemblyAI заслуживает места в списке кандидатов для продуктов, которые превращают разговоры в структурированную информацию с указанием говорящих. Для заметок по записям встреч начните с Universal-3.5 Pro и только тех функций анализа, которые использует интерфейс; сравните с Universal-2, если важны стоимость или более широкий выбор языков. Для нового помощника реального времени проверьте Universal-3.6 Pro Realtime в сравнении с подходящей бюджетной потоковой моделью и Deepgram Flux.

Правило выбора: берите AssemblyAI, когда конкретная модель, обработка нужного языка и правила выдачи меток говорящих соответствуют требованиям продукта, а функции анализа расшифровок сокращают объём собственной интеграции. Выбирайте альтернативу, если она лучше подходит по нужному языку, обработке реплик или формату результата. Убедительная демонстрация на чистом аудио сама по себе не повод менять поставщика.

На следующей неделе возьмите небольшой набор записей, которые вам разрешено использовать: обычный разговор, незнакомые имена, перебивания, короткие подтверждения и характерные для пользователей переключения языков. До сравнения результатов запишите, какие поля нужны приложению. Проверьте и расшифровку, и итоговые заметки с указанием говорящих, затем рассчитайте расходы с выбранными дополнениями и фактической длительностью подключений. Открытая тестовая площадка удобна для начала; критерием приёмки служит ваша рабочая конфигурация.

Частые вопросы

Где получить ключ AssemblyAI API?

Создайте аккаунт и получите ключ в панели управления. Постоянный ключ храните на сервере. API транскрибации записей принимает его в заголовке authorization без префикса Bearer; следуйте инструкции аутентификации конкретного API, а не считайте все конечные точки одинаковыми.

Что можно проверить в AssemblyAI Playground?

Открытая площадка позволяет выбрать пример аудио, загрузить файл или указать URL, а затем настроить контекст модели и поддерживаемые функции анализа. Она помогает изучить продукт до интеграции. Используйте характерное для ваших задач аудио и проверяйте ту же конфигурацию, которую планируете развернуть.

Какой AssemblyAI API выбрать?

API для готовых записей подходит для завершённых заданий с асинхронной обработкой, потоковый — для поступающего аудио и ответов в реальном времени, Sync — для готовой расшифровки в одном цикле запроса и ответа. Dictation добавляет отредактированный результат, когда приложению нужен готовый письменный текст.

С чего начать изучение документации AssemblyAI?

Начните с актуальной страницы выбора модели для вашего режима обработки, затем откройте соответствующее руководство по быстрому запуску. Скопируйте текущий идентификатор API, проверьте языки и функции и закрепите модель в конфигурации. Название продукта из старого руководства может относиться к другому поколению моделей.

Используйте AI Business Workflow Audit Checklist, чтобы описать источник аудио, нужный результат и передачу данных между компонентами приложения. Получить чек-лист.