API распознавания речи в 2026 году: сравнение 7 сервисов

Выбирая API распознавания речи для голосового агента, начните с Deepgram. Для многоязычных записей с разделением по спикерам присмотритесь к ElevenLabs Scribe, а если решающее значение имеет контроль над развёртыванием — к Speechmatics. В список кандидатов теперь входит и Voxtral 3 от Mistral: обработка файлов стоит от $0.21 за час аудио. Но у модели для работы в реальном времени есть ограничение, связанное с разделением по спикерам, которое придётся учесть в архитектуре.

Цены и возможности сверены с документацией и тарифами разработчиков 21 октября 2026 года. Рекомендации основаны на заявленных возможностях и расчёте стоимости за час. Сравнительного тестирования точности на аудиозаписях мы не проводили.

API транскрибации преобразует аудио в текст внутри вашего приложения. Сначала нужно решить, будет ли приложение обрабатывать готовую запись или реагировать прямо во время разговора. Затем — что именно требуется на выходе: только слова, указание, кто их произнёс, или сигнал, по которому агент поймёт, что пора отвечать. Даже у одного поставщика этим требованиям могут соответствовать разные модели.

Если вам нужно готовое приложение для встреч или редактирования, а не API, посмотрите отдельное сравнение лучших сервисов транскрибации с ИИ. Там разобраны, в частности, Otter и Descript.

API распознавания речи: сводное сравнение

Прежде чем сравнивать цену за час, определитесь с режимом обработки. Дешёвая модель для файлов не заменяет автоматически потоковое распознавание. А потоковый распознаватель не обязательно умеет разделять спикеров или определять момент завершения реплики.

Все суммы ниже указаны в USD за базовую транскрибацию. Для моделей с поминутной оплатой используем формулу цена за минуту × 60. AssemblyAI, ElevenLabs и Speechmatics публикуют соответствующие тарифы за час — их приводим без пересчёта. Дополнительные функции, налоги, хранение, языковая модель и синтез речи в стоимость не входят. Расчёт предполагает обработку одного аудиоканала без индивидуального корпоративного договора.

Под потоковым режимом понимается приём аудио по мере его поступления. Выдача текста частями из уже загруженного файла — другая возможность. Диаризация — это разделение речи по спикерам; их имена она определяет далеко не всегда.

Исходные поминутные тарифы: у Mistral — $0.0035/$0.004/$0.008, у Deepgram для указанных вариантов — $0.0043/$0.0048/$0.0065, у OpenAI — оценочные $0.0045/$0.017, у Google — $0.016/$0.003. Диаризация в живом потоке Deepgram стоит дополнительно $0.0020/минуту. Для Google Standard взята первая ступень месячного потребления, без скидки за большой объём.

Сведения о языках и функциях взяты из документации разработчиков: таблицы языков Mistral, списка моделей Deepgram, руководства OpenAI по транскрибации, документации Google по Chirp 3, обзора возможностей ElevenLabs и руководства по моделям Speechmatics. У AssemblyAI число языков для каждой модели и дополнительные опции указаны прямо на странице тарифов.

В рекламе тарифов Speechmatics цена Melia с учётом скидок может составлять около $0.12/час. Калькулятор показывает $0.24/час за обработку файлов без скидок. В таблице приведён именно базовый тариф: без согласия на обучение моделей на ваших данных и без скидки за покупку кредитов на большой объём. Акционные потоковые тарифы Deepgram тоже стоит перепроверить перед утверждением бюджета.

Семь API: у каждого своя сильная сторона

Сначала идёт основная рекомендация для голосовых агентов, затем — варианты, которые выигрывают при определённых требованиях. Это не рейтинг точности распознавания. Одна модель может отлично подходить для архива и не подходить для живого звонка, из которого этот архив появился.

1. Deepgram: с чего начать разработку голосового агента

Для голосового агента я первым рассматриваю Deepgram: Flux возвращает не только расшифровку, но и сигналы о ходе реплики. Такой сигнал сообщает приложению, что собеседник, по всей видимости, закончил говорить. Агенту, который должен отвечать, это полезнее, чем просто очередное верно распознанное слово. Nova-3 — отдельное решение для обычной транскрибации: записанных файлов, субтитров и задач, где не нужно встроенное в модель определение конца реплики.

Представьте помощника для записи на приём, который слышит: «Мне нужно на пятницу… нет, на понедельник». Промежуточный текст помогает подготовить ответ, но ещё не даёт оснований записывать человека на пятницу. Приложение должно различать продолжающуюся речь, предполагаемый конец реплики и её возобновление. В кратком руководстве по Flux для этого описаны события EndOfTurn, опциональное EagerEndOfTurn и TurnResumed.

Практическая польза при интеграции в том, что правила ответа агента можно задать явно. Начинайте подготовку заранее, только если сможете отменить её, когда собеседник продолжит говорить. Действия с внешними последствиями, например подтверждение записи, должны проходить через собственную логику принятия решений и подтверждений в приложении. Опережающая подготовка полезна лишь тогда, когда поправка собеседника не приводит к ошибочному действию.

Кому подойдёт: Голосовым агентам, работающим в реальном времени, и командам, которым нужны отдельные модели для обычной транскрибации и диалога.
Главная особенность: Встроенные события реплик у Flux; Nova-3 для файлов и субтитров.
Цена: От $0.0043/минуту, или $0.258 за час аудио, для одноязычных файлов Nova-3; потоковые модели и дополнения указаны в таблице отдельно.
Бесплатная проба: Кредиты на $200 без привязки банковской карты, согласно странице тарифов Deepgram.

Основное ограничение — различия в функциях и языках между моделями. Flux English работает на английском. У Flux Multilingual указаны английский, испанский, французский, немецкий, хинди, русский, португальский, японский, итальянский и нидерландский. Более широкий список языков Nova не означает, что Flux подойдёт для любого языка вашего продукта. И наоборот: универсальность Nova в транскрибации не означает, что модель умеет управлять репликами так же, как Flux.

Требования к меткам спикеров тоже меняют интеграцию и стоимость. Актуальная документация по диаризации рекомендует параметр diarize_model с указанием версии. Модели диаризации для файлов и потока различаются: запрос версии, предназначенной только для пакетной обработки, в потоковой сессии вернёт ошибку валидации. Если вы делаете сервис для встреч, проверьте метки спикеров именно в том ответе API, который будете сохранять. Успешный пример с файлом ещё не доказывает, что живой поток работает так же.

Небольшой прототип может скрыть и ограничения масштабирования. На странице PAYG-тарифов Deepgram указаны до 150 одновременных WebSocket-соединений для распознавания речи и 50 REST-запросов. Речь об одновременной обработке, а не о суммарных часах за месяц. Если приложение открывает звонки всех клиентов в начале рабочего дня, нужно учитывать пиковую нагрузку, даже при невысокой средней.

Вывод: Flux стоит выбирать за работу с диалогом, а не только за расшифровку. Если продукту нужен лишь поиск по записям после звонка, начните с Nova-3 или другого решения для файлов. Подробную структуру тарифов разбирает отдельный обзор цен Deepgram.

Как начать интеграцию Flux

1. 1

   Выберите модель для диалога

   Для английского используйте flux-general-en, для других поддерживаемых языков — flux-general-multi, сверившись с документацией. Начните с актуального краткого руководства разработчика по Flux и WebSocket-пути /v2/listen.

2. 2

   Укажите параметры передаваемого аудио

   Для аудио linear16 без контейнера указывайте фактическую частоту дискретизации; в кратком руководстве Deepgram рекомендует 16000. Для поддерживаемых контейнерных форматов следуйте описанной процедуре автоматического определения, не добавляя противоречащие ей настройки сырого аудио.

3. 3

   Обрабатывайте текст и события реплик отдельно

   Показывайте или накапливайте обновления расшифровки, а EndOfTurn обрабатывайте как отдельное событие. Начните с документированного значения eot_threshold по умолчанию — 0.7. Опережающую генерацию добавляйте лишь после того, как обработаете TurnResumed и сможете отменять незавершённый ответ.

4. 4

   Проверьте реальные паузы и перебивания

   Попробуйте сценарии, в которых собеседник исправляет дату, замолкает в поисках номера счёта или говорит одновременно с агентом. Проверьте, ждёт ли приложение, возобновляет ли прослушивание и сохраняет ли поправку. Это предлагаемые приёмочные проверки, а не тесты, проведённые для этого сравнения.

2. Mistral Voxtral 3: перспективный вариант для файлов с оговорками о предварительной версии

Voxtral 3 от Mistral уже стоит проверить на файловой транскрибации, особенно если вам нужны API с размещением в ЕС или самостоятельное развёртывание. Семейство моделей транскрибации вышло в открытую предварительную версию 20 октября 2026 года. В него входят Voxtral Mini Transcribe 3 и Voxtral Small Transcribe 3 для записанного аудио, а также Voxtral Mini Transcribe Realtime 3 для живого потока. Это разные модели, а не одна модель с переключателем потокового режима.

Для продукта это означает следующее. Приложение, которое загружает интервью с клиентами, может протестировать Mini без оплаты живых сессий и разработки управления диалогом. Телефонному агенту нужна модель Realtime и отдельно продуманная логика момента ответа. Файловые модели Mistral поддерживают 50 языков, а у Realtime указаны 45 языков и диалектов. Именно эти показатели конкретных моделей следует закладывать в требования к продукту.

Mistral позиционирует Small как более качественную модель для файлов. Это позиционирование самой Mistral, а не результат измерения точности в нашей статье. Практический вопрос — исправляет ли Small ошибки на важных для вас записях: в именах клиентов, кодах товаров, речи с акцентом или при наложении голосов. Если Mini уже проходит ваш набор приёмочных проверок, более крупная модель не обязательно будет лучшим выбором для продукта.

Кому подойдёт: Командам, которым нужна транскрибация файлов с возможностью размещения в ЕС, и тем, кто оценивает новое поколение Voxtral.
Главная особенность: Отдельные модели транскрибации Mini, Small и Realtime с явно описанными режимами работы.
Цена: От $0.0035/минуту, или $0.21 за час аудио, для файловой транскрибации Mini; коммерческие условия самостоятельного развёртывания — только по запросу.
Бесплатная проба: На указанных страницах моделей размер бесплатного лимита транскрибации не приведён; прежде чем планировать бесплатную обработку, проверьте условия аккаунта.

Самое существенное ограничение раскрыто в подробном обзоре распознавания речи: диаризация в реальном времени и определение конца реплики не могут работать в одной сессии. Даже если в описании семейства упомянуты обе функции, это не означает, что их можно объединить в одном запросе.

Допустим, вы создаёте агента, который должен сразу отвечать звонящим и формировать для руководителей запись с разделением по спикерам. Руководство Mistral по диаризации рекомендует определять конец реплик в реальном времени, сохранять аудио, а затем разделять спикеров в готовой записи. Архитектура рабочая, но добавляет ещё один этап обработки. Если метки спикеров и сигналы реплик нужны одновременно в живом потоке, рассмотрите другую модель: смена настроек сама по себе не снимет ограничение.

Для редакторов и сервисов субтитров есть ещё одна граница. В актуальной документации файловых моделей предусмотрены временные метки сегментов, но не отдельных слов. Сегмент отмечает отрезок речи; метка слова позволяет подсветить конкретное слово или перейти к нему. Это разные возможности продукта. Текст может быть качественным, но точности привязки ко времени всё равно окажется недостаточно для интерфейса.

Так же внимательно относитесь к заявлениям о понимании аудио. Анонс семейства описывает более широкий набор голосовых технологий, но актуальное руководство по распознаванию речи направляет задачи вопросов по аудио и перевода в чат с аудиовходом, где на момент запуска используется Voxtral 2. Не представляйте эти смежные возможности как подтверждённые функции транскрибации Voxtral 3. Статус предварительной версии — повод закрепить конкретную модель и проверить нужный сценарий, а не отказаться от рассмотрения.

Вывод: включите Voxtral Mini в список кандидатов для файлов, а Realtime проверяйте на точное соответствие требованиям к диалогу. При условном объёме 1,000 часов файлов в месяц базовая транскрибация Mini стоит $210, Small — $240. Разница достаточно мала, чтобы выбор определяли затраты на исправление ошибок. Более широкий разбор стоимости моделей есть в отдельном руководстве по ценам Mistral.

3. AssemblyAI: выбирайте под работу с расшифровкой

AssemblyAI подходит продуктам, которым нужны структурированные расшифровки и понятный набор дополнительных функций обработки. Universal-2 — файловая модель с широким охватом языков; Universal-3.5 Pro — другая файловая модель, с меньшим числом языков и дополнительными возможностями промптинга. У Universal-Streaming и Universal-3.6 Pro Realtime для живого потока свои цены и функции. Одного названия поставщика недостаточно, чтобы выбрать вариант запроса для рабочего приложения.

Хороший пример — приложение для разбора звонков. Клиент загружает запись, приложение формирует реплики с временными метками, а проверяющий видит, кто дал то или иное обещание. Затем можно решить, нужны ли ещё сводка, извлечение сущностей или удаление чувствительных данных. Эти функции решают разные задачи. Включив всё доступное, легко увеличить расходы, ничего не улучшив на важном для пользователя экране.

На актуальной странице тарифов в файловую транскрибацию включены временные метки слов и форматирование, а диаризация спикеров предлагается за доплату. Отдельно описана функция Speaker Identification, которая может заменять общие метки именами или ролями. Разница существенна: для некоторых интерфейсов воспроизведения достаточно «Спикер A», а для обучения сотрудников или контроля качества могут понадобиться роли «клиент» и «оператор».

Кому подойдёт: Сервисам работы с записями звонков и приложениям, которым нужна обработка структурированных расшифровок.
Главная особенность: Отдельные функции для файлов, реального времени и дополнительного анализа речи.
Цена: От $0.15 за час аудио для файлов Universal-2 или Universal-Streaming; метки спикеров оплачиваются отдельно.
Бесплатная проба: Регистрация без карты; разработчик указывает до 185 часов записанного аудио и до 333 часов потокового, в зависимости от модели и предоставленного лимита.

Основное ограничение — разный охват языков у моделей и тарифов. У Universal-2 указаны 99 языков, у Universal-3.5 Pro — 18, у Universal-3.6 Pro Realtime — 32. Более дешёвый Universal-Streaming Multilingual поддерживает английский, испанский, немецкий, французский, португальский и итальянский. Если рекламировать поддержку языков по самому большому числу у поставщика, можно пообещать потоковую функцию, которой у выбранной модели нет.

Владельцу продукта стоит составить список приёмочных требований по сочетаниям языков и функций. Если клиенты говорят на немецком и японском, проверьте каждый из этих языков у выбранной файловой или потоковой модели. Затем протестируйте сложные записи на этих языках. Наличие языка в списке не гарантирует качество на вашей лексике, при ваших условиях записи или характере переключения между языками.

Метки спикеров тоже влияют на сравнение. Universal-3.5 Pro с диаризацией файлов суммарно стоит $0.23/час. Universal-3.6 Pro Realtime с диаризацией — $0.57/час. При условных 1,000 часах в месяц соответствующие конфигурации обойдутся в $230 и $570. Они обслуживают разные сценарии, поэтому разницу нельзя считать платой за ускорение одной и той же задачи.

Отдельно нужно учитывать синхронный API. Он возвращает готовую расшифровку в рамках одного запроса, тогда как асинхронная обработка файла создаёт задачу, результат которой приходит позже. Ни тот ни другой вариант сам по себе не равнозначен постоянно открытому соединению с живым аудио. Выбирайте по пользовательскому сценарию: короткая голосовая заметка допускает небольшой цикл загрузки и ответа, а собеседнику, ожидающему реакции, нужен режим реального времени.

Вывод: выбирайте AssemblyAI, когда расшифровка становится структурированными данными продукта. Прежде чем выбирать модель, набросайте нужный экран разбора или структуру записи для дальнейшей обработки. Если нужны реплики с указанием спикера, сразу рассчитывайте такую конфигурацию. Если достаточно текста с поиском, не оплачивайте обработку, результат которой пользователи никогда не увидят.

4. ElevenLabs Scribe: для многоязычных записей и медиаконтента

ElevenLabs Scribe стоит включить в список кандидатов для многоязычных записей, которым нужны метки спикеров, привязка слов ко времени и обозначения неречевых звуков. У Scribe v2 заявлены 90+ языков и диаризация до 32 спикеров. Такие возможности полезны для архивов интервью, медиатек и приложений разбора звонков. Scribe v2 Realtime — отдельная модель для живого потока со своими ограничениями функций.

Представьте медиаприложение, куда пользователи загружают интервью на разных языках. На выходе нужен не просто абзац текста. Интерфейс должен позволять переходить по словам, показывать смену спикера и сохранять сведения о смехе или аплодисментах. В руководстве по возможностям ElevenLabs эти элементы описаны для файловой модели. Это конкретная причина оценить Scribe, помимо того, что у сервиса тот же разработчик, что и у продукта для синтеза речи.

Привязка слов ко времени особенно полезна, когда расшифровка служит интерфейсом редактирования или навигации. Проверяющий может перейти к точному месту записи, не разыскивая его внутри большого сегмента. Метки звуковых событий сохраняют контекст, который теряется в обычном тексте. Это метаданные: их нужно осознанно показывать или отфильтровывать, а не бездумно отправлять в поисковый индекс как произнесённые слова.

Кому подойдёт: Многоязычным приложениям для интервью, медиаконтента и записей звонков.
Главная особенность: Метки спикеров, временные метки слов и обозначения звуковых событий в одном решении для файлов.
Цена: От $0.22 за час аудио для файлов Scribe v2; Scribe v2 Realtime стоит $0.39/час.
Бесплатная проба: В таблице Free/PAYG указано включённое использование Scribe; проверьте общий лимит тарифа, прежде чем рассчитывать на отдельный бесплатный объём для каждой модели.

Главный риск — считать, что модель реального времени наследует диаризацию файловой. В изученных для сравнения списке потоковых функций и справочнике WebSocket метки спикеров не описаны. Это граница подтверждённых возможностей, а не утверждение, что поставщик никогда не сможет их предложить. Если указание спикера в живом потоке обязательно, до выбора Scribe Realtime получите документально подтверждённую рабочую конфигурацию.

При этом в API реального времени описаны промежуточные и зафиксированные расшифровки. Для браузерной интеграции руководство по клиентскому потоку использует одноразовый токен, созданный на сервере: постоянный API-ключ не передаётся в браузер. Это практическая отправная точка для работы с микрофоном в веб-приложении. Интерфейс может показывать предварительные слова, отдельно сохраняя зафиксированные сегменты.

Для записанного контента документированные стандартные ограничения загрузки составляют 3 GB и 10 часов. Многоканальный режим может назначать идентификаторы спикеров по номерам каналов. Это полезно, если участники уже разделены в исходной записи. Сохраняйте такое разделение, если его предоставляет записывающее устройство или сервис. Смешав дорожки и поручив модели заново определить говорящих, вы рискуете потерять уже имевшуюся информацию.

Стоимость работы со словарём считайте отдельно. На странице тарифов API подсказки ключевых терминов для пакетной обработки стоят дополнительно $0.05/час. Условная обработка 1,000 часов файлов обойдётся в $220 по базовому тарифу или в $270 с этим дополнением. Передача подходящего глоссария продуктов может оправдать разницу, но в нём должны быть вероятные слова из записи, а не весь ваш каталог.

Вывод: оценивайте Scribe по тем функциям работы с записями, которые действительно будете использовать. В этом сравнении он интересен многоязычными файлами и полезными метаданными расшифровки. Для такой задачи начните с ElevenLabs Scribe, а реализацию сверяйте с документацией по прямым ссылкам выше.

5. OpenAI: актуальные модели и план миграции для меток спикеров

OpenAI подходит командам, которые уже работают с его API, если приложению достаточно возможностей актуальных моделей транскрибации. Сейчас разработчик рекомендует gpt-transcribe для готовых записей и gpt-live-transcribe для аудио, поступающего в реальном времени. С них стоит начинать новую интеграцию. Копируя старое руководство по Whisper или GPT-4o, можно построить решение на модели, отключение которой уже запланировано.

В официальном руководстве по транскрибации разделены потоковая выдача результата из файла и приём живого аудио. При обработке готовой записи файловый запрос может возвращать текст частями. Живая сессия принимает аудио, которое ещё продолжает поступать. Это различие влияет на выбор транспорта, повторные попытки и момент, когда приложение считает расшифровку завершённой.

Для приложения, которое превращает голосовую заметку в текст с поиском, естественная отправная точка — обработка файлов. Для агента поддержки, который слушает звонящего в реальном времени, нужен отдельный потоковый сценарий. Выбор не должен зависеть лишь от того, какой эндпоинт уже встречается в примере кода где-то в вашем приложении.

Кому подойдёт: Существующим приложениям на OpenAI, которым нужна актуальная файловая или потоковая транскрибация и которые не рассчитывают на автоматическое сохранение всех прежних функций.
Главная особенность: Отдельные рекомендованные модели и общие средства передачи контекста: промптов, ключевых слов и ожидаемых языков.
Цена: От оценочных $0.0045/минуту, или $0.27 за час аудио, для рекомендованной файловой модели; стоимость живой транскрибации оценивается в $1.02/час.
Бесплатная проба: Указанная страница тарифов не подтверждает наличие бесплатного лимита транскрибации.

Сколько стоит распознавание речи в OpenAI

OpenAI обозначает поминутные цифры как оценочную стоимость, поэтому эта оговорка сохраняется и при пересчёте на час. На актуальной странице тарифов также указаны прежние модели: gpt-4o-mini-transcribe по оценочным $0.003/минуту и gpt-4o-transcribe по $0.006/минуту — соответственно $0.18 и $0.36 за час аудио. Эти цены помогают существующим клиентам оценить миграцию. Более дешёвая строка со старой моделью не означает, что её стоит выбирать для нового продукта.

В уведомлении о прекращении поддержки отключение whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe и gpt-4o-transcribe-diarize назначено на 26 февраля 2027 года. В актуальном руководстве по файлам результат с метками спикеров всё ещё описан для устаревающей модели диаризации. Там же предупреждают: смена идентификатора модели не сохраняет автоматически все форматы вывода и возможности метаданных.

Для приложения, работающего со встречами, это существенная граница. Если расшифровка раньше содержала поле спикера и временные данные, заменить её обычным текстом без изменений в продукте не получится. Выпишите поля, которые используют база данных и интерфейс, и сопоставьте их с ответом новой модели. Если метки спикеров обязательны, а у текущего рекомендованного решения они не описаны, рассмотрите поддерживаемую альтернативу. Миграция здесь не сводится к замене строки.

Руководство по файловой обработке также устанавливает предел загрузки в 25 MB. В зависимости от кодирования часовая запись может потребовать сжатия или разбиения. Продумайте этот этап так, чтобы на границах частей незаметно не терялись слова, не дублировался текст и не нарушался контекст, нужный дальнейшей обработке. Когда клиенты могут загружать произвольные записи, ограничение размера файла становится вопросом устройства продукта.

Для специальной лексики рекомендованные модели принимают промпт, ключевые слова в точном написании и ожидаемые языки. Используйте этот контекст для описания записи и вероятных терминов. Это подсказка, а не требование вставить отсутствующие слова в расшифровку. Не переносите и заявленное число языков Whisper на новые модели: актуальное руководство описывает языковые параметры, но не даёт для них общего количества.

Вывод: выбирайте OpenAI под документированный актуальный сценарий, а не потому, что старый фрагмент кода транскрибации пока работает. Перед переводом существующей интеграции на новые модели составьте перечень обязательных полей. Для нового продукта, сильно зависящего от разделения спикеров, такой перечень может сразу указать на другого поставщика.

6. Google Cloud Speech-to-Text API: когда обработка уже построена на Google Cloud

Google Cloud Speech-to-Text имеет смысл, если распознавание речи встраивается в существующий процесс на Google Cloud или продукт допускает отложенную пакетную обработку. Цены Speech-to-Text V2 Standard и Dynamic Batch заметно различаются. Chirp 3 добавляет ещё один уровень выбора: под нужные функции необходимо согласовать модель, метод API, язык и регион.

Ночную обработку архива и помощника для живых звонков нельзя считать по одной строке тарифов Google. Архив может подождать обработки с более низким приоритетом. Помощнику же слова нужны сейчас, чтобы сразу ответить собеседнику. На странице тарифов Google Dynamic Batch — это скидка за отложенную обработку, а не дешёвый эндпоинт реального времени.

Кому подойдёт: Приложениям на Google Cloud, архивам с очередью обработки и командам, готовым управлять настройками конкретных моделей.
Главная особенность: Отдельные варианты обработки V2 Standard и Dynamic Batch.
Цена: От $0.003/минуту, или $0.18 за час аудио, для V2 Dynamic Batch; Standard на первой ступени потребления стоит $0.016/минуту, или $0.96/час.
Бесплатная проба: Не переносите бесплатные минуты V1 со страницы тарифов в бюджет V2; доступные аккаунту кредиты проверяйте отдельно.

Как срок готовности влияет на счёт Google

При условных 1,000 часах аудио в месяц указанный тариф Standard даёт $960 за транскрибацию, а Dynamic Batch — $180. Разница в $780 возникает благодаря согласию на отложенную обработку. Это выгодно архиву, результаты которого нужны к следующему циклу проверки. Но обслужить живой разговор по пакетному тарифу так не получится. Хранение и другие ресурсы Google Cloud оплачиваются дополнительно.

Такая же внимательность нужна с метками спикеров. В документации Chirp 3 живая транскрибация поддерживается через StreamingRecognize, а диаризация спикеров описана как непотоковая функция с более узким набором языков. Для архива с метками спикеров используйте документированную пакетную конфигурацию. Поддержка живой транскрибации не даёт оснований обещать живую диаризацию на той же модели.

На странице продукта Google для Chirp 3 указано 85+ языков и вариантов. Уточнение «и вариантов» существенно: в число могут входить региональные формы языка, а методика подсчёта — отличаться от других поставщиков. Ещё важнее то, что таблица доступности отдельно показывает готовность к использованию и поддерживаемые функции. Если продукту нужны конкретный региональный вариант языка и метки спикеров, должны выполняться оба условия.

Основная сложность — границы допустимой конфигурации. Когда требования охватывают несколько языков, регионов и режимов обработки, недостаточно просто выбрать chirp_3. Храните нужное сочетание в конфигурации приложения и явно отклоняйте неподдерживаемые комбинации. Иначе функция, работающая в английской демонстрации на файле, может необъяснимо исчезнуть, когда клиент загрузит запись на другом языке или включит живой поток.

Отдельного внимания заслуживает тарификация каналов. Google выставляет счёт за каждый обработанный аудиоканал. Раздельная запись оператора и клиента полезна тем, что сохраняет информацию об их ролях, но оплачивается длительность обработанных каналов. Учитывайте это, сравнивая архив стереозвонков с одноканальным примером другого поставщика.

Вывод: выбирайте Google, когда это оправдано окружающей инфраструктурой и процессами. Для существующего архива в Google Cloud отложенная обработка может хорошо подойти. Если же вы создаёте голосового агента с нуля, сравнивайте стандартную потоковую конфигурацию со специализированными сервисами, а не отталкивайтесь от рекламной цены Dynamic Batch.

7. Speechmatics: контроль развёртывания и спикеры в живом разговоре

Speechmatics стоит рассматривать одним из первых, если нужны корпоративное развёртывание в собственной инфраструктуре или сегменты живого разговора с указанием спикера. Локальное развёртывание означает обработку в инфраструктуре, которую контролируете вы. В корпоративном предложении Speechmatics перечислены контейнеры, виртуальные программные комплексы и гибридное развёртывание. Коммерческие условия доступны только по запросу: публичные облачные тарифы ничего не обещают о цене частной установки.

Выбор модели не менее важен, чем способ развёртывания. Melia 1 — многоязычное семейство для файлов и реального времени, а Linden 1 используется в Agent STT. Согласно документации моделей, Linden возвращает сегменты с указанием спикера и сообщения о репликах. Это делает модель подходящим кандидатом, когда приложению нужны и слова, и принадлежность речи в структуре диалога.

Помощник поддержки на общей громкой связи решает другую задачу, чем диктовка одного человека. К разговору может присоединиться ещё кто-то, а фоновая речь — наложиться на голос основного собеседника. Прежде чем выбирать модель, решите: агент должен следить за одним голосом, различать участников или просто сохранять запись, где понятно, кто что сказал. Структура результата должна исходить из этой задачи, а не добавляться в последний момент.

Кому подойдёт: Продуктам с ограничениями по развёртыванию и командам, которым нужно различать спикеров в живых звонках.
Главная особенность: Корпоративные варианты частного развёртывания и отдельная модель для Agent STT.
Цена: Файлы Melia 1 — от $0.24 за час аудио по PAYG без скидок; Linden Agent STT — $0.30/час; частное развёртывание — только по запросу.
Бесплатная проба: Кредиты на $100 без карты, согласно странице тарифов.

Оговорку о цене легко пропустить. На публичной странице тарифов низкая рекламная цена Melia может уже учитывать скидки за разрешение на обучение моделей и покупку кредитов на большой объём. В калькуляторе базовая обработка файлов по PAYG стоит $0.24/час. Согласие на скидку за обучение разрешает записывать, хранить и использовать аудио для улучшения сервиса. Это отдельное решение об обращении с данными, а не просто снижение цены при прежних условиях договора.

В живом режиме есть ещё два ограничения. Во-первых, Melia в реальном времени пока не поддерживает диаризацию спикеров, хотя поддерживает разделение по каналам. При разделении по каналам входное аудио уже разнесено по отдельным каналам; диаризация спикеров определяет разные голоса по самому звуку. Для живого режима Melia руководство также требует, чтобы клиент сам определял конец высказывания и отправлял ForceEndOfUtterance.

Во-вторых, на актуальной странице Agent STT указано, что сигналы реплик Linden основаны на обнаружении тишины, а семантическое определение конца реплики на сервере ещё только планируется. Обнаружение тишины ждёт акустической паузы. Семантическое определение учитывает и то, выглядит ли мысль завершённой. Оба подхода могут быть полезны, но по-разному ведут себя, когда человек делает паузу посередине номера обращения.

С языками нужна такая же осторожность. У Melia указаны 56 языков и транскрибация смешанной многоязычной речи. На странице Linden — 55+ языков, при этом полноценная многоязычная поддержка ещё анонсируется. Поддержка каждого языка по отдельности не доказывает, что в одном звонке можно свободно переключаться между ними. Многоязычному контакт-центру следует проверить этот сценарий явно, а не ожидать поведения Melia по аналогии.

Вывод: выбирайте Speechmatics под конкретное требование, а затем — модель, которая его действительно выполняет. Особенно стоит оценить сервис, если необходимость указывать спикеров в живом потоке или требования к месту обработки исключают более простой вариант. В корпоративном предложении запрашивайте конкретное сочетание модели и функций: формулировка «распознавание речи в собственной инфраструктуре» слишком широка, чтобы подтвердить пригодность решения.

Какой API распознавания речи выбрать под вашу задачу

Рекомендация меняется вместе с режимом работы и требованиями к результату. Начните с ограничения, нарушение которого сделает продукт непригодным. Затем сравните оставшихся кандидатов на своих записях и по ожидаемой стоимости.

Для голосового агента, который должен естественно отвечать собеседнику, начните с Deepgram Flux. Причина — управление репликами. Если принципиально важно указывать спикера в живом потоке, сразу включите в сравнение Speechmatics Linden и проверьте его поведение на основе тишины. Mistral Realtime стоит оценить, когда важны варианты развёртывания, с учётом документированного разделения живой диаризации и определения конца реплики.

Для записанных интервью или медиаконтента на разных языках начните с ElevenLabs Scribe. Метки спикеров в файлах, привязка слов ко времени и обозначения звуковых событий помогают построить удобный интерфейс разбора. AssemblyAI Universal-2 тоже стоит проверить, если он поддерживает языки ваших записей. Voxtral Mini — разумный кандидат для файлов, когда достаточно временных меток сегментов и вы готовы проверить пригодность предварительной версии.

Для структурированной аналитики звонков отталкивайтесь от полей, нужных приложению. AssemblyAI подходит, если в процесс вписываются реплики с указанием спикера и дополнительные функции обработки. Deepgram Nova-3 — ещё один вариант для оценки файлового и потокового режимов. Если оператор и клиент уже записаны раздельно, сохраните каналы, а затем решайте, нужно ли дополнительно определять спикеров по звуку.

Для архива с очередью обработки в Google Cloud сопоставьте V2 Dynamic Batch с допустимым сроком готовности. Скидка полезна только тогда, когда приложение может ждать отложенного результата. Если пользователь смотрит на экран в ожидании завершения, оцените этот сценарий отдельно: перевод задачи в менее срочную очередь не обязательно останется незаметным.

Для существующего приложения на OpenAI начните с актуальной рекомендованной модели для нужного режима. Удобство перестаёт быть решающим, если обязательны прежние метки спикеров, субтитры или другие метаданные, а у новой модели они не описаны. Плановая миграция — удобный момент проверить зависимости, а не автоматически сохранять прежнего поставщика.

Для обработки в собственной инфраструктуре включите в список документированные корпоративные варианты Speechmatics и Deepgram, а также предложение Mistral для самостоятельного развёртывания. По неопубликованным коммерческим условиям во всех случаях нужен индивидуальный расчёт. Вместе с лицензией сравнивайте оборудование, помощь с развёртыванием, поддерживаемые модели и ответственность за обновления. Облачная цена за час аудио не позволяет принять такое решение.

Сохраняйте роли участников, прежде чем поручать модели их определение

Если источник предоставляет отдельные каналы оператора и клиента, сохраняйте их. Известная принадлежность канала позволяет удержать роль, которую после смешивания дорожек диаризации пришлось бы восстанавливать по звуку. Это архитектурное решение принимается ещё до выбора поставщика транскрибации.

Представьте звонок, где оператор записан на одном канале, а клиент — на другом. Приложение уже знает, какой участник соответствует каждому каналу. Если перед транскрибацией объединить их в одну дорожку, эта информация исчезнет. Диаризация может разделить голоса на безымянных спикеров, но затем всё равно придётся сопоставлять их с ролями.

ElevenLabs описывает идентификаторы спикеров на основе каналов для многоканальной обработки файлов. Deepgram, AssemblyAI и Google прямо указывают поканальную тарификацию. Компромисс вполне практический: сохранение каналов упрощает определение принадлежности речи, но может увеличить оплачиваемый объём аудио. Учитывайте эту разницу, сравнивая оценку для одного канала с многоканальной обработкой в рабочем продукте.

У конференционного микрофона другой исходный материал: несколько голосов уже находятся на одной дорожке, и метки каналов не помогут выделить каждого человека. Здесь нужны диаризация спикеров и возможность исправлять ошибки при наложении или сходстве голосов. Разделяйте принадлежность речи и подтверждённую личность: безымянная метка спикера не становится проверенным именем клиента только потому, что она записана в структурированном JSON.

Тот же принцип относится к последующим сводкам. Вместе с любой сгенерированной сводкой сохраняйте исходную расшифровку, метки спикеров и ссылку на источник. Если клиент оспаривает, кто обещал возврат денег, приложение должно позволять вернуться к нужному аудиофрагменту, а не только показывать гладко написанный абзац.

Как мы выбирали сервисы

Это рекомендации по внедрению на основе документации, проверенной на указанную дату, а не независимый рейтинг точности. Цены и конкретные возможности сверены со страницами тарифов и документацией самих разработчиков 21 октября 2026 года. Для статьи не выполнялись платные запросы транскрибации или сравнительные тесты на аудио.

При отборе мы опирались на пять вопросов:

• Принимает ли нужная модель готовые файлы, живой поток аудио или и то и другое?
• Возвращает ли выбранный режим необходимые продукту метки спикеров, временные метки и сигналы реплик?
• Описаны ли в документации нужные языки и поведение при переключении между ними?
• Может ли сервис работать в требуемой среде развёртывания?
• Сколько стоит выбранная конфигурация с обязательными дополнениями и учётом каналов?

Собственный анализ в этой статье — приведение цен к стоимости часа и проверка совместимости функций у конкретных моделей и режимов. Он выявляет различия, которые скрывает общий список возможностей поставщика: несовместимые живые функции Voxtral, устаревающие способы получения метаданных OpenAI, непотоковые метки спикеров Chirp и различие между каналами и спикерами в диаризации Melia.

Для сравнения точности потребовались бы одинаковые репрезентативные записи, эталонные расшифровки и единые правила оценки у всех поставщиков. Такого теста в статье нет. Формулировки вроде «самая точная модель» и победы в бенчмарках остаются заявлениями разработчиков и не определяют порядок сервисов в этом материале.

Для собственной оценки сформулируйте успех через задачи продукта. Архив интервью с поиском может терпеть различия в пунктуации, но быть бесполезным при пропущенных именах. Агент для записи на приём может верно распознать каждое слово и всё же перебить собеседника не вовремя. Сервису разбора звонков надёжное указание спикера может быть важнее красивого форматирования. Оценивайте поведение, которое влияет на результат пользователя, и рассматривайте эти категории ошибок отдельно.

В обзор вошли эти семь поставщиков API для разработчиков. Пользовательские приложения для встреч и редактирования рассматриваются отдельно. Для конкретного языка или инфраструктурного ограничения могут заслуживать внимания и другие поставщики. Их отсутствие здесь не означает провала в тесте точности.

Каких вариантов стоит избегать

Не выбирайте модель, которая не подходит задаче, даже если в остальном поставщик вас устраивает. Вот конкретные несовпадения требований и возможностей:

• Устаревающие модели транскрибации GPT-4o и Whisper API от OpenAI для новой долгосрочной интеграции. Раз их отключение документировано, работы по миграции уже неизбежны. Используйте актуальные модели или проверьте другого поставщика.
• Voxtral Mini Transcribe Realtime 3, если в одной сессии нужно совместить диаризацию и определение конца реплики. Подробное руководство прямо исключает такую конфигурацию.
• Google Dynamic Batch для живого взаимодействия. Низкий тариф предполагает отложенную обработку, которая не подходит собеседнику, ожидающему ответа.
• Scribe Realtime, если метки спикеров в живом потоке — безусловное требование. Сначала получите подтверждение поддержки в документации, а не переносите диаризацию файловой модели на живой режим.
• Speechmatics Melia в реальном времени, если нужно определять спикеров по голосу. Разделение по каналам — другая возможность; выбирайте подходящую модель.

Не выбирайте и только по громкому заявлению о точности. Модель, победившая в оценке своего разработчика, всё равно может не подойти из-за отсутствия нужного языка, временных метаданных или способа развёртывания. Эти обязательные требования можно проверить ещё до пробного использования.

Частые вопросы разработчиков

Можно ли пользоваться API распознавания речи бесплатно?

Используйте бесплатные кредиты, чтобы проверить именно ту конфигурацию, за которую собираетесь платить. Deepgram указывает кредиты на $200, Speechmatics — на $100, а AssemblyAI публикует бесплатные лимиты в зависимости от модели. Бесплатный доступ не означает неограниченную мощность для рабочего продукта. Прежде чем загружать архив, уточните, какие модель, режим и дополнительные функции покрывает лимит аккаунта.

Как подключить API распознавания речи в Python?

Прежде чем искать пример на Python, выберите режим обработки и модель. Для актуальной файловой транскрибации OpenAI официальное руководство начинает с gpt-transcribe; в кратком руководстве Mistral по аудио используется текущая модель Voxtral Mini. Для голосовых агентов начните с актуального руководства поставщика по потоковой обработке и реализуйте его события соединения и реплик. Не берите идентификатор модели из старого учебника без сверки с текущей документацией.

Что учесть при подключении Google Speech-to-Text API?

Для новой интеграции V2 задайте модель и метод распознавания, затем проверьте таблицу языков и функций. У Standard и Dynamic Batch разные цены и срочность обработки. Chirp 3 поддерживает живую транскрибацию, но документированный сценарий получения меток спикеров работает вне потокового режима.

С чего начать работу со speech to text API?

Возьмите одну характерную запись или одну живую сессию и начните с актуального краткого руководства разработчика. Изучите поля ответа, нужные продукту, затем добавьте сложную речь, одновременно говорящих участников и необходимые языки. Только после этого проверяйте пиковую одновременную нагрузку и рассчитывайте месячную стоимость точной конфигурации.

Следующий шаг к интеграции

На следующей неделе сравните две конфигурации, каждая из которых способна выполнить ваше самое сложное требование. Для живого помощника это могут быть Flux и Linden с указанием спикеров; для приложения с многоязычными интервью — Scribe и подходящая файловая модель AssemblyAI или Voxtral. До запуска записей перечислите обязательные поля ответа и недопустимые ошибки.

Соберите небольшой приёмочный набор с обычной речью и проблемными ситуациями: исправленной датой, незнакомым именем, наложением голосов и переключением языков, если оно характерно для ваших клиентов. Ошибки транскрибации фиксируйте отдельно от ошибок определения спикеров и управления репликами. Затем рассчитайте расходы для тех режима, каналов и обязательных дополнений, которые вы проверили.

Перед выбором API используйте AI Business Workflow Audit Checklist, чтобы описать источник аудио, требуемый результат и передачу данных между этапами. Получить чек-лист.