Yandex SpeechKit: API распознавания и синтеза речи

О сервисе

Yandex SpeechKit, часть Yandex AI Studio, бывшего Yandex Cloud, решает две задачи с голосом. Первая задача: распознавание речи, когда звонок или аудиозапись превращаются в текст. Вторая задача: синтез речи, когда обычный текст озвучивается одним из тридцати с лишним голосов, часть из них умеет говорить с разной интонацией. Есть и режим speech-to-speech, перевод речи на лету без промежуточного текста для человека.

Сервис живёт не в виде отдельного приложения, а в виде API, поэтому конечный пользователь обычно взаимодействует не с самим SpeechKit, а с продуктом, который его использует, колл-центром, голосовым помощником или сервисом субтитров. Разработчик встраивает распознавание или синтез в своё приложение и платит за фактическое использование.

По открытым обзорам точность распознавания русской речи держится около 95 процентов на чистом звуке, хотя реальная цифра всегда зависит от качества записи и шума на линии. Для тех, кто выбирает между несколькими похожими API, разумно тестировать на своих настоящих записях, а не на рекламных цифрах.

Возможности

• Речь в текст. Распознавание звонков, диктовки и записей на русском языке.
• Текст в речь. Синтез голосом из библиотеки больше 30 вариантов.
• Перевод речи на лету. Режим speech-to-speech без промежуточного текста.
• Разные версии API. От простого запроса до потоковой обработки в реальном времени.

Кому подходит

• Разработчикам колл-центров и IVR-систем, которым нужно распознавание звонков.
• Командам, которые делают озвучку текста, подкасты или голосовые уведомления.
• Продуктам с субтитрами и автоматической транскрибацией звонков и встреч.

Кому подходит меньше

• Тем, кто ищет готовое приложение для расшифровки, а не API для встройки в свой продукт, для разовой задачи проще воспользоваться готовым сервисом транскрибации.
• Проектам с очень большим объёмом аудио, где стоит заранее посчитать стоимость по своим объёмам, а не ориентироваться на рекламные цифры.

Как устроены лимиты

Первый месяц с момента первого запроса бесплатный, это официальный пробный период для знакомства с сервисом. Дальше действует оплата по факту использования. Распознавание речи считается по 15-секундным блокам аудио, от 0,16 рубля за блок в синхронном и потоковом режиме. Синтез речи по старому API v1 считается по миллионам символов, 1342 рубля за миллион, а по новым версиям API, ближе к 0,16-0,25 рубля за запрос или короткий блок текста. Цены официальные, с учётом налога, но перед расчётом бюджета стоит свериться с актуальной страницей тарификации, потому что версии API периодически меняются.

Ограничения

SpeechKit остаётся инструментом для разработчиков, а не готовым приложением для конечного пользователя, интеграция потребует времени программиста. Точность распознавания падает на шумных записях и нестандартном произношении. Несколько версий API с разной тарификацией усложняют расчёт бюджета, разумно закладывать время на тестовый прогон перед боевым запуском.

Как начать

1. Зарегистрироваться в Yandex AI Studio и получить доступ к API.
2. Изучить документацию по распознаванию и синтезу речи.
3. Протестировать на своих записях в течение бесплатного месяца.
4. Оценить стоимость по фактическим объёмам перед подключением боевого продукта.