Yandex SpeechKit: можно ли расшифровать файл без программиста

Yandex SpeechKit умеет расшифровать файл без программиста, но только короткий и только после регистрации в Yandex Cloud. Для разовой проверки есть браузерный инструмент: загрузили запись, нажали «Распознать», получили текст. Для длинной встречи, интервью или лекции придётся идти в API, а там уже сервисные аккаунты, роли доступа и хранилище файлов.

Меня, Писца, этот вопрос касается напрямую: я тоже превращаю речь в текст, и ко мне регулярно приходят люди, которые сначала честно попробовали SpeechKit. Поэтому разобрал официальную документацию Яндекса от первой до последней кнопки. В статье — что такое SpeechKit, какой путь у человека без навыков программирования, сколько стоит распознавание по тарифам Yandex Cloud и что будет на выходе.

Одна оговорка сразу. Половина людей, которые ищут SpeechKit, хотят озвучить текст, а не расшифровать запись. Синтез речи — вторая половина того же сервиса, про неё здесь будет одно предложение. Всё остальное — про распознавание: из аудио в текст.

Что такое Yandex SpeechKit и при чём тут расшифровка?

Yandex SpeechKit — речевые технологии Яндекса в облаке: распознавание речи (аудио в текст) и синтез (текст в голос). Это не готовое приложение, а набор инструментов для разработчиков. Им пользуются через API, а попробовать можно в браузерной «песочнице» AI Studio.

Яндекс показал SpeechKit на конференции YaC ещё в 2013 году, а сегодня на этой технологии работают Алиса, Навигатор и сотни сторонних приложений — история SpeechKit в Википедии подробно это перечисляет. То есть движок серьёзный, с многолетней историей.

Сейчас SpeechKit живёт внутри платформы AI Studio. В обзоре технологий SpeechKit Яндекс описывает три вещи: распознавание в реальном времени, распознавание готовых аудиофайлов с автоопределением языка и синтез речи готовыми голосами. Для расшифровки записи нас интересует второе.

Главное, что стоит понять до регистрации: SpeechKit продаёт секунды распознавания, а не готовую расшифровку. Загрузить файл, подписать спикеров, собрать документ и отправить его коллегам — это задача того, кто встраивает SpeechKit в свой продукт.

Можно ли расшифровать файл в SpeechKit без программиста?

Да, если файл небольшой. В AI Studio есть Playground — браузерная форма: выбрали язык, загрузили MP3, WAV или OGG до 60 МБ, нажали «Распознать». Код не нужен, но нужен аккаунт Yandex Cloud с активным платёжным аккаунтом и права на каталог.

Вот как выглядит путь целиком по инструкции «Начало работы с SpeechKit»:

1. Регистрация в Yandex Cloud. Входите в консоль управления и принимаете пользовательское соглашение.
2. Платёжный аккаунт. В разделе Billing он должен быть в статусе ACTIVE или TRIAL_ACTIVE. Без него дальше не пустят.
3. Каталог и роли. В AI Studio выбираете каталог, где у вас есть роли ai.playground.user и ai.datasets.editor. Если облако корпоративное, роли выдаёт администратор.
4. AI Speech → «Распознавание речи». Раздел на левой панели.
5. Настройки. Язык (или «Автоматически»), нормализация чисел и дат, фильтр мата, «Литературный текст» (заглавные буквы и пунктуация), определение дикторов.
6. Файл. Кнопка «Выбрать файл» или перетаскивание, затем «Распознать».

Ограничения Playground описаны на странице про распознавание в Playground: форматы MP3, WAV и OGG с кодеком Opus, файл до 60 МБ. Обработка занимает от нескольких секунд до нескольких минут. Ещё там есть кнопка «Посмотреть код» — она показывает пример запроса на Python, если захочется автоматизировать.

Видео в этот список не входит. Если у вас запись созвона в MP4, сначала придётся извлечь звук из видео и, возможно, сжать его, чтобы уложиться в 60 МБ. Сами разработчики в блоге Yandex Cloud про SpeechKit Playground пишут прямо: здесь базовые возможности, а асинхронная обработка файлов до четырёх часов — уже через API.

Длинная запись в SpeechKit: что делает программист

Часовая планёрка или двухчасовое интервью в Playground не помещаются. Для них у SpeechKit есть асинхронное распознавание: вы отдаёте файл, сервис обрабатывает его в фоне, а результат вы забираете позже. В документации по асинхронному распознаванию путь выглядит так:

1. Создать сервисный аккаунт — техническую «учётку» для программы.
2. Выдать ему роли: одну на распознавание, другую на загрузку файлов.
3. Получить API-ключ или IAM-токен — пропуск для запросов.
4. Создать бакет в Object Storage — облачную папку для аудио.
5. Загрузить туда файл и получить на него ссылку.
6. Отправить запрос на распознавание и сохранить номер операции.
7. Дождаться окончания и запросить результат по этому номеру.

Ориентир по скорости из той же документации: минута одноканального аудио распознаётся примерно за 10 секунд. Но при нагрузке на сервис ожидание растягивается — от нескольких минут до 24 часов. Готовый результат лежит на сервере 3 суток, потом его уже не получить.

Лимиты указаны на странице квот и лимитов SpeechKit: запись до 4 часов, файл до 1 ГБ через бакет или до 60 МБ прямо в теле запроса. Для живого разговора есть синхронный и потоковый режимы, но в них лимиты ещё скромнее: по данным обзора Playground, синхронный режим принимает до 30 секунд аудио.

Результат приходит в виде данных для программы: текст и список распознанных слов. Чтобы из этого получился читаемый документ, программист пишет ещё один шаг — сборку. Для разработчика это рутина. Для человека, который впервые слышит слово «бакет», — квест на вечер с открытой документацией. Старые инструкции вроде статьи на Хабре про SpeechKit и Python 2022 года тоже исходят из того, что вы ставите библиотеки и пишете код.

Сколько стоит Yandex SpeechKit и есть ли бесплатный вариант?

Бесплатного тарифа на распознавание у SpeechKit нет. Тариф считают за 15 секунд аудио: от 0,0381 ₽ в отложенном режиме до 0,1626 ₽ в синхронном. Стартовый грант для новых клиентов Yandex Cloud сейчас недоступен, так что «попробовать за счёт гранта» тоже не выйдет.

Цены ниже взяты со страницы тарифов SpeechKit, в рублях с НДС за 15 секунд аудио:

Пример расчёта по этим тарифам: час одноканальной записи — это 240 отрезков по 15 секунд. В асинхронном режиме выходит около 36 ₽, в отложенном — около 9 ₽.

Есть нюансы тарификации. Короткие фрагменты в синхронном режиме округляются вверх: 37 секунд считаются как 45. В асинхронном режиме число каналов округляется до чётного, а пустой запрос стоит одну единицу. Если включить в Playground обработку результата через LLM, стоимость будет зависеть ещё и от выбранной языковой модели.

Теперь про «бесплатно». В обзорах до сих пор пишут о стартовом гранте для новых пользователей. Но на странице о пробном периоде Yandex Cloud сейчас прямо сказано: пробный период и стартовый грант для новых клиентов недоступны. Пробный период оставили только юрлицам, которые платят банковским переводом.

Что вы получите на выходе и что придётся доделать

В Playground результат появляется прямо на странице. Если включить «Литературный текст», будут заглавные буквы и знаки препинания. Если включить определение дикторов, SpeechKit пометит, кому принадлежит фраза. А «Группировка фраз дикторов», судя по описанию в документации, делит реплики на две группы — для разговора двоих этого хватит, для планёрки на пятерых может не хватить.

Про выгрузку в Word или другой файл в инструкции Playground ничего не сказано. Описаны текст на экране и кнопка с примером кода. В API результат приходит как данные, которые программа превращает в документ сама.

Дальше обычная редактура, как у любой нейросети. Термины, фамилии и перебивания — слабое место всех распознавателей, я подробно разбирал это в статье о том, где ошибается нейросеть для транскрибации. Проверяйте цифры и имена по записи, особенно если текст пойдёт в протокол или в договор.

И последнее: результат асинхронного распознавания хранится на сервере 3 суток, как указано в политике хранения данных AI Studio. Не успели забрать — придётся запускать распознавание заново.

Кому подходит SpeechKit, а кому проще готовый транскрибатор?

SpeechKit подходит, если вы встраиваете распознавание речи в свой продукт: колл-центр, голосового бота, приложение, внутреннюю систему. Если задача — получить текст конкретной записи с подписанными спикерами, быстрее взять готовый сервис транскрибации: там регистрация, загрузка и выгрузка в документ уже сделаны.

Простая проверка. Возьмите SpeechKit, если хотя бы одно верно:

• у вас есть разработчик, и расшифровка — часть вашего продукта, а не разовая задача;
• записей много, они идут потоком, и вы хотите управлять ими программно;
• нужно распознавать речь в реальном времени, например в голосовом боте.

Готовый транскрибатор удобнее, если:

• у вас есть файл и вам нужен текст сегодня, без настройки облака;
• запись в видеоформате — MP4, MOV, MKV — и конвертировать её не хочется;
• важно видеть, кто что сказал, и сразу получить документ, который можно отправить коллегам.

Какие критерии сравнивать при выборе сервиса, я разобрал в материале как выбрать транскрибатор. А живые результаты разных сервисов на одном и том же видео собраны в обзоре сервисов транскрибации.

Если идёте путём готового сервиса, у меня он выглядит так. В расшифровку аудио в текст загружаете файл до 6 часов и до 4 ГБ, получаете Word с таймкодами, знаками препинания и подписями до пяти спикеров. Документ лежит в личном кабинете, ссылка приходит на почту. Файлы после расшифровки удаляются, и на них я не обучаюсь. А пересказ или протокол встречи потом собирает любая нейросеть по промптам для обработки расшифровки.

Что в итоге

Yandex SpeechKit — сильный движок распознавания речи, но сделан он для разработчиков. Без программиста он расшифрует короткий аудиофайл до 60 МБ в Playground, и то после регистрации в Yandex Cloud и подключения платёжного аккаунта.

Длинные записи до 4 часов SpeechKit берёт только через API: сервисный аккаунт, роли, бакет, запрос и сборка результата в документ. Платите вы за каждые 15 секунд аудио, а бесплатного объёма на распознавание нет — стартовый грант новым клиентам сейчас не выдают.

Если вы строите продукт с голосом внутри, SpeechKit — разумный выбор. Если у вас просто запись встречи, интервью или лекции и нужен текст, вы потратите меньше времени, отдав файл готовому транскрибатору.

Часто задаваемые вопросы

Есть ли у Yandex SpeechKit бесплатный тариф?

Для распознавания речи — нет. На странице тарифов SpeechKit бесплатного объёма не указано, а стартовый грант для новых клиентов Yandex Cloud сейчас недоступен. Распознавание оплачивается по тарифу за каждые 15 секунд аудио.

Как пользоваться Yandex SpeechKit без программирования?

Через Playground в AI Studio. Зарегистрируйтесь в Yandex Cloud, подключите платёжный аккаунт, откройте AI Speech → «Распознавание речи», загрузите файл и нажмите «Распознать». Так работают только файлы MP3, WAV и OGG до 60 МБ.

Какой максимальный размер файла в SpeechKit?

В Playground — 60 МБ. Через API асинхронного распознавания — до 1 ГБ, если загрузить файл в бакет Object Storage, и до 60 МБ в теле запроса. Максимальная длительность записи — 4 часа.

Делит ли SpeechKit текст на спикеров?

В Playground есть опция «Определение дикторов»: она помечает, какому диктору принадлежит фраза. Отдельная настройка группировки делит реплики на две группы. Перед работой с записью, где говорят больше двух человек, проверьте результат на коротком фрагменте.

Можно ли загрузить в SpeechKit видео?

Нет, документация перечисляет только аудиоформаты: LPCM, OggOpus и MP3. Из видео сначала нужно извлечь звуковую дорожку и сохранить её в одном из этих форматов. Готовые транскрибаторы, например Писец, принимают MP4, MOV, MKV и другие видеоформаты напрямую.

Если у вас уже лежит запись, не обязательно заводить облако, чтобы узнать, как она звучит в тексте. Загрузите её в Писец — первые 10 минут каждого файла я расшифрую бесплатно, без карты и регистрации, с таймкодами и подписями спикеров. Понравится качество — расшифруете остальное.