---
title: "Что такое API распознавания речи? ASR и транскрибация"
description: "Распознавание речи превращает аудио в текст. Как работают API транскрибации, сколько стоит минута аудио, как измеряют точность и какие лимиты проверить."
url: https://broadrouter.com/ru/glossary/speech-to-text/
lang: ru
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/speech-to-text/) (обновлён 2026-11-15).

# Распознавание речи (speech-to-text)

Обновлено 2026-11-15

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`:

```bash
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)](https://broadrouter.com/ru/glossary/word-error-rate/), 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](https://broadrouter.com/ru/glossary/zero-data-retention/).
-   **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](https://broadrouter.com/ru/models/cohere-transcribe-arabic/) | Арабский, включая диалекты | $0.0042 | $0.25 |
| [BroadNet Transcribe](https://broadrouter.com/ru/models/cohere-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](https://soniox.com/pricing) 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](https://broadrouter.com/data/speech-to-text-api-prices/) 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](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/), конвертируйте файлы WhatsApp `.ogg` по [руководству для голосовых сообщений](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/) и сравните провайдеров с помощью [руководства для покупателя](https://broadrouter.com/ru/blog/arabic-speech-to-text-api-buyers-guide/).

## 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.

## См. также

-   [Доля ошибок в словах (word error rate, WER)](https://broadrouter.com/ru/glossary/word-error-rate/) (термин)
-   [Нулевое хранение данных (ZDR)](https://broadrouter.com/ru/glossary/zero-data-retention/) (термин)
-   [OpenAI-совместимый API](https://broadrouter.com/ru/glossary/openai-compatible-api/) (термин)
-   [Оплата по факту (pay-as-you-go)](https://broadrouter.com/ru/glossary/pay-as-you-go/) (термин)
-   [Диаризация дикторов (speaker diarization)](https://broadrouter.com/ru/glossary/diarization/) (термин)
-   [Детекция речевой активности (VAD)](https://broadrouter.com/ru/glossary/vad/) (термин)
-   [Частота дискретизации (sample rate)](https://broadrouter.com/ru/glossary/sample-rate/) (термин)
-   [Временные метки в распознавании речи (timestamps)](https://broadrouter.com/ru/glossary/timestamps-asr/) (термин)
-   [Переключение кодов (code-switching)](https://broadrouter.com/ru/glossary/code-switching/) (термин)
-   [Синтез речи (text-to-speech, TTS)](https://broadrouter.com/ru/glossary/text-to-speech/) (термин)
-   [WAV](https://broadrouter.com/ru/glossary/wav/) (термин)
-   [API распознавания арабской речи: пошаговое руководство](https://broadrouter.com/ru/guides/arabic-speech-to-text-api/) (руководство)
-   [Голосовые сообщения WhatsApp в текст через API](https://broadrouter.com/ru/guides/transcribe-whatsapp-voice-notes/) (руководство)
-   [API распознавания арабской речи: как выбрать в 2026 году](https://broadrouter.com/ru/blog/arabic-speech-to-text-api-buyers-guide/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-speech-to-text&utm_content=page-cta) ·

**Источники**

-   [Цены Soniox на распознавание речи (дата обращения 2026-11-14)](https://soniox.com/pricing)
-   [Hugging Face Tasks, автоматическое распознавание речи](https://huggingface.co/tasks/automatic-speech-recognition)
-   [OpenAI, руководство по распознаванию речи (эндпоинт transcriptions, лимит файла 25 МБ; дата обращения 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Справочник API BroadNet Inference, транскрибация (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-speech-to-text&utm_content=sources)
-   [Машиночитаемые цены BroadNet Inference (pricing.json) (на английском)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-speech-to-text&utm_content=sources)
