Нейросети для распознавания речи через API

Universal-3.5 Pro — это модель преобразования речи в текст от AssemblyAI, предоставляемая через их Sync API, возвращающая полную транскрипцию с временными метками на уровне слов в одном синхронном ответе для аудиоклипов длительностью до…

Universal-3.6 Pro — это модель преобразования речи в текст от AssemblyAI и преемник Universal-3.5 Pro, предоставляемый здесь через Sync API AssemblyAI. По сравнению с Universal-3.5 Pro, AssemblyAI сообщает о 30% меньшем количестве ошибок в…

Deepgram Nova-3 — универсальная модель преобразования речи в текст с поддержкой моноязычной и многоязычной транскрипции.

ElevenLabs Scribe v2 — это модель преобразования речи в текст, которая транскрибирует аудио на 90+ языках с временными метками на уровне слов, опциональной диаризацией диктора и тегированием аудиособытий.

ElevenLabs Scribe v2 Medical — это модель преобразования речи в текст, настроенная для клинической и медицинской терминологии, с временными метками на уровне слов, опциональной диаризацией диктора и тегами аудиособытий.

Transcribe 1 — это модель преобразования речи в текст от Fish Audio. Она подходит для транскрибирования аудио с автоматическим определением языка и может возвращать сегменты на уровне слов с отметками времени, если запрашиваются детали…

Transcribe 1 Pro — это модель преобразования речи в текст от Fish Audio, настроенная для интервью, совещаний и подкастов. Она помечает говорящих с помощью встроенных маркеров speaker, сохраняет эмоции и метки вокальных событий, такие…

google

Chirp 3 — это новейшая многоязычная модель преобразования речи в текст от Google. Она обеспечивает повышенную точность транскрипции для 24 общедоступных языков и более 77 языков предварительного просмотра, с поддержкой автоматического…

google

Gemini 3.5 Transcribe — это модель преобразования речи в текст от Google. Она подходит для синхронной транскрипции, требующей временных меток на уровне слов или диаризации диктора, с поддержкой до восьми дикторов. Аудио...

meta

Muse Voice Transcribe 1.0 — это синхронная модель преобразования речи в текст от Meta. Она подходит для режима «нажми и говори», определения конечных точек и транскрибирования с учётом говорящего, с возможностью смещения по ключевым словам…

microsoft

MAI-Transcribe 1.5 — это многоязычная модель преобразования речи в текст от Microsoft AI. Она подходит для создания субтитров, транскрибирования звонков, обеспечения доступности и других голосовых приложений, предлагая надёжную…

microsoft

MAI-Transcribe 2 — это многоязычная модель преобразования речи в текст от Microsoft AI, занимающая первое место в многоязычном бенчмарке FLEURS. Она поддерживает 60 языков с автоматической идентификацией языка, переключением кодов для…

mistralai

Voxtral Mini 3B 2507 — это модель понимания речи и аудио от Mistral AI. Она подходит для транскрипции, перевода и компактных рабочих нагрузок по обработке аудио.

mistralai

Voxtral Mini Transcribe — это модель преобразования речи в текст от Mistral, разработанная на основе семейства Voxtral Mini. Она принимает аудиовход и возвращает расшифрованный текст через стандартный API транскрипции. Подходит для…

mistralai

Voxtral Mini Transcribe 3 — это компактная модель преобразования речи в текст от Mistral. Она принимает аудиовход и возвращает транскрипцию с временными метками и диаризацией диктора. Модель также поддерживает смещение контекста для…

mistralai

Voxtral Small 24B 2507 STT — это модель транскрипции речи от Mistral AI. Она подходит для задач транскрипции, перевода и понимания аудио, которым полезна её большая ёмкость модели.

mistralai

Voxtral Small Transcribe 3 — это флагманская модель преобразования речи в текст от Mistral. Она принимает аудиовход и возвращает транскрипцию с временными метками и диаризацией диктора, а также поддерживает смещение контекста для…

nvidia

Nemotron 3.5 ASR Streaming Multilingual 0.6B — это модель распознавания речи от NVIDIA. Её дизайн FastConformer-RNNT, обусловленный подсказками и учитывающий кэш, предназначен для транскрипции с низкой задержкой на более чем 40 языках для…

nvidia

Nemotron 3.5 Transcribe — это модель распознавания речи с открытым весом от NVIDIA, 30B mixture-of-experts с примерно 4B активных параметров. Она транскрибирует записи продолжительностью до одного часа на 40 языках,...

nvidia

Parakeet TDT 0.6B v3 — это мультиязычная модель преобразования речи в текст от NVIDIA с 600 миллионами параметров, построенная на архитектуре FastConformer-TDT. Обученная на наборе данных Granary (более 670 000 часов аудио), она…

GPT-4o Mini Transcribe — это уменьшенная, экономичная модель преобразования речи в текст от OpenAI, основанная на аудиовозможностях GPT-4o Mini. Она тарифицируется за токен (входной и выходной), что делает её подходящей для рабочих…

GPT-4o Transcribe — это высококачественная модель преобразования речи в текст от OpenAI, основанная на аудиовозможностях GPT-4o. Оплата производится за токен (входной и выходной), что делает её подходящей для рабочих процессов, которым…

GPT Transcribe — это высокоточная модель преобразования речи в текст от OpenAI. Она подходит для записанного аудио, потоковой транскрипции файлов и зафиксированных сеансов в реальном времени, с контекстом в свободной форме, подсказками по…

Whisper — это модель автоматического распознавания речи с открытым исходным кодом от OpenAI, доступная через API как whisper-1. Она поддерживает транскрипцию и перевод более чем на 50 языков из аудиофайлов размером до 25 МБ. Принимает…

Whisper Large V3 — это модель автоматического распознавания речи с открытым исходным кодом от OpenAI, предлагающая как транскрипцию, так и перевод аудио. Она поддерживает более 99 языков и принимает распространённые аудиоформаты, включая…

Whisper Large V3 Turbo — это оптимизированная версия модели распознавания речи Whisper Large V3 от OpenAI, разработанная для обеспечения скорости и экономичности. Она поддерживает транскрипцию на более чем 99 языках с...

qwen

Qwen3 ASR 0.6B — это компактная модель автоматического распознавания речи от Qwen. Она поддерживает многоязычную идентификацию и транскрипцию речи на 30 языках и 22 китайских диалектах, с потоковой и офлайн-обработкой...

qwen

Qwen3 ASR 1.7B — это модель автоматического распознавания речи от Qwen. Она поддерживает многоязычную идентификацию и транскрипцию на 30 языках и 22 китайских диалектах, с потоковым и офлайн-выводом...

Grok STT — это модель преобразования речи в текст от xAI, доступная через конечную точку REST /v1/stt. Она поддерживает транскрипцию с временными метками на уровне слов, опциональную диаризацию диктора и многоканальное аудио.