API распознавания и синтеза речи в России

Распознавание речи (ASR) преобразует аудиофайл в текст. Запрос передаёт файл через multipart/form-data на POST /v1/audio/transcriptions; ответ в формате json содержит поле text. Ключ передаётся в заголовке Authorization: Bearer и не должен попадать в клиентский код.

Перед интеграцией определите, что именно нужно продукту: только текст, временные метки, разделение говорящих или подсказки по языку. Эти возможности зависят от модели, и их нельзя переносить с одной модели на другую автоматически — проверяйте карточку и документацию.

Начните с короткой тестовой записи на языке ваших пользователей, с типичным шумом и терминологией. Для длинных файлов подготовьте части с сохранённым порядком и временными смещениями: каждый отправленный фрагмент — отдельный оплачиваемый запрос.

• POST /v1/audio/transcriptions — распознавание, multipart/form-data.
• Обязательные поля в минимальном примере: model и file.
• response_format=json возвращает поле text в минимальном контракте.
• Дополнительные поля и форматы ответа проверяйте для конкретной модели.

Синтез речи (TTS) принимает JSON на POST /v1/audio/speech. В минимальном запросе указываются model, input и voice; дополнительные параметры — speed и response_format — зависят от выбранной модели и документации.

Документация NeuroAPI описывает OpenAI-совместимый контракт синтеза: модели tts-1 и tts-1-hd, голоса alloy, echo, fable, onyx, nova и shimmer, форматы mp3, opus, aac, flac, wav и pcm. Перед production сверьте доступность модели и голосов для вашего ключа: наличие поля в общей спецификации не гарантирует его поддержку каждой моделью NeuroAPI.

Синтез удобно проверять на коротких фразах: сравните разборчивость, интонации и произношение имён и терминов на вашем контенте. Для озвучки интерфейсов заранее решите, как обрабатывать кэш и повторную генерацию одного и того же текста.

• POST /v1/audio/speech — синтез, JSON.
• Поля минимального запроса: model, input, voice.
• speed и response_format проверяйте по документации модели.
• Восприятие голоса оценивайте на своих текстах, а не по описанию.

Публичный каталог на 19.10.2026 включает модели распознавания whisper-1 и синтеза tts-1. Отдельная группа — мультимодальные qwen3-omni-flash, qwen3.5-omni-flash и qwen3.5-omni-plus: они принимают аудио и могут отвечать аудио, но у линейки Omni аудио-выход доступен только в потоковом режиме — это контракт модели, а не общего эндпоинта распознавания.

Наличие аудио-входа у модели не означает поддержку Transcriptions API: для распознавания файла используйте ASR-эндпоинт, а для диалога с мультимодальной моделью — формат генерации текста. Точный список доступных моделей отдаёт GET /v1/models, назначение и цена указаны в карточке на /price.

Доступность зависит от тарифа API-ключа: разные ключи могут видеть разные наборы моделей. Проверяйте это до интеграции, а не в момент запуска production.

Типичные задачи: расшифровка встреч и звонков, субтитры, голосовые интерфейсы, озвучка контента, мультимодальные ассистенты. Для каждой задачи важны свои свойства модели: точность на терминах, устойчивость к шуму, поддержка языка, скорость и стоимость единицы.

Ограничения тоже зависят от модели: допустимые кодеки и размер файла, длительность записи, набор голосов и форматов ответа. Единого подтверждённого лимита для всех моделей нет, а параметры из текстового поля «контекст» нельзя считать ограничением аудиофайла.

Если запрос отклонён, проверьте ключ, ID модели, наличие файла и формат; затем разберите код ошибки. При таймауте не повторяйте отправку файла слепо: обработка могла уже начаться, и повторная отправка создаст дополнительную оплачиваемую операцию.

Подготовьте небольшой набор записей с проверенной расшифровкой и набор фраз для синтеза. Сравните качество, измерив ошибки на одинаковых правилах нормализации, и отдельно оцените время ответа — оно зависит от длины файла и модели.

Стоимость смотрите в карточке модели на /price: единицей может быть запрос, длительность или другая величина в зависимости от модели. Число слов в полученном тексте не является универсальной мерой стоимости распознавания.

Для контроля бюджета выпускайте отдельные ключи под аудио-задачи и ограничивайте лимиты. Так расходы на распознавание и синтез не смешиваются с текстовыми экспериментами.