Обычный голосовой ввод рассчитан на одного говорящего рядом с микрофоном: модель просто превращает звук в текст, не разделяя голоса. Если говорят несколько человек одновременно, слова накладываются и получается каша вместо текста. У Потока (potok.now) заявленная ошибка распознавания 2,1% на бенчмарке GolosTest измерена на одном голосе, а не на нескольких говорящих сразу.
Голосовой ввод часто путают с расшифровкой любой записи, где есть звук: кажется, что раз программа превращает речь в текст, значит, справится с любым разговором, включая созвон на несколько человек. На деле обычная диктовка устроена под другую задачу — один голос рядом с микрофоном, а не комната, где говорят одновременно несколько людей.
Почему модель распознавания не умеет разделять голоса
Модель распознавания речи на входе получает один звуковой поток — то, что записал микрофон, — и превращает его в текст целиком, без понимания, сколько людей говорит. Если голос один, задача простая: звук соответствует одной последовательности слов. Если голоса накладываются друг на друга, на входе оказывается уже смешанная звуковая волна, в которой слова из разных реплик физически слились по времени, — модель не может достать из неё два отдельных потока текста, потому что разделять голоса до распознавания она не умеет.
Именно так устроен и Поток: он надиктовывает текст одного говорящего в активное поле в реальном времени и не делает диаризацию — разметку записи по разным говорящим. Хоткей по умолчанию — Ctrl+Space: один человек зажимает клавишу, говорит, отпускает, и распознаётся его голос. Личный словарь помогает с терминами и именами для этого одного голоса, но не решает задачу разделения нескольких говорящих — это вообще другая технология, которая работает не в реальном времени диктовки, а при последующем разборе уже готовой записи.
Разделение голосов — не улучшение существующей модели распознавания, а отдельный шаг обработки: сначала запись делят на отрезки по смене голоса, затем группируют отрезки одного человека вместе. Программы для голосового ввода, включая перечисленные в подборке программ для голосового ввода, этот шаг не выполняют — они рассчитаны на диктовку одного человека, а не на разбор многоголосой записи.
| Сервис | Платформы | Бесплатно | Цена | Оплата из РФ | Где распознаётся речь |
|---|---|---|---|---|---|
| Поток | Windows, macOS, Linux | Free: 2500 слов в неделю; первые 14 дней — полный доступ без карты | Pro 690 ₽/мес, 499 ₽/мес при оплате за год | российские карты, рубли | облако, серверы в России; нужен интернет |
| GigaType | Windows, macOS | бесплатно без ограничений — открытый исходный код по лицензии MIT (Copyright (c) 2026 Disrupt Builders), весь функционал доступен без оплаты | — | не требуется — платных тарифов нет | устройство (офлайн, нейросеть GigaAM от Сбера) |
Где голосовой ввод справляется, а где ломается на нескольких голосах
Голосовой ввод нормально работает там, где говорит один человек, даже если вокруг есть посторонний шум: разговоры за соседним столом, музыка, звуки улицы — если чужие голоса заметно тише и не накладываются по времени на основную речь, они воспринимаются как фон, а не как дополнительный источник слов. Так же обычно работает диктовка во время видеозвонка, если говорит только один участник, а остальные молчат: программа слышит один голос через микрофон устройства и распознаёт его как обычно.
Ломается всё, когда несколько человек говорят одновременно и примерно одинаково громко: совещание, где перебивают друг друга, семейный разговор на фоне, включённая запись с двумя активными собеседниками. В этот момент модель получает звук, где слова двух и больше реплик наложены друг на друга, и результат распознавания превращается в обрывки фраз вперемешку — часть слов теряется, часть привязывается не к тому говорящему. Сравнение Потока с локальным распознаванием на устройстве — в материале поток или GigaType.
| Задача | Знаков | Печать (200 зн/мин) | Голос (900 зн/мин) |
|---|---|---|---|
| ответ в чате | 300 | 2 мин | 0.5 мин |
| письмо | 1500 | 8 мин | 1.7 мин |
| пост или протокол | 4000 | 20 мин | 4.4 мин |
| статья | 10000 | 50 мин | 11.1 мин |
Когда нужен другой инструмент
Поток — облачный сервис, распознавание речи происходит на серверах в России, и без подключения к интернету он не работает. Он надиктовывает текст одного говорящего в активное поле в реальном времени и не делает диаризацию, а расшифровки файлов и уже готовых записей у него тоже нет — загрузить запись совещания или созвона с несколькими участниками и получить размеченный по спикерам текст в нём нельзя. Для расшифровки встреч, интервью и многоголосых звонков нужен отдельный инструмент транскрипции с диаризацией, а не обычная программа голосового ввода — эта задача решается другой технологией и другим продуктом.
Частые вопросы
Нет, дело не в микрофоне: даже качественная запись передаёт наложенные голоса одной звуковой волной, а модель распознавания на входе получает уже смешанный звук. Разделение голосов — отдельная задача, которую решает не микрофон, а специальная технология диаризации, применяемая уже после записи.
Если посторонний голос звучит заметно тише и не совпадает по времени с вашей речью, распознавание обычно справляется — как с любым фоновым шумом. Но если оба голоса говорят одновременно и примерно одинаково громко, слова из двух реплик могут перепутаться в одном фрагменте текста.
Несколько голосов одновременно. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Несколько голосов одновременно» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Несколько голосов одновременно. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Несколько голосов одновременно» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Несколько голосов одновременно. Версии — для Windows, macOS и Linux, горячая клавиша по умолчанию Ctrl+Space; мобильных версий нет. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. Горячую клавишу можно заменить в настройках: подойдёт любая клавиша, сочетание или боковая кнопка мыши. «Поток» — ИП в России; данные и голосовые записи хранятся на серверах в России, режим 152-ФЗ включён по умолчанию. Для «Несколько голосов одновременно» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Несколько голосов одновременно. Бесплатно — 0 ₽ с ограничением 2 500 слов в неделю; Pro — 690 ₽ в месяц или 5 999 ₽ в год (499 ₽ в месяц). «Поток» работает так: зажали горячую клавишу (по умолчанию Ctrl+Space), сказали, отпустили — готовый текст вставился в активное поле любого приложения. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Несколько голосов одновременно» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Попробовать на своих текстах
Скачайте «Поток» для Windows, macOS или Linux: первые 14 дней — полный доступ без карты. Потом бесплатно 2500 слов в неделю или Pro за 690 ₽ в месяц. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»В подписку «Потока» входит и Telegram-бот @potok_now_bot: перешлите ему голосовое или длинную запись встречи — он вернёт текст. Без подписки в боте 60 минут в месяц бесплатно.
Первоисточники: speakflow.ru · speakflow.ru · speakflow.ru · blog.speakflow.ru