Yandex SpeechKit — облачный API распознавания и синтеза речи с тремя режимами: синхронным, потоковым и асинхронным, где асинхронный обрабатывает до 4 часов аудио за один запрос. Подключаются по REST или gRPC с IAM-токеном или API-ключом. Поток (potok.now), для сравнения, — готовое приложение для диктовки на компьютере, а не конструктор для своего сервиса.
Yandex SpeechKit — это API, а не программа: чтобы получить диктовку на экране, как в истории о переходе с клавиатуры на голос, разработчику нужно самому написать клиент, который запишет звук, отправит его в SpeechKit и покажет результат. Разбираемся, какие режимы распознавания и синтеза речи доступны, чем они различаются технически и для каких задач каждый подходит.
Как устроено распознавание и синтез речи в SpeechKit
У SpeechKit три режима распознавания речи, и они рассчитаны на разные сценарии. Синхронный режим принимает одноканальный аудиофайл целиком и возвращает готовый текст одним ответом — у него жёсткие технические рамки: файл до 1 МБ и звук не длиннее 30 секунд, поэтому он годится для коротких голосовых команд или фраз, а не для записи разговора.
Потоковый режим устроен иначе: аудио передаётся частями по одному открытому соединению, а в ответ приходят промежуточные и финальные результаты по мере того, как человек говорит. Именно этот режим используют, когда текст нужен почти сразу, а не после полной записи. У потокового режима есть две версии API — новая, третья, которую рекомендуют для новых проектов, и более старая вторая, которую пока не отключили. Технические рамки здесь тоже есть: сессия не длиннее 5 минут и не больше 10 МБ переданных данных, а сама сессия закрывается, если за 5 секунд не пришло ни одного сообщения.
Асинхронный режим — противоположность синхронному: он принимает многоканальное аудио и намного больший объём — до 1 ГБ при загрузке в облачное хранилище или до 60 МБ через новый API, а длительность записи может доходить до 4 часов. Здесь результат не нужен мгновенно: запрос ставится в очередь, а готовый текст забирают отдельным запросом позже.
Для аудио на входе SpeechKit принимает три формата: LPCM с частотой дискретизации 8, 16 или 48 кГц, OggOpus (кодек OPUS в контейнере OGG) и MP3 — правда, MP3 не примут в самом старом синхронном API и в потоковом API второй версии. Подключаться к API можно по REST или через gRPC, а на стороне аутентификации — два варианта: IAM-токен, который получает любой аккаунт, обычный или сервисный, и API-ключ, который выпускают только для сервисных аккаунтов, если у приложения нет возможности автоматически обновлять IAM-токен.
| 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) |
| Molvi | Windows, macOS | бесплатно навсегда, без аккаунтов и оплаты | — | не требуется — продукт бесплатный; добровольные пожертвования принимаются через Telegram Tribute или картой на сайте, суммы не фиксированы | устройство (офлайн; на NVIDIA GPU лучшее качество, иначе быстрая модель на CPU) |
| v2txt.ru | Windows, macOS | тариф Start — 2000 слов/нед | 0 ₽/n/a (весь Pro бесплатно до конца 2026 (обычная цена Pro/Premium после 2026 на сайте не опубликована)) | рубли напрямую (принимаются Visa, Mastercard, карты «Мир», Т-Банк) | облако (Россия) в онлайн-режиме; офлайн-режим — обработка на устройстве |
| SpeakFlow | Windows, Web | 30 минут диктовки в месяц, бесплатно навсегда | 690 ₽/мес (Персональный (безлимит)) | рубли напрямую | облако (страна дата-центра не раскрыта на сайте) (не подтверждено) |
| Talkpad | macOS, Windows, Android | 2500 слов/нед на десктопе, 1500 слов/нед на мобильном, бесплатно навсегда; плюс 14 дней Pro-триал | $6/мес (Pro (при годовой оплате, $72/год)); $8/мес (Pro (помесячная оплата)) | неизвестно (не подтверждено) | облако (юрлицо зарегистрировано в Австралии; сайт хостится на Cloudflare, точное расположение серверов ASR не раскрыто в privacy policy) (не подтверждено) |
| Glas (LidFly) | Windows, macOS | 0 ₽ — 2000 слов в неделю бесплатно и бессрочно, без карты и регистрации по email; первые 2 недели без лимита слов | — | рубли напрямую: оплата через СБП; для юрлиц и ИП — счета | облако (Россия) — на сайте указано «российские серверы, работает без VPN» |
| Dragon NaturallySpeaking | Windows | не раскрыто | $699.99/разово (Dragon Professional Individual v16, бессрочная лицензия) | не раскрыто | устройство (офлайн) — локальный акустический движок (~8 ГБ нейросеть) после установки; интернет нужен только для активации лицензии |
| Голосовой доступ (Voice Access) Windows 11 | Windows | бесплатно, встроено в Windows 11 версии 22H2 и новее | — | не раскрыто | устройство (офлайн) — распознавание речи на устройстве после разовой загрузки языкового пакета; интернет нужен только для первичной загрузки языка |
| Voisty | Windows, macOS | 5 минут транскрипции (для оценки качества) | $6.7/мес (Pro); $67/год (Pro (год)); $99/разово (Lifetime) | карты Visa/Mastercard/Amex, PayPal; приём карт РФ не уточнён (не подтверждено) | устройство (офлайн, локальные модели типа Whisper Large V3 Turbo / NVIDIA Parakeet) |
| Win+H (голосовой ввод Windows) | Windows | бесплатно, встроено в Windows 10 и Windows 11 | — | не раскрыто | облако (Azure Speech services, Microsoft) — обязательно требуется подключение к интернету |
Для каких задач разработчики используют SpeechKit
Каждый режим распознавания рассчитан на свой тип задачи, и выбор режима — это в первую очередь вопрос о том, сколько времени готов ждать пользователь и какого рода у вас аудио. Потоковый режим документация напрямую связывает с телефонными ассистентами и роботами, виртуальными ассистентами и голосовыми устройствами — везде, где ответ должен появляться, пока человек ещё говорит, а не после того, как он закончил и положил трубку.
Синхронный режим со своими жёсткими ограничениями по размеру и длительности подходит там, где на входе короткая реплика — голосовая команда, короткое сообщение, одна фраза для дальнейшей обработки. Строить на нём распознавание длинных записей не получится: 30 секунд и 1 МБ — это предел одного запроса, и превышение просто вернёт ошибку вместо результата.
Асинхронный режим, наоборот, рассчитан на объём: запись звонка колл-центра, лекция, подкаст — то, что можно распознать не мгновенно, а через какое-то время после загрузки. Многоканальность здесь тоже важна: например, звонок с раздельными каналами для двух собеседников распознаётся сразу с разделением, кто что сказал, вместо одной сплошной дорожки.
Отдельно от распознавания в SpeechKit есть синтез речи — обратная задача, превращение текста в звук: для голосовых интерфейсов, озвучки уведомлений или ответов виртуального ассистента. У синтеза тоже два API с разными единицами тарификации и ограничениями на длину текста в одном запросе.
| 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 SpeechKit — не то, что нужно
Если задача — не встроить распознавание речи в свой продукт, а просто самому диктовать текст на компьютере, SpeechKit не решит эту задачу напрямую: это API, а не установленная программа, и между ним и работающей диктовкой на экране стоит ещё вся разработка клиента — запись звука, отправка запроса, обработка ответа, вставка текста в нужное поле. Поток — облачный сервис, распознавание идёт на серверах в России, без интернета он не работает, но в отличие от SpeechKit это уже готовое приложение: зажал хоткей, сказал, отпустил — текст встал в поле активного окна, без единой строчки кода.
Обратное тоже верно: тому, кто строит собственный сервис на распознавании речи — голосового ассистента, транскрибацию звонков, озвучку интерфейса, — готовая программа для диктовки не подойдёт, там нужен именно API уровня SpeechKit с документированными режимами, форматами и квотами.
Частые вопросы
Документация описывает REST и gRPC запросы к API с аутентификацией через IAM-токен или API-ключ — это стандартные способы обращения к облачному API, которые работают из любого клиента, способного делать сетевые запросы, не только с backend-сервера. Однако хранить ключ доступа прямо в клиентском приложении небезопасно, поэтому обычно запросы к SpeechKit проксируют через свой сервер.
Yandex SpeechKit. «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 «Yandex SpeechKit» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Yandex SpeechKit. «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 «Yandex SpeechKit» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Yandex SpeechKit. 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 «Yandex SpeechKit» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Yandex SpeechKit. 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 «Yandex SpeechKit» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Как начать
«Поток» есть для Windows, macOS и Linux. Две недели всё открыто бесплатно, дальше — 2500 слов в неделю без оплаты. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Диктуете в приложении, а записи и голосовые расшифровывает @potok_now_bot в Telegram. 60 минут в месяц — бесплатно, подписка «Потока» снимает лимит в боте и в приложении.
Первоисточники: speakflow.ru · speakflow.ru · speakflow.ru · blog.speakflow.ru