Перейти к содержимому

API распознавания речи (ASR): 10 сервисов speech-to-text

В каталоге собрано 10 сервисов по направлению «API распознавания речи (ASR)». API для распознавания и синтеза речи: Yandex SpeechKit, Tinkoff VoiceKit, SmartSpeech (Сбер), MTS AI API, Whisper OpenAI, Vosk, Silero. Для разработчиков, встраивающих speech-to-text и text-to-speech в свои продукты — голосовые боты, транскрибацию, голосовые помощники, автоматические субтитры. Сравнение цен, точности на русском языке, поддерживаемых форматов, лимитов API. Для каждого сервиса представлены тарифы, функции, отзывы и сравнение с аналогами.

Виды API распознавания речи

📦
Открытые ASR-модели
6 сервисов
🎯
Whisper OpenAI
1 сервис
🅰️
Yandex SpeechKit
1 сервис
🏦
Tinkoff VoiceKit
1 сервис
📦10 сервисов🆓6 бесплатных📅Обновлено: сентябрь 2026
Сортировка:
Фильтры:
G

GigaAM

Бесплатный

Семейство открытых акустических моделей SberDevices для распознавания русской речи под лицензией MIT. Версия v3 предобучена на 700 тыс. часов речи, варианты e2e сразу ставят пунктуацию, модели экспортируются в ONNX. Для разработчиков, которым нужен распознаватель на своих серверах.

Бесплатно
Россия
Распознавание русской речи моделями с декодерами CTC и RNN-TМодели e2e с пунктуацией и нормализацией текстаЛиния multilingual на 70 с лишним языках, включая казахский, киргизский и узбекскийТаймкоды словДлинные записи в режиме longform с сегментацией pyannote+6
Подробнее
MWS AI (бывший MTS AI) — логотип

MWS AI (бывший MTS AI)

MWS AI (бывший MTS AI) — один из ведущих российских AI-центров компетенций от группы МТС. ООО «МВС ИИ» с 2026, продуктовая линейка: Cotype (LLM), Audiogram (ASR/TTS), Kodify, WordPulse, AI Agents Platform, ИИ-рекрутер, Дипфейк-детектор.

Расчёт под продукт и объём
Облако (API) + on-premise (по запросу для enterprise) + open-source Kodify NanoРоссия
Cotype — большая языковая модель для бизнеса (включая мультимодальную версию для ИИ-агентов)Audiogram — платформа распознавания и синтеза речи (ASR + TTS)WordPulse — AI-сервис речевой аналитики (100% диалогов)Kodify — генерация и автодополнение кодаKodify Nano — open-source генеративная модель для программистов+9
Подробнее
N

NVIDIA NeMo Speech (Parakeet, Canary)

Бесплатный

Открытый фреймворк NVIDIA для обучения и запуска речевых моделей и семейство готовых весов: Parakeet v3 и Canary v2 распознают 25 языков, включая русский, ставят пунктуацию и таймкоды, Canary ещё и переводит. Для команд с видеокартами NVIDIA и опытом PyTorch.

Бесплатно
Международный
Готовые веса Parakeet v3 и Canary v2 на 25 языков, включая русский и украинскийАвтоматическое определение языка записи в Parakeet v3Пунктуация и заглавные буквы прямо в выводе моделиТаймкоды слов и сегментовПеревод речи с английского на 24 языка и обратно в Canary v2+7
Подробнее
Q

Qwen3-ASR

Бесплатный

Открытые модели распознавания речи от команды Qwen в Alibaba Cloud на 0,6 и 1,7 млрд параметров: 30 языков, включая русский, и 22 диалекта китайского, сами определяют язык и понимают даже пение. Для разработчиков с видеокартами, которым нужен многоязычный распознаватель на своём сервере.

Бесплатно
Международный
Две модели распознавания: 1,7 и 0,6 млрд параметров30 языков, включая русский, и 22 диалекта китайскогоАвтоматическое определение языка записиРаспознавание речи, пения и песен с фоновой музыкойОфлайн и потоковый режим в одной модели+7
Подробнее
SmartSpeech — логотип

SmartSpeech

Российский сервис речевой аналитики ООО «Речевые технологии» (Иннополис, Татарстан). Распознаёт речь, строит кластеры похожих по смыслу слов, выдаёт отчёты с фильтрами, помогает находить проблемные звонки, обучать сотрудников и улучшать репутацию бренда.

Цена под задачу и объём данных
Облачный сервисРоссия
Преобразование речи в текстКластеризация похожих по смыслу слов и фразПоиск часто встречающихся паттернов в речиФильтрация по заданным критериям и диапазонамАнализ звонков и записей с диктофонов+6
Подробнее
T-Bank VoiceKit — логотип

T-Bank VoiceKit

API для распознавания и синтеза речи в реальном времени с потоковым режимом через gRPC и REST. Часть T-API от Т-Банка (бывший Tinkoff VoiceKit). Сервис ООО «ТЦР»: распознавание доступно для ЮЛ и физлиц, синтез — только для ЮЛ.

Тарифы — в документации T-API
Облачный API (developer.tbank.ru)Россия
API распознавания речи в реальном времени (Speech-to-Text)API синтеза речи (Text-to-Speech) — только для юр.лицПотоковый режим streaming через gRPCREST API для асинхронных сценариевАвторизация по паре ключей API_KEY + SECRET_KEY+5
Подробнее
T

T-one

Бесплатный

Открытый потоковый распознаватель русской речи от Т-Банка, заточенный под телефонные звонки: модель на 71 млн параметров обрабатывает звук 8 кГц кусками по 300 мс и отдаёт готовые фразы в реальном времени. Для разработчиков колл-центров и голосовых ботов.

Бесплатно
Россия
Потоковое распознавание русской речи кусками по 300 мсСпециализация на телефонном канале 8 кГцАвтоматическое разбиение речи на фразыЖадный декодер или лучевой поиск с языковой моделью KenLMТаймкоды фраз+5
Подробнее
V

Vosk

Бесплатный

Открытый движок распознавания речи от Alpha Cephei, который работает без интернета — от Raspberry Pi и смартфона до сервера. Для русского есть лёгкая модель на 45 МБ и серверные на 1,5–2,5 ГБ, потоковый API и Docker-сервер для телефонии. Для разработчиков голосовых ботов, IoT и офлайн-приложений.

Бесплатно
Международный
Распознавание речи без интернета — модель работает на устройствеБольше 20 языков и диалектов, в том числе русский, украинский, казахский, узбекскийРусские модели: лёгкая на 45 МБ и серверные на 1,5–2,5 ГБПотоковый API с ответом по мере речиПеренастройка словаря на лету для маленьких моделей+7
Подробнее
Whisper (OpenAI) — логотип

Whisper (OpenAI)

Бесплатный

Open-source модель автоматического распознавания речи (ASR) от OpenAI на архитектуре Transformer encoder-decoder. Обучена на 680 000 часов многоязычных данных, поддерживает транскрипцию и перевод на английский. Доступна как через API OpenAI, так и для self-hosted-запуска.

Бесплатно
Open-source (self-hosted) + API OpenAIСША (OpenAI)
Архитектура Transformer encoder-decoder (sequence-to-sequence ASR)Обучена на 680 000 часов многоязычных и многозадачных размеченных данныхМногоязычное распознавание речиПеревод речи на английский (Speech Translation)Автоматическое определение языка+7
Подробнее
Yandex SpeechKit — логотип

Yandex SpeechKit

Модуль AI Speech в Yandex AI Studio: распознавание и синтез речи, Realtime API голосовых агентов с откликом < 1 секунды, LLM-обработка результатов, Brand Voice (Lite + Premium) и SpeechKit Hybrid для on-premises. ООО «Яндекс.Облако», в реестре российского ПО.

Стоимость зависит от сценария
Облако (Yandex AI Studio) + On-premises (SpeechKit Hybrid)Россия11+ интеграций
Realtime API — голосовые агенты с откликом < 1 секундыРаспознавание речи в реальном времени и асинхронноСинтез речи (TTS) для IVR, ассистентов, медиаконтентаLLM-обработка распознанной речи (суммаризация, перевод, факты)Brand Voice Lite — голос за 20-40 минут речи без кода+10
Подробнее

Сравнение сервисов API распознавания речи (ASR)

Whisper (OpenAI)
Мин. цена
Бесплатно
Бесплатная версия
Есть
Развёртывание
Свой сервер
SmartSpeech
Мин. цена
По запросу
Бесплатная версия
—
Развёртывание
Облачный сервис
Yandex SpeechKit
Мин. цена
По запросу
Бесплатная версия
—
Развёртывание
Облако + Свой сервер
Интеграции
11+
T-Bank VoiceKit
Мин. цена
По запросу
Бесплатная версия
—
Развёртывание
Облачный API (developer.tbank.ru)
GigaAM
Мин. цена
Бесплатно
Бесплатная версия
Есть

Часто задаваемые вопросы

Какой API распознавания речи выбрать для русского языка?
Yandex SpeechKit — российский сервис, точность 95%+ на чистой русской речи, 30+ голосов для синтеза включая эмоциональные, поддержка 20+ языков, интеграция с Yandex Cloud. От 10 ₽/минута. Tinkoff VoiceKit — конкурент с похожим качеством, фокус на финансовый сектор и звонки. От 8 ₽/минута. SmartSpeech от Сбера — корпоративный сегмент с индивидуальными тарифами от 20 000 ₽/мес. Whisper OpenAI — open-source с высокой точностью для английского, для русского уступает Yandex. Для российских проектов на русском подходит Yandex SpeechKit.
Whisper OpenAI — как использовать?
Whisper — open-source модель от OpenAI для speech-to-text, доступна двумя путями. 1) API OpenAI: $0,006 за минуту через REST API, удобно для разовых задач, минимум усилий — но данные уходят на серверы OpenAI. 2) Self-hosted: бесплатно, разворачиваете на своём GPU-сервере (нужен NVIDIA RTX 3080+ от 4 ГБ VRAM, $20-100/мес стоимость GPU). Преимущества self-hosted: полный контроль данных (важно для медицины, юриспруденции), безлимитная обработка, фиксированная стоимость. Минусы: нужна DevOps-команда, для русского качество ниже Yandex.
Сколько стоит распознавание речи через API?
Yandex SpeechKit: 10-30 ₽/минута в зависимости от модели (базовая, премиум с эмоциями, с пользовательскими словарями). Tinkoff VoiceKit: 8-20 ₽/минута. SmartSpeech: индивидуальные тарифы от 20 000 ₽/мес. Whisper OpenAI API: $0,006/минута (≈0,6 ₽/мин для английского, для русского лучше Yandex). Whisper self-hosted: фиксированная стоимость GPU $20-100/мес, окупается при объёмах от 50 000 минут/мес. Для типовых сценариев: 10 000 минут/мес → Yandex ≈ 150 000 ₽, self-hosted Whisper ≈ 50 000 ₽ при полной загрузке GPU. Для разовых задач — Yandex.
Какая разница между Yandex SpeechKit и SmartSpeech?
Yandex SpeechKit — публичное облачное API с поминутной оплатой, доступно любому через регистрацию в Yandex Cloud. Хорошо подходит для среднего и малого бизнеса, гибкий тариф. SmartSpeech (Сбер) — корпоративный продукт с индивидуальными договорами и тарифами, ориентирован на крупные компании финансового сектора и госсектор. Качество распознавания у обоих похожее (95%+ на русском). Yandex проще в подключении, SmartSpeech даёт больше гарантий по SLA и хранению данных в РФ. Для большинства задач — Yandex SpeechKit.
Что такое Vosk и Silero?
Vosk — open-source библиотека распознавания речи на базе моделей Kaldi, разработана российской командой AlphaCephei. Поддержка 20+ языков включая русский. Можно запускать на CPU без GPU, на смартфонах и микроконтроллерах. Точность ниже коммерческих API (85-90% на чистой речи), но бесплатная и работает offline. Silero — российская open-source библиотека для распознавания речи и синтеза. Хорошее качество для русского языка, можно использовать в коммерческих проектах без лицензионных отчислений. Оба подходят для проектов с ограниченным бюджетом или требованиями offline-работы (мобильные приложения, IoT-устройства).
Как выбрать между облачным API и self-hosted?
Облачное API (Yandex, Tinkoff, SmartSpeech): быстрый старт за 1 день, не нужна инфраструктура, поминутная оплата. Минусы: данные уходят на сервера провайдера, при больших объёмах дорого. Self-hosted (Whisper, Vosk, Silero): полный контроль данных, безлимитная обработка, фиксированная стоимость GPU. Минусы: нужна DevOps-команда, время на развёртывание 1-2 недели, требования к железу. Облачное API — для проектов до 50 000 минут/мес и быстрого старта. Self-hosted — для крупных объёмов (100 000+ минут/мес) или конфиденциальных данных (медицина, юриспруденция, госсектор).

Похожие категории сервисов

🎤
Речевая аналитика звонков
42 сервиса
🤖
Голосовые роботы
32 сервиса
🎵
Аудиоредактор онлайн
36 сервисов
🧠
Нейросети и AI-сервисы
221 сервис

API распознавания речи 2026: speech-to-text для разработчиков

Зачем разработчику API распознавания речи

API для speech-to-text позволяет встроить распознавание речи в свои продукты: голосовые боты для бизнеса, автоматическую транскрибацию аудио и видео, голосовые ассистенты в мобильных приложениях, автоматические субтитры для видеоплатформ, голосовой ввод в формы и поиск, анализ звонков колл-центра в собственной системе. Современные API дают точность 90-98% на чистой русской речи, поминутную оплату от 10 ₽, готовые SDK для популярных языков программирования. Это базовый строительный блок для любого продукта со звуком.

Российские облачные API

Yandex SpeechKit — крупнейший российский API для речевых технологий. Точность распознавания на русском 95%+, поддержка 20+ языков, 30+ голосов для синтеза с эмоциями, поиск ключевых слов, определение языка. От 10 ₽/минута распознавания, 400 ₽ за 1 млн символов синтеза. Удобная документация, готовые SDK для Python, Go, Java, JavaScript. Tinkoff VoiceKit — конкурент с фокусом на финансовый сектор. От 8 ₽/минута. SmartSpeech от Сбера — корпоративный продукт для крупного бизнеса. От 20 000 ₽/мес индивидуальные тарифы. MTS AI API — от МТС, для интеграции в экосистему МТС Облако.

Международные API и open-source

Whisper OpenAI — open-source модель с высокой точностью для английского. Доступна двумя способами: API OpenAI ($0,006/минута) или self-hosted на своём GPU (бесплатно, фиксированная стоимость железа). Поддержка 100+ языков. Для русского уступает Yandex SpeechKit, но подходит для английского. Google Cloud Speech-to-Text — качественный сервис для 125+ языков, $0,016/минута. Microsoft Azure Speech Services — альтернатива Google. Amazon Transcribe — от AWS. Для русскоязычных проектов международные API проигрывают Yandex по точности и цене.

Open-source: Vosk и Silero

Vosk — российская open-source библиотека на базе моделей Kaldi. Поддержка 20+ языков включая русский. Запускается на CPU без GPU, на смартфонах, IoT-устройствах. Точность 85-90% на чистой речи. Бесплатно для коммерческих проектов. Silero — российская open-source библиотека для распознавания и синтеза. Хорошее качество для русского, без лицензионных отчислений. Идеально для проектов с ограниченным бюджетом, мобильных приложений, оффлайн-работы. Главное преимущество — полный контроль данных и стоимости (нет поминутной оплаты).

Применение API в продуктах

Голосовые боты для бизнеса используют ASR-API под капотом для распознавания речи клиента и синтеза ответа. Сервисы транскрибации подкастов и видео комбинируют несколько API. Голосовые ассистенты в мобильных приложениях: голосовой ввод запросов в поиск, голосовое управление функциями. Автоматические субтитры для видеоплатформ: загрузка через API. Анализ звонков колл-центра: сервисы речевой аналитики распознают разговор, потом NLP анализирует. Голосовой поиск в e-commerce: «найди красные кроссовки» произносится в микрофон, API распознаёт, поиск возвращает результаты.

Каталог обновлён: сентябрь 2026