Speech-to-text (STT, распознавание речи) — это технология, которая превращает устную речь в письменный текст: записанный голос на входе, расшифровка на выходе.
Раньше такие системы строили из отдельных блоков: акустическая модель, словарь, языковая модель. Сегодня большинство распознавателей — нейросети, обученные на тысячах часов размеченного аудио. Они лучше понимают акценты, шум и разговорный стиль. Известный пример с открытыми весами — модель Whisper от OpenAI. В России распространены Yandex SpeechKit и SaluteSpeech от Сбера, которые хорошо работают с русским языком.
Задача распознавания включает несколько шагов: очистить звук, разбить его на фрагменты, определить слова и расставить знаки препинания и заглавные буквы. Продвинутые сервисы ещё разделяют говорящих («спикер 1», «спикер 2»), проставляют таймкоды и работают в реальном времени.
Для чего используют
- Расшифровка интервью, подкастов и созвонов.
- Субтитры к видео: они помогают доступности и поисковой видимости.
- Голосовые помощники и Голосовой поиск.
- Анализ звонков в отделе продаж: что обещали клиенту, где он сомневался.
- Диктовка заметок и черновиков.
Пример
Агентство записывает встречу с клиентом, загружает файл в сервис распознавания и через минуты получает текст с таймкодами. Затем языковая модель (LLM) делает из расшифровки краткий протокол и список задач. Так связка STT и LLM экономит часы ручной работы.
Что влияет на качество
- Качество записи: шум, эхо и плохой микрофон резко снижают точность.
- Чёткость речи и скорость.
- Специальные термины и названия: их стоит добавить в словарь, если сервис позволяет.
- Язык и акцент.
- Число говорящих, которые перебивают друг друга.
Типичные ошибки
- Публиковать расшифровку без вычитки: имена и термины часто искажаются.
- Передавать записи с персональными данными в сервис, не проверив условия обработки по 152-ФЗ.
- Записывать людей без их согласия.
Чем отличается от TTS
Это обратные технологии. Speech-to-text превращает голос в текст, а TTS озвучивает текст голосом. Вместе они составляют основу голосовых ассистентов: сначала распознают вопрос, потом думает модель, потом ответ озвучивается.
Если вы публикуете расшифровки на сайте, они дают дополнительную пользу: текст интервью или вебинара индексируется поисковыми системами и может попасть в ответы нейросетей. Это превращает один аудиофайл в статью, цитаты и материал для рассылки при минимальных затратах на подготовку.
Частый вопрос
Насколько точно нейросети распознают русскую речь? На чистой записи с одним говорящим точность высокая, но она падает при шуме, перебивании и узких терминах. Всегда вычитывайте текст, особенно имена, цифры и названия, прежде чем публиковать или отправлять клиенту.