Как подключить распознавание речи в текст к приложению в 2026

Распознавание речи в текст (STT, speech-to-text) превращает голосовое сообщение, звонок или видео в текстовый файл за секунды. Подключается это через готовый API двух-трех строк кода, без своей модели и без GPU на балансе. В статье разберем, чем Deepgram отличается от Gladia по точности, скорости и цене, и дадим рабочий код для интеграции обоих сервисов.

Deepgram и Gladia — два самых используемых STT API для продакшна в 2026 году. Deepgram берет скоростью и ценой на батч-транскрипцию, Gladia — точностью на многоязычном и шумном аудио плюс диаризацией спикеров из коробки. В статье: сравнение по цифрам, две таблицы и готовый код на Python и curl.

Что такое распознавание речи и зачем оно приложению

Распознавание речи в текст — это технология, которая переводит звуковую волну голоса в письменный текст с помощью нейросети, обученной на миллионах часов аудио. Термин STT встречается почти везде, где в продукте есть голос: voice-бот поддержки, транскрибация созвонов, субтитры к видео, диктовка в заметках.

У Deepgram Nova-3 независимый бенчмарк дает WER 5,26% на чистой английской речи, у флагманской модели Gladia Solaria-3 — 6,4% на записях звонков (Earnings22 Cleaned AA). Оба показателя означают почти безошибочную транскрипцию на понятном аудио, разница проявляется на шуме и акцентах.

Для вайбкодера STT — это готовый кирпичик, а не задача для своей ML-модели. Собрать Telegram-бота, который слушает голосовое и отвечает текстом, реально за вечер: голосовой файл летит в API, через пару секунд возвращается транскрипт, дальше с ним работает обычная логика бота. Именно так в VibeCoderz устроен собственный пайплайн генерации смарт-конспектов: транскрипт YouTube-видео уходит в AI и превращается в готовую статью с разметкой по темам.

Как работает STT API простыми словами

STT API принимает аудиофайл или поток звука, прогоняет его через модель распознавания и возвращает JSON с текстом, таймкодами и меткой говорящего. Работает в двух режимах: пакетном (batch) и потоковом (real-time).

В batch-режиме файл целиком загружается на сервер и обрабатывается за раз, это дешевле и точнее. В real-time аудио льется через WebSocket непрерывным потоком, и текст появляется с задержкой в доли секунды, что критично для голосовых ассистентов.

Batch подходит для подкастов, записей встреч, YouTube-видео — там результат не нужен мгновенно. Real-time нужен, когда бот должен ответить прямо во время разговора: колл-центр, голосовой ассистент, диктовка в реальном времени. Выбор режима напрямую влияет на цену: потоковая транскрипция почти всегда дороже пакетной на 30-80%, потому что сервер держит соединение открытым и обрабатывает звук частями.

Есть и третий путь — открытая модель Whisper от OpenAI, которую можно развернуть у себя на сервере. Распознавание речи через whisper бесплатно в плане лицензии, но требует своего GPU, DevOps-настройки и не дает готового API из коробки. Deepgram и Gladia, по сути, продают Whisper-класс качества как облачный сервис с SLA и поддержкой, поэтому для большинства продуктов быстрее и дешевле по времени разработки взять готовый API.

Deepgram или Gladia что точнее распознает речь

Deepgram Nova-3 сильнее на чистой английской речи и на шумных телефонных звонках. Gladia Solaria-3 выигрывает на многоязычном аудио, акцентах и разделении по спикерам.

По собственным тестам Gladia на записях реальных звонков (Earnings22) Solaria-3 показывает WER 6,4% против 12,0% у Deepgram на том же датасете. Deepgram, в свою очередь, лидирует в независимых замерах на чистом английском — 5,26% WER у Nova-3.

Тут честная оговорка: тесты Gladia — это тесты самой Gladia, к ним стоит относиться как к маркетингу с цифрами, а не к независимому арбитру. На своем аудио разница может оказаться другой. Прогнать пару сотен реальных файлов через оба API перед выбором — не лишняя трата часа.

Диаризация и работа с акцентами

Диаризация — это разметка, кто из спикеров что сказал. У Gladia диаризация встроена в базовый тариф, а по собственным замерам компании точность разделения спикеров (DER) примерно в 3 раза выше, чем у конкурентов. Для звонков в поддержку или подкастов с несколькими голосами это ощутимая разница в удобстве постобработки.

Deepgram лучше справляется с шумом на фоне и специфическими акцентами в разговорной речи — это подтверждает и разбор с YouTube-канала про транскрипционные сервисы: Gladia точнее ставит таймкоды и разделяет спикеров, Deepgram увереннее вытягивает смысл из зашумленного звонка с посторонними голосами.

Что быстрее Deepgram или Gladia по задержке ответа

Оба сервиса укладываются в отметку до 300 миллисекунд для потокового распознавания, разница на уровне архитектуры, а не на глаз пользователя.

Solaria у Gladia отдает первый частичный транскрипт примерно за 103 миллисекунды, финальный вариант чуть позже. Deepgram держит суммарную задержку потока ниже 300 миллисекунд и остается одним из самых быстрых игроков рынка.

Для голосового ассистента, который должен подхватывать реплику пользователя без неловкой паузы, оба варианта работают достаточно быстро. Разница ощутима только при высокой нагрузке в сотни параллельных потоков, где стоит смотреть уже не на среднюю задержку, а на процентиль p95 в реальных условиях своего трафика.

Сколько стоит подключить STT в 2026 году

Цена держится в центах за час аудио, но батч и стриминг считаются по-разному, и у обоих сервисов есть бесплатный старт для теста.

На объеме в 1000 минут аудио в месяц (около 16,7 часа) батч-транскрипция через Deepgram обойдется примерно в $4,3, через Gladia Starter — около $10,2. Если нужен real-time, Deepgram выйдет в $7,7, Gladia Starter — в $12,5. При росте объема Gladia Growth почти сравнивается с Deepgram, а иногда и обгоняет его по цене.

Отдельный момент для российской аудитории: оба сервиса принимают оплату только зарубежной картой. Без своей карты в валюте придется идти через реселлеров API или виртуальные карты, это стоит закладывать в бюджет отдельной строкой еще на этапе выбора провайдера.

Лиза: «Раньше руками разбирала по 15-20 видео на одну статью для канала. Написала скрипт: вставляешь ссылки, он сам транскрибирует и раскладывает по 15 критериям. Было 4 часа, стало 5,5 минуты, прикинь.»

Шаг 1. Как получить API-ключ Deepgram

Регистрация занимает пару минут и сразу дает $200 в кредитах на тесты, без банковской карты на старте.

1. Зарегистрируйтесь на сайте Deepgram и подтвердите почту.
2. В дашборде откройте раздел API keys и нажмите Create a new API key.
3. Задайте имя ключа и срок действия, для теста подойдет значение never.
4. Скопируйте ключ сразу: он показывается один раз и больше нигде не появится.

Храните ключ в переменных окружения, а не в коде репозитория. Это правило одинаково работает что для Deepgram, что для любого другого платного API.

Код для транскрипции через Deepgram

Ниже минимальный запрос, который отправляет аудиофайл и получает текст обратно.

curl \
  --request POST \
  --header 'Authorization: Token ВАШ_API_КЛЮЧ' \
  --header 'Content-Type: audio/wav' \
  --data-binary @audio.wav \
  --url 'https://api.deepgram.com/v1/listen?model=nova-3&language=ru&punctuate=true'

То же самое на Python:

import requests

url = "https://api.deepgram.com/v1/listen?model=nova-3&language=ru&punctuate=true"
headers = {
    "Authorization": "Token ВАШ_API_КЛЮЧ",
    "Content-Type": "audio/wav",
}

with open("audio.wav", "rb") as audio_file:
    response = requests.post(url, headers=headers, data=audio_file)

text = response.json()["results"]["channels"][0]["alternatives"][0]["transcript"]
print(text)

Параметр language=ru включает русскую модель, punctuate=true добавляет пунктуацию в готовый текст. Для потоковой транскрипции меняется только протокол на WebSocket, логика запроса остается такой же.

Шаг 2. Как подключить Gladia API

У Gladia похожая схема, только ключ передается в заголовке x-gladia-key, а не в Authorization.

curl -X POST https://api.gladia.io/v2/pre-recorded \
  -H "x-gladia-key: ВАШ_API_КЛЮЧ" \
  -H "Content-Type: application/json" \
  -d '{
        "audio_url": "https://example.com/audio.mp3",
        "diarization": true
      }'

Запрос возвращает идентификатор задачи, а сам транскрипт нужно забрать отдельным GET-запросом через пару секунд, когда обработка завершится. Такая двухшаговая схема типична для батч-режима: сначала ставите задачу в очередь, потом опрашиваете статус или подписываетесь на вебхук. Параметр diarization: true сразу включает разметку по спикерам без доплаты за отдельную фичу, в отличие от многих конкурентов.

Для быстрого прототипа код необязательно писать руками. В Cursor или Windsurf промт вида «напиши функцию для отправки аудио в Gladia API и получения транскрипта» закрывает интеграцию за пару минут, а собрать вокруг нее интерфейс на Lovable — вопрос вечера, как показывает пример с демо-приложением для Deepgram на том же принципе.

Deepgram или Gladia что выбрать для проекта

Выбор провайдера зависит от задачи больше, чем от общих рейтингов точности.

Для приложения поддержки, где важно не потерять голос клиента среди шума колл-центра, разумнее стартовать с Deepgram. Для продукта с диктовкой интервью, многоязычными встречами или юридическими протоколами лучше подходит Gladia — там встроенная диаризация и работа с акцентами экономят время на постобработке. Голосовому агенту для профессии из каталога VibeCoderz, например техподдержки, обе схемы подойдут одинаково, разница будет в деталях трафика.

Сильные и слабые стороны Deepgram и Gladia

Deepgram выигрывает по цене на объеме, по скорости обработки и по устойчивости к шуму на линии. Минус — часть функций вроде продвинутой аудио-аналитики продается отдельными надстройками поверх базовой транскрипции, и итоговый счет собирается из нескольких строк.

Gladia честнее по структуре тарифа: диаризация, многоязычность и определение спикеров уже включены в цену без доплат. Минус — базовый тариф Starter дороже за час, чем у Deepgram, и разница особенно заметна на небольших объемах, пока не подключен тариф Growth со скидкой за объем.

Частые вопросы про распознавание речи в текст

Можно ли бесплатно подключить распознавание речи онлайн? Да, оба сервиса дают бесплатный старт: Deepgram — $200 в кредитах, Gladia — 50€. Этого хватает на десятки часов тестовой транскрипции без карты на старте у большинства тарифов.

Работает ли распознавание речи через whisper без интернета? Открытую модель Whisper можно развернуть локально и гонять транскрипцию офлайн, но потребуется собственный GPU и настройка инфраструктуры. Deepgram и Gladia работают только через облако.

Какой язык лучше всего распознают эти API? Английский точнее всего у обоих провайдеров, поскольку на нем обучено больше данных. Русский язык поддерживается у Deepgram и Gladia, но точность на разговорной речи с акцентом обычно ниже, чем на четкой дикции.

Нужна ли своя карта для подключения Deepgram или Gladia? На старте достаточно бесплатных кредитов без карты у обоих сервисов. Для оплаты после исчерпания лимита понадобится карта, поддерживающая платежи в валюте.

Сколько по времени занимает интеграция STT в приложение? Базовая интеграция с одним запросом на транскрипцию занимает от 30 минут до пары часов, если делать это с помощью AI-ассистента в коде вроде Cursor. Более сложная логика с вебхуками и очередями обычно требует дня работы.

Чем real-time распознавание отличается от обычного? Real-time отдает текст почти сразу по мере поступления звука через постоянное соединение, обычная батч-транскрипция обрабатывает уже готовый файл целиком. Первое дороже и сложнее в реализации, второе проще и дешевле.

Глоссарий

STT (speech-to-text) — технология перевода голоса в текст. WER (word error rate) — процент ошибок в распознанном тексте относительно оригинала, чем ниже, тем точнее модель. Диаризация — разметка транскрипта по говорящим спикерам. Batch-транскрипция — обработка уже готового аудиофайла целиком, без потоковой передачи. Real-time (потоковая) транскрипция — распознавание речи по мере поступления звука через постоянное соединение. Латентность — задержка между произнесенным словом и появлением его в тексте.

Что дальше

Прежде чем подключать STT в продакшн, стоит прогнать оба API на своих реальных записях: разница в точности сильно зависит от языка, шума и специфики вашего голосового трафика. Посмотреть готовые обзоры инструментов для вайбкодинга можно в каталоге VibeCoderz, а если нужна помощь с архитектурой голосового продукта, записывайтесь на консультацию к Максиму: t.me/maxnagovitsyn.

Обновлено: сентябрь 2026