Распознавание речи через API в России: 5 моделей, цены за минуту и подключение без VPN

Голосовых данных у продуктов становится больше с каждым месяцем: звонки в поддержку и продажи, созвоны команд, видео и подкасты, голосовые сообщения. Для разработчика это четыре типовые задачи: транскрибация звонков для CRM и анализа разговоров, субтитры к видео, голосовой бот, который понимает речь на слух, и заметки со встреч с разделением по говорящим. Все они упираются в один и тот же вопрос: какой API распознавания речи взять, если ты в России, платишь в рублях и не хочешь строить продакшен на VPN.

Прямой путь к западным платформам закрыт практикой: американские сервисы не работают с российскими IP и картами, не дают закрывающих документов, а обходные маршруты нестабильны. Рабочее решение — российский агрегатор, который держит модели на своей инфраструктуре и отдаёт их через OpenAI-совместимый эндпоинт. В живом каталоге PlusVibe API сейчас пять моделей распознавания речи: две версии Whisper от OpenAI, компактный Nemotron ASR от NVIDIA, Universal-2 от AssemblyAI и ElevenLabs Scribe. Все тарифицируются за минуту входного аудио — не за токены и не за запросы. Цены в статье взяты из живого каталога (GET /api/catalog) и указаны на 4 сентября 2026 года; каталог помечает их как ориентировочные — итоговая сумма зависит от параметров запроса и уточняется по факту выполнения задачи.

Пять моделей распознавания в каталоге

Цены — ориентировочные, в рублях за одну минуту входного аудио. Каталог отдаёт тарифы всех пяти моделей с пометкой pricesAreEstimate: true: цена ориентировочная и зависит от параметров запроса, итоговая сумма списания формируется по факту выполнения задачи. На 4 сентября 2026 года:

ИдентификаторМодельПрофильОриентировочная цена за минуту аудио whisper-large-v3-turbo OpenAI Whisper large-v3-turbo Массовая расшифровка: быстро и дёшево при близком к флагману качестве 0,03 ₽ nemotron-asr-multilingual NVIDIA Nemotron 3.5 ASR Streaming Multilingual 0.6b Компактная мультиязычная модель (0,6 млрд параметров) для поточных сценариев 0,03 ₽ whisper-large-v3 OpenAI Whisper large-v3 Флагман семейства Whisper: максимальное качество линии на сложном аудио 0,07 ₽ universal-2 AssemblyAI Universal-2 Русская речь: разделение говорящих, ключевые термины, автоопределение языка 0,36 ₽ speech-to-text ElevenLabs Scribe Дорогой флагман: диаризация, разметка звуковых событий, подсказки терминов 1,01 ₽

Коротко о каждой:

whisper-large-v3-turbo — ускоренная версия Whisper large-v3: заметно быстрее при близком качестве и в 2,3 раза дешевле базовой версии. Рабочая лошадка для архивов, субтитров и всего, что считается сотнями часов.
nemotron-asr-multilingual — компактная ASR-модель NVIDIA, рассчитанная на потоковые сценарии и быстрые ответы. Мультиязычная, стоит столько же, сколько turbo, — выбор для голосовых контуров, где важна скорость реакции и минимальная цена минуты.
whisper-large-v3 — самая точная модель семейства Whisper в нашем каталоге. Берите её, когда запись сложная: шум, акценты, дальний микрофон, редкие термины — и разница в качестве оправдывает двукратную разницу в цене с turbo.
universal-2 — модель AssemblyAI, заточенная под русскую речь: в нашем каталоге у неё русский контракт языка (language_code=ru или автоопределение), поддерживает разделение по говорящим (speaker_labels) и подсказки ключевых терминов (keyterms_prompt) — то, что нужно для расшифровки звонков.
speech-to-text — ElevenLabs Scribe, самая дорогая позиция каталога. Умеет разделять говорящих (диаризация), размечать звуковые события (смех, аплодисменты, музыка) и принимать подсказки ключевых терминов. Это модель для интервью, созвонов и подкастов, где важна структура записи, а не только текст.

Страницы моделей с параметрами, примерами и актуальными ценами: whisper-large-v3-turbo, nemotron-asr-multilingual, whisper-large-v3, universal-2, speech-to-text.

Качество против скорости и цены: что выбрать под задачу

Честная оговорка сразу: собственных бенчмарков точности (WER) по этим пяти моделям мы не публикуем и чужие цифры выдавать за свои не будем — записи у всех разные, и правильный способ выбрать модель — прогнать через эндпоинт десяток своих реальных файлов. Ниже — логика выбора по сценариям, а не обещания процентов.

Транскрибация звонков (колл-центр, продажи, поддержка). Ключевая потребность — кто что сказал: берите universal-2 или speech-to-text, обе умеют разделение по говорящим из коробки. Если бюджет жёсткий, у маршрутов Whisper и Nemotron диаризация тоже доступна в асинхронном режиме (opts.diarize) — при цене 0,03–0,07 ₽ за минуту это самый дешёвый способ получить реплики по спикерам.
Субтитры и расшифровка видеоархивов. Массовый объём — whisper-large-v3-turbo: час аудио стоит примерно 1,80 ₽, и это минимальная цена каталога наравне с Nemotron. Для релизных субтитров, где ошибки заметны зрителю, прогоните контрольный образец на whisper-large-v3 — доплата 2,40 ₽ с часа может оказаться оправданной.
Голосовой бот. Здесь решают цена минуты и скорость ответа: whisper-large-v3-turbo или nemotron-asr-multilingual по 0,03 ₽ за минуту. Обе мультиязычные, обе быстро отвечают; на коротких репликах пользователей разница между ними практического смысла не имеет — выбирайте тестом на своих фразах.
Заметки со встреч. Нужна диаризация и устойчивость к переговорному шуму. Варианты: speech-to-text (дороже всех, но со звуковыми событиями и подсказками терминов), universal-2 (русская специализация) либо дешёвые маршруты с diarize, если встреча не критичная.

Когда turbo достаточно почти всегда: черновики, поиск по аудиоархиву, внутренние инструменты, субтитры без релизного контроля, любые объёмы, где счёт идёт на сотни часов. Когда стоит доплатить за whisper-large-v3: сложный звук, редкие термины без подсказок, финальные материалы. Когда оправданы дорогие модели: нужен «кто говорит» и структура записи — звонки и встречи.

Русский язык: кто как работает

Все пять моделей понимают русскую речь, но контракты разные:

Whisper large-v3 и turbo — мультиязычные модели: распознают десятки языков, язык можно указать явно полем language (для русского — ru) или оставить автоопределение. Явное указание языка на русском аудио обычно повышает стабильность распознавания.
Nemotron ASR — мультиязычная модель, язык передаётся так же полем language_code.
Universal-2 — в нашем каталоге работает по русскому контракту: language_code=ru либо автоопределение. Для русскоязычных звонков это профильный выбор.
ElevenLabs Scribe — мультиязычная модель, язык указывается полем language_code.

Подключение: OpenAI-совместимый эндпоинт за 5 минут

Распознавание работает через тот же ключ sk-pv-…, что и чат-модели, и через привычный формат OpenAI: POST /v1/audio/transcriptions принимает multipart-форму с полями file (аудиофайл), model (идентификатор из каталога) и необязательным language. В ответ приходит JSON с полем text — расшифрованным текстом. Если ваш код уже работает с OpenAI SDK, меняется только base_url.

curl

curl https://plusvibeapi.ru/v1/audio/transcriptions \\
  -H "Authorization: Bearer sk-pv-ВАШ_КЛЮЧ" \\
  -F "model=whisper-large-v3-turbo" \\
  -F "language=ru" \\
  -F "file=@zvonok.mp3"
# → {"text":"…распознанный текст разговора…"}

Python (openai SDK)

from openai import OpenAI

client = OpenAI(
    base_url="https://plusvibeapi.ru/v1",
    api_key="sk-pv-ВАШ_КЛЮЧ",
)

with open("zvonok.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="whisper-large-v3-turbo",
        file=audio,
        language="ru",
    )

print(result.text)

Эндпоинт синхронный: сервер сам дожидается завершения расшифровки и возвращает готовый текст (ожидание занимает до двух минут). Для коротких файлов — звонков, голосовых, реплик бота — этого достаточно. Для длинных записей и пакетной обработки используйте асинхронный маршрут ниже.

Асинхронный маршрут для длинных записей и диаризации

Тот же набор моделей доступен через общий медиа-конвейер: POST /api/media/generate создаёт задачу, GET /api/media/jobs/&#123;jobId&#125; опрашивает её до готовности. Сюда аудио передаётся публичной HTTPS-ссылкой в opts.audio_url (или base64-строкой в opts.audio_base64) — удобно для потоков, где запись сначала попадает в объектное хранилище. Именно в этом режиме доступны расширенные параметры: diarize (разделение по говорящим у Whisper, Nemotron и Scribe), speaker_labels и keyterms_prompt у Universal-2, tag_audio_events и keyterms у Scribe.

curl -X POST https://plusvibeapi.ru/api/media/generate \\
  -H "Authorization: Bearer sk-pv-ВАШ_КЛЮЧ" \\
  -H "Content-Type: application/json" \\
  -d '{
    "model": "speech-to-text",
    "prompt": "",
    "opts": {
      "audio_url": "https://example.com/sozvon.mp3",
      "language_code": "ru",
      "diarize": true
    }
  }'
# → {"ok":true,"jobId":"…","status":"processing"}

Статусы задачи: processing (ещё в работе), success (готово, списание по факту) и fail (ошибка без списания). Полный контракт и примеры — в документации по генерации медиа.

Форматы и ограничения файлов

Форматы. Принимаются основные аудиоформаты: MP3, WAV, OGG, Opus, FLAC, M4A, AAC, WebM, а также MP4 и WebM-контейнеры с аудиодорожкой. Тип определяется по содержимому, поэтому переживать о точном MIME-заголовке не нужно.
Размер. Синхронный эндпоинт принимает файлы до 50 МБ. У маршрутов Whisper и Nemotron действует более строгий внутренний лимит — 25 МБ на файл (примерно 26 минут записи в MP3 со 128 kbps).
Длинные записи. Часовую лекцию в несжатом WAV лучше сжать в MP3 64–128 kbps — качество речи для распознавания при этом не страдает, а размер падает в десятки раз. Записи длиннее лимита режьте на части по паузам или отправляйте через асинхронный маршрут частями.
Ссылки. Для opts.audio_url нужен публичный HTTPS-адрес, отдающий файл напрямую, без авторизации и переадресаций; закрытые и внутренние адреса отклоняются.

Сколько стоит час аудио: примерный расчёт

Логика тарификации простая: цена минуты умножается на длительность записи, а итоговое списание считается по фактической длительности аудио. Ниже — примерный расчёт по ориентировочным ценам из живого каталога на 4 сентября 2026 года: помня, что цена ориентировочная и зависит от параметров запроса, умножаем цену минуты на 60:

whisper-large-v3-turbo: 60 × 0,03 ₽ = около 1,80 ₽ за час;
nemotron-asr-multilingual: 60 × 0,03 ₽ = около 1,80 ₽ за час;
whisper-large-v3: 60 × 0,07 ₽ = около 4,20 ₽ за час;
universal-2: 60 × 0,36 ₽ = около 21,60 ₽ за час;
speech-to-text: 60 × 1,01 ₽ = около 60,60 ₽ за час.

Пример на реальный объём — тоже ориентировочный. Колл-центр обрабатывает 500 часов звонков в месяц:

на whisper-large-v3-turbo — 500 × 1,80 ₽ ≈ 900 ₽ в месяц;
на whisper-large-v3 — 500 × 4,20 ₽ ≈ 2 100 ₽;
на universal-2 (с разделением по говорящим) — 500 × 21,60 ₽ ≈ 10 800 ₽;
на speech-to-text — 500 × 60,60 ₽ ≈ 30 300 ₽.

Разброс между самой дешёвой и самой дорогой моделью — более чем в 33 раза, поэтому модель стоит выбирать под задачу, а не «на всякий случай самую лучшую». Ошибка в обратную сторону тоже недорога: расшифровать тот же час на модели классом выше стоит от 2,40 ₽ доплаты. Актуальный прайс по всем моделям всегда виден на странице Модели и цены — цены в статье снимались оттуда, они ориентировочные и могут меняться.

Оплата и документы для юрлиц

Рубли. Баланс пополняется российскими картами и через СБП — без валютных счетов и зарубежных карт. Списание идёт в рублях по факту каждой расшифровки.
Документы. Работаем с юрлицами и ИП: счета и закрывающие документы по фактически потреблённым услугам за месяц направляем через ЭДО. Мы — ИП на УСН, поэтому в документах указывается «Без НДС».
Постоплата. Для организаций возможна договорная отсрочка платежа по фактическому потреблению — соглашение по ст. 823 ГК РФ: старт с предоплаты, первый лимит до 5 000 ₽, после двух вовремя оплаченных периодов — до 10 000 ₽, дальше индивидуальные условия. Подробности — в статье о постоплате API для юрлиц.

Честные ограничения

Файлы, а не живой поток. Интерфейс принимает готовый аудиофайл (или ссылку на него); стриминга микрофона в реальном времени нет. Для голосового бота реплику нужно сначала записать — при ценах 0,03 ₽ за минуту и быстром ответе это рабочая схема, но архитектурно закладывайте буфер.
Синхронный эндпоинт ждёт до двух минут. Для длинных записей используйте асинхронный маршрут с опросом задачи.
Цены ориентировочные. Каталог отдаёт тарифы всех пяти моделей с пометкой pricesAreEstimate: true: цена ориентировочная и зависит от параметров запроса. Оценка строится по длительности аудио, итоговая сумма списания формируется после выполнения задачи по фактической длительности. Ошибка при расшифровке ничего не стоит.
Бенчмарков не обещаем. Мы не публикуем собственных цифр точности по этим моделям: выбор между соседними по цене вариантами (например, turbo против Nemotron) делайте прогоном своих записей — это занимает десять минут и стоит копейки.

Итог

Распознавание речи через API в России — это пять моделей с оплатой за минуту аудио: от 0,03 ₽ за минуту у whisper-large-v3-turbo и nemotron-asr-multilingual до 1,01 ₽ у ElevenLabs Scribe с диаризацией и разметкой звуковых событий. Час расшифровки по ориентировочным ценам — примерно от 1,80 ₽ до 60,60 ₽, подключение — одна строка base_url в уже знакомом OpenAI-формате, оплата в рублях с документами через ЭДО и постоплатой для юрлиц. Если в продукте есть звонки, видео или голос — начните с теста своих записей на turbo: это дешевле чашки кофе. Общий обзор тарифов всех моделей — в сравнении LLM API в России, а про текстовую часть конвейера (суммаризация расшифровок, ответы бота) — в статье об OpenAI API в России.

Зарегистрируйтесь бесплатно и расшифруйте первый аудиофайл через 5 минут.