Распознавание речи по API: SpeechKit, SaluteSpeech или своя модель
Для расшифровки звонков и голосовых сообщений на русском у бизнеса в 2026 году четыре реальных варианта: облачный Yandex SpeechKit, SaluteSpeech от Сбера и две открытые модели на своём сервере — Whisper и GigaAM. По официальному прайсу SpeechKit асинхронное распознавание файлов стоит 0,1515 ₽ за 15 секунд, то есть около 0,6 ₽ за минуту, а в отложенном режиме — 0,0381 ₽ за 15 секунд. SaluteSpeech с 15 июля 2026 года не продаёт пакеты и оплату по факту новым клиентам. Открытые модели бесплатны по лицензии, но требуют сервера и поддержки.
Сравнение вариантов
| Вариант | Модель оплаты | Плюсы | Минусы |
|---|---|---|---|
| Yandex SpeechKit | За объём аудио, есть дешёвый отложенный режим | Потоковый и файловый режимы, документация, облако в РФ | Записи уходят в облако провайдера |
| SaluteSpeech | Для действующих клиентов — пакеты или оплата по факту, минимальный платёж | Русская речь, облако в РФ | Для новых клиентов с 15.07.2026 пакеты и pay-as-you-go недоступны |
| Whisper (OpenAI, открытая модель) | Бесплатно по лицензии MIT, платите за сервер | Работает без интернета, много языков | Нужен сервер с GPU для больших объёмов |
| GigaAM (Сбер, открытая модель) | Бесплатно по лицензии MIT, платите за сервер | Обучена на русской речи, данные не уходят наружу | Меньше готовых инструментов, установка из репозитория |
Yandex SpeechKit: как считается цена
По странице тарифов SpeechKit цены с НДС такие: потоковое и синхронное распознавание — 0,1626 ₽ за 15 секунд, асинхронное распознавание файлов — 0,1515 ₽, асинхронное в отложенном режиме — 0,0381 ₽ за 15 секунд.
- В синхронном и потоковом режиме единица — 15 секунд одноканального аудио, короткие фрагменты округляются вверх до 15 секунд, каждый отдельно.
- В асинхронном режиме считается по секундам двухканального аудио, минимум 15 секунд на каждые два канала; число каналов округляется до чётного.
- Пустой запрос тарифицируется как одна единица, а запросы, упавшие из-за внутренней ошибки сервера, не тарифицируются.
Для звонков почти всегда подходит асинхронный режим: запись готова после разговора, а результат нужен через минуты, а не мгновенно. Если расшифровка нужна к утру, отложенный режим в четыре раза дешевле.
SaluteSpeech: важное ограничение
На странице тарифов для юрлиц прямо сказано, что с 15 июля 2026 года для новых клиентов покупка пакетов и оплата по схеме pay-as-you-go недоступна. Для действующих клиентов указаны пакет 20 000 минут за 12 000 ₽ (0,6 ₽ за минуту) и оплата 0,01 ₽ за секунду, а также минимальная стоимость использования 15 000 ₽ в месяц с НДС, которая не является абонентской платой. Если вы только выбираете сервис, уточните у Сбера, на каких условиях сейчас подключают новых клиентов.
Открытые модели на своём сервере
Whisper — открытая модель распознавания от OpenAI под лицензией MIT. GigaAM — открытая модель Сбера для русской речи, код и веса тоже под MIT. По данным разработчиков, версия GigaAM-v3 обучена на 700 тысячах часов речи, а варианты e2e сразу расставляют пунктуацию.
Свой сервер выгоден, когда записи нельзя передавать наружу или минут очень много. Минусы — нужно настроить очередь, разделение говорящих, мониторинг и обновления. Сравнение облака и своего сервера для ИИ-моделей в целом есть в статье открытые ИИ-модели: свой сервер или облако.
Как посчитать бюджет: пример
Пример с допущениями: отдел из 8 менеджеров, каждый говорит 2 часа в день, 21 рабочий день. Это 8 × 120 × 21 = 20 160 минут записей в месяц. Звонок записан в два канала (менеджер и клиент).
| Режим SpeechKit | Цена за 15 секунд | Примерно за минуту | 20 160 минут в месяц |
|---|---|---|---|
| Асинхронный | 0,1515 ₽ | 0,61 ₽ | около 12 200 ₽ |
| Асинхронный отложенный | 0,0381 ₽ | 0,15 ₽ | около 3 100 ₽ |
| Синхронный или потоковый, один канал | 0,1626 ₽ | 0,65 ₽ | около 13 100 ₽ |
Расчёт приблизительный: в асинхронном режиме цена считается по двухканальному аудио, а точная сумма зависит от длины каждой записи и округлений. Проверьте его на своей выгрузке за неделю. Распознавание — обычно не главная статья расходов. Дороже обходятся анализ текста языковой моделью, хранение записей и разработка связки с CRM. Цены на языковые модели мы собирали в обзоре цены YandexGPT, Alice AI и GigaChat API.
Как выбрать: чек-лист
- Посчитайте минуты в месяц по выгрузке из АТС, а не по ощущениям.
- Решите, можно ли передавать записи во внешнее облако. Если нет — только свой сервер.
- Проверьте качество на 50–100 своих звонках: шум, громкая связь, термины отрасли.
- Посмотрите, разделяет ли решение говорящих и расставляет ли пунктуацию.
- Определите, нужен ли результат во время разговора (потоковый режим) или после.
- Посчитайте полную стоимость: распознавание, хранение, анализ, поддержка.
Что дальше делать с текстом
Сам по себе текст звонка мало кто читает. Пользу дают резюме в карточке сделки, оценка по чек-листу и поиск по словам «скидка», «конкурент», «договор». Как это устроено для отдела продаж, мы описали в статье анализ звонков нейросетью, а подключить распознавание и языковые модели к вашей CRM можно через услугу интеграция YandexGPT и GigaChat — цена указана на её странице.
Вопросы и ответы
Какой сервис распознавания речи лучше для русского языка?
Универсального ответа нет: качество зависит от ваших записей. Прогоните 50–100 реальных звонков через два-три варианта и сравните ошибки в именах, суммах и терминах.
Можно ли распознавать звонки бесплатно?
Модели Whisper и GigaAM бесплатны по лицензии, но нужен сервер, а для больших объёмов — с видеокартой. Облачные сервисы платные, хотя для небольших объёмов стоимость невысокая.
Почему цена за минуту у SpeechKit указана за 15 секунд?
Так устроена тарификация: в синхронном и потоковом режимах единица — 15 секунд, короткие фрагменты округляются вверх. Для коротких фраз это заметно, для длинных звонков почти не влияет.
Можно ли подключиться к SaluteSpeech в 2026 году?
По официальной странице тарифов с 15 июля 2026 года новым клиентам недоступны пакеты и оплата по факту. Актуальные условия подключения нужно уточнять у Сбера.