API распознавания речи CogniCo: транскрибация и транскрипция через REST API

Что такое API распознавания речи

API распознавания речи (Speech-to-Text API, или API транскрибации) – это программный интерфейс, через который ваше приложение отправляет аудиофайл и получает обратно готовый текст. Не нужно разрабатывать собственную модель, обучать нейросеть или разворачивать инфраструктуру: вы делаете HTTP-запрос и в ответ получаете транскрипцию.

Такой подход используют повсюду: колл-центры встраивают распознавание речи в CRM, HR-платформы автоматически расшифровывают интервью, образовательные сервисы генерируют субтитры к лекциям, разработчики голосовых ботов превращают аудио в команды. Общее у всех этих случаев одно: задача речевой транскрипции решается на стороне API, а бизнес-логика остаётся в вашем коде.

Качество распознавания во многом определяется моделью. В CogniCo для русского языка используется опенсорсная модель, заточенная под русскую речь, с нашей обёрткой поверх – она точнее справляется с разговорной речью, профессиональной лексикой и акцентами. Для других языков используется Whisper.

Как работает машинное распознавание речи

Современные методы распознавания речи основаны на глубоком обучении. Упрощённо процесс выглядит так:

1. Предобработка аудио – нормализация громкости, шумоподавление, сегментация на речевые отрезки (VAD – Voice Activity Detection)
2. Акустическая модель – нейросеть преобразует спектрограмму звука в последовательность фонем или токенов
3. Языковая модель – контекстно восстанавливает слова, расставляет пунктуацию, исправляет омофоны
4. Постобработка – диаризация (разделение по спикерам), временные метки, опциональная LLM-обработка

Технологии искусственного интеллекта для распознавания речи за последние годы сделали большой скачок. На чистом аудио точность достигает 90–97%. Ключевые факторы качества – качество записи, количество одновременно говорящих и насыщенность предметной лексикой.

API CogniCo: возможности

CogniCo Recognition API принимает аудиофайл и возвращает полную структурированную транскрипцию. Вот что входит в ответ:

Полный текст и сегменты

Поле text содержит весь распознанный текст одной строкой. Поле transcription.segments – массив речевых отрезков, каждый со своими атрибутами:

• Временные метки (start, end) – точное время начала и конца сегмента в секундах
• Точность на уровне слова – каждое слово внутри сегмента имеет свои start, end и speech_prob (вероятность того, что это действительно речь, а не шум)
• Канал – если аудио многоканальное (например, отдельные дорожки участников созвона), каждый сегмент помечается каналом

Диаризация: разделение по спикерам

API автоматически определяет, кто говорит в каждом сегменте. Поле speaker в сегменте ссылается на идентификатор из массива transcription.speakers. Это даёт готовую разметку диалога без дополнительной обработки – особенно ценно для расшифровки совещаний, интервью и переговоров.

Анализ эмоций

Каждый сегмент содержит поле emotion с вероятностями по четырём классам: positive, angry, sad, neutral. Это открывает возможности для аналитики настроения в колл-центрах, оценки качества обслуживания и исследований пользовательского опыта.

VAD и речевые метрики

Поля vad_prob и speech_prob позволяют фильтровать нерелевантные сегменты на своей стороне: если вероятность речи низкая – это фоновый шум или пауза, а не потеря данных.

LLM-постобработка

Опциональный параметр ?pp=true включает постобработку текста большой языковой моделью. Это улучшает читаемость: корректирует пунктуацию в сложных случаях, восстанавливает аббревиатуры и специфическую терминологию.

Синхронный и асинхронный режимы

API предоставляет два эндпоинта с разной моделью работы.

Детальная спецификация доступна в документации API – там же можно скачать OpenAPI-файл для импорта в Postman. API-ключ создаётся в личном кабинете.

Синхронный режим (POST /api/v1/speech-to-text/sync) – запрос ждёт завершения распознавания и возвращает готовый результат напрямую. Удобен для коротких файлов и интерактивных сценариев, когда пользователь ждёт ответа в реальном времени.

Асинхронный режим (POST /api/v1/speech-to-text/async) – запрос сразу возвращает task_id с метаданными файла (имя, размер, длительность, формат). Результат забирается отдельным запросом GET /api/v1/speech-to-text/async/{task_id}. Этот режим подходит для длинных записей и пакетной обработки: не нужно держать соединение открытым, можно опрашивать статус задачи из фоновой очереди.

# Синхронный запрос
POST /api/v1/speech-to-text/sync?pp=true
Content-Type: multipart/form-data
Authorization: Bearer <api_key>

file=<audio_file>

# Асинхронный запрос
POST /api/v1/speech-to-text/async
→ { "task_id": "abc123", "duration_sec": 3600, "format": "mp3" ... }

GET /api/v1/speech-to-text/async/abc123
→ { "text": "...", "transcription": { ... } }

Формат ответа: транскрипция и метаданные

Полный пример ответа смотрите в документации API. Ниже – упрощённый фрагмент для понимания структуры:

{
  "text": "Добрый день, давайте начнём встречу...",
  "transcription": {
    "segments": [
      {
        "start": 0.0,
        "end": 3.4,
        "text": "Добрый день, давайте начнём встречу.",
        "speaker": "spk_0",
        "emotion": { "positive": 0.72, "neutral": 0.21, "sad": 0.05, "angry": 0.02 },
        "vad_prob": 0.98,
        "speech_prob": 0.96,
        "words": [
          { "word": "Добрый", "start": 0.0, "end": 0.4, "speech_prob": 0.99, "volume_avg": -18.2 },
          { "word": "день", "start": 0.5, "end": 0.9, "speech_prob": 0.99, "volume_avg": -17.8 }
        ]
      }
    ],
    "speakers": [
      { "id": "spk_0", "name": null, "ref": null }
    ]
  },
  "waiting_time": 0.3,
  "recognition_time": 12.4,
  "enhancement_time": 1.1
}

Поля waiting_time, recognition_time и enhancement_time показывают, сколько времени заняла каждая фаза обработки – полезно для мониторинга и оптимизации интеграции.

Сравнение с Яндекс SpeechKit

Яндекс SpeechKit – наиболее известный российский API распознавания речи. Сравним основные параметры:

Яндекс SpeechKit тарифицирует по 15-секундным отрезкам, минимальная единица – 15 сек. Подробнее на странице тарифов.

Яндекс SpeechKit хорошо подходит для задач с высокой нагрузкой и сложными требованиями к SLA. CogniCo API выигрывает там, где нужна богатая структура ответа из коробки: готовая диаризация, эмоциональная аналитика и LLM-улучшение без дополнительных вызовов и интеграций – и при этом дешевле.

Кому подходит API транскрибации

Колл-центры и клиентский сервис. Автоматическая расшифровка звонков с разделением по каналам (оператор / клиент), анализ тональности разговора, контроль качества обслуживания по эмоциям в каждом сегменте.

HR и рекрутинг. Транскрипция интервью и структурирование ответов кандидатов. Вместо того чтобы прослушивать запись повторно, рекрутер работает с текстом, отсортированным по спикерам.

EdTech и онлайн-образование. Автоматические субтитры и текстовые конспекты лекций. Возможность поиска по тексту внутри видеоматериала.

CRM и продажи. Встраивание расшифровки звонков прямо в карточку сделки, поиск по ключевым словам и автоматическое заполнение полей.

Исследования и аналитика. Обработка больших массивов аудиоданных: глубинные интервью, фокус-группы, пользовательские тестирования – всё это превращается в структурированный текст для дальнейшего анализа.

Голосовые ассистенты и боты. Компонент распознавания речи с помощью API легко встраивается в пайплайн голосового бота: аудио → текст → обработка NLP → ответ.

Как начать работу

1. Перейдите в личный кабинет CogniCo и создайте API-ключ
2. Изучите документацию API – там же можно скачать OpenAPI-спецификацию, импортировать её в Postman или сгенерировать клиент для вашего языка
3. Сделайте первый запрос – загрузите любой аудиофайл и убедитесь, что формат ответа подходит для вашей задачи

API можно протестировать бесплатно – достаточно, чтобы оценить качество распознавания на реальных данных и принять решение об интеграции.

---