Как пользоваться SaluteSpeech: расшифровка записи в текст

SaluteSpeech — облачный сервис, а не программа, поэтому «установить» его нельзя: вы получаете ключ и отправляете на сервер запросы со своим аудио. Первая расшифровка делается за вечер, даже если вы не программист, но готовым примером кода воспользоваться придётся. Ниже — порядок действий и места, где чаще всего спотыкаются.

Войдите на портал разработчиков

Откройте сайт для разработчиков Сбера и нажмите вход. Авторизация идёт по Сбер ID — тому же, которым вы пользуетесь в банке и других сервисах Сбера. Отдельную регистрацию проходить не нужно, но телефон под рукой держите: придёт код подтверждения.

Если сервис нужен для компании, сразу входите под аккаунтом организации или добавьте её в кабинете. Переносить проект с личного аккаунта на рабочий потом неудобно, а счёт и закрывающие документы выставляются только на организацию.

Подключите речевые технологии

В каталоге продуктов найдите раздел с речевыми технологиями — распознаванием и синтезом речи. Нажмите кнопку подключения и подтвердите условия использования. После этого сервис появится в вашем личном кабинете вместе со счётчиком расхода и бесплатным стартовым объёмом.

Создайте проект и получите ключ

В кабинете создайте проект и выпустите ключ доступа. По нему сервис понимает, кто обращается и с чьего счёта списывать деньги. Скопируйте ключ сразу: полностью он обычно показывается один раз, потом остаётся только выпустить новый.

Подготовьте аудиофайл

Качество текста больше зависит от записи, чем от настроек. Перед отправкой проверьте три вещи:

• Формат и параметры — сервис принимает распространённые форматы, но у каждого свои требования к частоте дискретизации и числу каналов. Нужные значения указаны в документации; привести файл к ним можно бесплатным аудиоредактором.
• Каналы — если в записи звонка оператор и клиент разложены по разным каналам, не сводите их в один: по отдельным дорожкам реплики разделяются точнее.
• Длина — короткие фрагменты обрабатываются одним запросом, а часовую запись отправляют в режиме для длинных файлов: сервис принимает его, обрабатывает и отдаёт результат позже.

Отправьте первый запрос

В документации к продукту есть готовые примеры запросов и библиотеки для популярных языков программирования. Возьмите пример распознавания файла, подставьте свой ключ и путь к аудио и запустите. Сначала сервис выдаёт короткий временный токен по вашему ключу, а потом уже принимает аудио — в примерах это сделано за вас.

В ответе придёт текст и дополнительные данные: границы фраз, номер говорящего, уверенность распознавания. Для проверки хватит и текста, а остальное пригодится, когда вы будете собирать из расшифровки готовый отчёт.

Настройте распознавание под свои записи

В параметрах запроса можно указать язык, попросить расставить знаки препинания, включить разделение говорящих и выбрать модель под тип звука — телефонный разговор или обычный микрофон. Поменяйте по одному параметру за раз и сравните результат на одной и той же записи: так видно, что реально помогает.

Если в разговорах часто звучат названия товаров, фамилии или термины, их стоит передать сервису списком подсказок — узнаваемость редких слов заметно вырастает. Возможность и формат такого списка смотрите в документации своего тарифа.

Следите за расходом

В личном кабинете видно, сколько минут распознавания и символов синтеза вы израсходовали. Пока идёт проверка на бесплатном объёме, этого достаточно. Перед запуском в работу посчитайте, сколько часов аудио набегает в месяц, и сравните с тарифом: расходы считаются по объёму, а не фиксированной суммой.

Готово: сервис подключён, ключ лежит в надёжном месте, а запись превращается в текст, по которому можно искать и который можно переслать коллегам.

Если что-то пошло не так