SaluteSpeech

SaluteSpeech — набор речевых технологий Сбера: сервис слушает аудио и выдаёт текст, а из текста собирает речь живым голосом. Раньше он был известен под названием SmartSpeech, сейчас живёт на платформе для разработчиков Сбера рядом с GigaChat и другими моделями.

Главное, чем SaluteSpeech отличается от западных сервисов расшифровки, — он изначально сделан под русскую речь и работает на российских серверах. Доступ из России не ограничен, оплата проходит обычными российскими картами, а для организаций есть договор и закрывающие документы. Второе важное отличие: это не сайт с кнопкой «загрузить файл» для всех желающих, а инструмент для разработчиков. Он подключается к вашей программе, сайту или телефонии через API, и без человека, умеющего писать код, развернуть его не получится.

Что умеет SaluteSpeech

• Распознавание записей — вы отправляете файл с разговором, лекцией или совещанием и получаете текст. Это основной сценарий: расшифровка звонков, интервью, планёрок.
• Распознавание на ходу — речь переводится в текст пока человек говорит. Так работают голосовые роботы, которые принимают звонки, и подсказки оператору во время разговора.
• Синтез речи — текст озвучивается голосом на выбор, с разными характерами и темпом. Из этого делают автоответчики, озвучку уведомлений, чтение статей голосом.
• Разметка текста — в расшифровке расставляются знаки препинания и заглавные буквы, поэтому читать её можно сразу, без вычитки каждой строки.
• Разделение говорящих — в диалоге сервис показывает, где говорит один человек, а где другой. Для расшифровки звонков это важнее всего остального: без этого получается сплошная стена текста.
• Работа с телефонным звуком — модели рассчитаны и на плохую линию, сжатый звук и шум в помещении, а не только на студийный микрофон.
• Готовые примеры кода — в документации Сбера есть образцы запросов и библиотеки для популярных языков, поэтому первая расшифровка делается копированием примера и подстановкой своего ключа.

Кому подходит

• Компаниям с колл-центром или отделом продаж: расшифровка звонков позволяет проверять работу операторов и искать по тексту, а не переслушивать записи.
• Тем, кто делает голосового помощника, робота для приёма заявок или умную колонку: нужны и распознавание, и озвучка в одном месте.
• Разработчикам сервисов, где пользователи диктуют текст: заметки голосом, голосовой поиск, диктовка в мобильном приложении.
• Организациям, которым важно, чтобы записи разговоров и персональные данные обрабатывались в России и была возможность заключить договор с российским поставщиком.
• Не подходит человеку, которому нужно один раз расшифровать запись лекции: для разовой задачи проще взять сервис с обычным сайтом или бесплатную программу, которая работает прямо на компьютере.

Сколько стоит

После регистрации даётся бесплатный стартовый объём: его хватает, чтобы проверить качество на своих записях и собрать прототип. Дальше оплата считается по использованию — по времени распознанного аудио и по количеству озвученных символов. Точные цифры Сбер указывает в тарифах на странице продукта, и они меняются, поэтому сверяйте их перед расчётом бюджета. Для частного человека это заметные деньги при больших объёмах, для компании — обычная статья расходов на сервис.

Как начать пользоваться

1. Откройте портал для разработчиков Сбера и войдите по Сбер ID — отдельный логин придумывать не нужно.
2. Найдите в каталоге продуктов речевые технологии и подключите сервис к своему аккаунту: он появится в личном кабинете.
3. Создайте проект и получите ключ доступа. Ключ — это пароль к вашему счёту, храните его как пароль от банка.
4. Попробуйте распознавание на небольшом файле по примеру из документации, чтобы убедиться, что ключ работает и качество вас устраивает.
5. Встройте запросы в свою программу или передайте ключ и документацию разработчику, который это сделает.

Частые вопросы