Как расшифровать запись в текст с Yandex SpeechKit: первые шаги

SpeechKit — часть облачной платформы, поэтому начинается он не с установки программы, а с настройки аккаунта. Шаги ниже делаются в браузере на любой системе. Программировать для первой проверки не обязательно, но интерфейс рассчитан на разработчиков, и названия разделов там технические.

Войдите в консоль Yandex Cloud

Откройте страницу сервиса на сайте Yandex Cloud и перейдите в консоль. Вход — под обычным Яндекс ID, отдельную регистрацию проходить не нужно. При первом входе платформа предложит создать облако и внутри него каталог: каталог — это папка, в которой будут лежать ваши настройки и ключи.

Оформите платёжный аккаунт

Без платёжного аккаунта сервисы платформы не включаются, даже если вы собираетесь уложиться в пробный период. Укажите, кто вы — физическое лицо или организация — и привяжите банковскую карту. Российские карты принимаются.

Создайте сервисный аккаунт и ключ

В каталоге найдите раздел управления доступами и создайте сервисный аккаунт — это отдельная учётная запись для программ, а не для человека. Выдайте ей права на работу с SpeechKit: отдельно на распознавание, отдельно на синтез, если нужны оба.

Затем создайте для этого аккаунта ключ доступа. Ключ показывается один раз — сохраните его в менеджере паролей. По нему любой, у кого он есть, сможет расходовать ваши средства, поэтому в переписке и документах его пересылать не нужно.

Подготовьте запись

Качество распознавания сильно зависит от исходника. Перед загрузкой стоит привести файл в порядок:

• уберите длинную тишину и музыку в начале — за них тоже считается время;
• если запись сделана на телефон в шумном месте, прогоните её через аудиоредактор и приглушите шум;
• для первой проверки вырежьте характерную минуту с именами, цифрами и терминами;
• узнайте, какие форматы и частоты принимает сервис, в документации — иначе загрузка отклонится.

Проверьте распознавание на коротком файле

В консоли у сервиса есть возможность отправить файл и посмотреть результат. Для короткой записи подходит обычный режим, для длинной — режим с ожиданием: вы отправляете файл, сервис обрабатывает его и сообщает, когда текст готов.

Сравните полученный текст с записью на слух. Смотрите не на общее впечатление, а на конкретное: правильно ли распознаны фамилии, названия и числа. Именно их потом дольше всего править руками.

Посчитайте расход

После проверки откройте в консоли отчёт по расходам каталога. По одной распознанной минуте легко прикинуть стоимость всего архива: умножьте на общее время записей. Так же оценивается синтез — там считают объём озвученного текста.

Если сумма выходит заметной, прикиньте альтернативы честно: для разовой задачи дешевле бесплатный Whisper на своём компьютере, а SpeechKit выгоден, когда записи идут потоком и нужна стабильность и поддержка.

Обработайте остальные записи

Дальше есть два пути. Простой: продолжать отправлять файлы по одному через консоль, вручную забирая текст. Рабочий: передать ключ и ссылку на документацию разработчику, чтобы он собрал скрипт, который сам складывает записи в облачное хранилище, отправляет их на распознавание и сохраняет готовые расшифровки.

Готово: доступ настроен, качество проверено на своих записях, расход понятен. Теперь расшифровка — рутина, а не отдельный проект.

Если что-то пошло не так