SpeechKit или SaluteSpeech точнее расшифрует русское аудио?

Универсального победителя по точности нет. В измерении SimbirSoft на коротких записях естественной речи с добавленным белым шумом доля ошибок в словах (WER) составила 0,26 у SaluteSpeech и 0,63 у SpeechKit. Для шумного интервью это довод в пользу SaluteSpeech, но результат относится к конкретному набору записей и условиям обработки.

В измерении Алексея Кулясова на составном русскоязычном файле длительностью 61 минуту и 2 секунды SpeechKit достиг 91,42% точности против 87,95% у SaluteSpeech; последний обработал файл за 83,8 секунды против 270,09 секунды у SpeechKit. Для длинной записи здесь точнее оказался SpeechKit, а быстрее вернул результат SaluteSpeech. Выбор для подкаста, субтитров или приложения зависит от того, на какой звук и режим работы больше похожа ваша задача.

Почему измерения дали разных лидеров

В первом измерении использовали короткие начитанные фрагменты. К естественной речи добавляли белый шум и отдельно ускоряли исходные записи. Сервисы запускали через ознакомительный доступ с различавшимися конфигурациями. Во втором измерении короткие записи разных дикторов объединили в один длинный файл, а запросы выполняли асинхронно, с дополнительными настройками обработки. Поэтому порядок сервисов меняется вместе с материалом и способом запроса.

WER показывает, сколько слов пришлось бы заменить, удалить или добавить, чтобы привести ответ сервиса к эталонной расшифровке. Меньшее значение означает меньше ошибок; процент точности во втором измерении рассчитан как сто процентов минус WER. Эти показатели нельзя складывать в общий рейтинг: один описывает короткую начитку при искусственно изменённом звуке, другой — длинный составной файл. Для автора важен ещё и характер ошибок. Неверное имя гостя, отрицание или сумма могут потребовать повторного прослушивания, даже если общий показатель выглядит приемлемо.

Что меняют шум, темп и перебивки

Результат на записи с белым шумом делает SaluteSpeech интересным кандидатом для шумного интервью. Но улица, кафе и разговор по видеосвязи создают разные помехи: меняется расстояние до микрофона, звучат посторонние голоса, участники говорят одновременно. Преимущество на искусственном белом шуме не позволяет заранее назвать победителя для каждой такой записи.

С темпом картина тоже неоднородна. При двукратном ускорении естественной речи SaluteSpeech в первом измерении часто оставлял поле распознанного текста пустым. Это крайнее условие, а не характеристика всякого быстрого разговора. Для интервью с перебивками отдельный вопрос — границы реплик: текст может содержать нужные слова, но неверно передавать, кто и когда их произнёс. Для субтитров к словам добавляются разбиение на фразы и метки времени; хороший результат по WER сам по себе не решает эти задачи.

Чистую начитку разумно оценивать отдельно от шумного разговора. Если выпуск записан в спокойных условиях одним диктором, показатели на шуме мало говорят о будущей трудоёмкости правки. Если несколько участников перебивают друг друга, среднее число ошибок способно скрыть самые неудобные места — имена, названия и числа. Так тип аудио определяет полезность опубликованного измерения сильнее, чем место сервиса в общей таблице.

Длина записи определяет режим работы

Для длинного выпуска и живого голосового ввода нужны разные способы обработки. Документация SpeechKit описывает потоковое распознавание с промежуточными ответами, синхронную обработку одноканальных файлов длительностью до 30 секунд и асинхронную обработку файлов длительностью до четырёх часов. Асинхронный режим принимает также многоканальное аудио. Поэтому часовой подкаст следует сопоставлять с обработкой готового файла, а голосовое приложение — с потоком, где имеет значение задержка ответа во время речи.

Склейка коротких записей в длинный файл удобна для измерения времени обработки, но не воспроизводит непрерывную беседу. В настоящем выпуске встречаются длинные паузы, смены темы и голоса, а иногда разные каналы для участников. Результат на составном файле показывает возможности выбранной конфигурации на этом входе; он не обещает той же скорости и точности на другом часовом аудио. Для рабочего приложения время обработки готового файла также не заменяет оценку задержки первых распознанных слов.

Бесплатный лимит SaluteSpeech и доступ к сервису

Упоминание бесплатных минут требует проверки статуса тарифа. Тарифная страница SaluteSpeech указывает для физических лиц 100 бесплатных минут распознавания в месяц, но там же сказано, что с 15 июля 2026 года продление бесплатного тарифа и продажа новых пакетов прекращены. Ранее приобретённые пакеты действуют до окончания срока или исчерпания лимита. На странице сохранена и прежняя цена пакета — 1200 ₽ за 1000 минут на месяц с НДС; считать её стоимостью нового подключения нельзя.

Для автора, который только выбирает личный доступ, прежний бесплатный лимит не должен становиться основанием расчёта. Если доступ к SaluteSpeech уже предоставлен организацией, сравнивать затраты нужно по её действующим условиям: цена бывшего личного пакета к такому доступу не относится. Это практическое ограничение выбора, отдельное от качества распознавания. Даже убедительный результат на шумной записи мало поможет, если подходящего способа подключения нет.

Сколько стоит расшифровка готовых файлов

Расчёт по опубликованным ценам, проверенным 11 ноября 2026 года: прайс SpeechKit устанавливает для асинхронного распознавания 0,1515 ₽ за 15 секунд, а для отложенного режима — 0,0381 ₽ за 15 секунд, включая НДС. После минимального оплачиваемого отрезка длительность считают посекундно; один или два канала имеют одинаковую расчётную единицу. Ниже предполагаются файлы с одним или двумя каналами, полные минуты и отсутствие повторных запросов либо дополнительных услуг.

• Один выпуск за месяц. Условный объём — один файл длительностью 60 минут. SpeechKit: 36,36 ₽ в обычном асинхронном режиме или 9,14 ₽ в отложенном. Для нового личного подключения к SaluteSpeech сопоставимую цену по прежнему пакету посчитать нельзя.
• Серия интервью за месяц. Условный объём — пять файлов по 60 минут, всего 300 минут. SpeechKit: 181,80 ₽ в обычном режиме или 45,72 ₽ в отложенном. Для SaluteSpeech итог зависит от наличия действующего доступа и его условий.
• Большой архив за месяц. Условный объём — десять файлов по 120 минут, всего 1200 минут. SpeechKit: 727,20 ₽ в обычном режиме или 182,88 ₽ в отложенном. Прежняя цена личного пакета SaluteSpeech не даёт цены нового заказа.

Отложенный режим снижает стоимость, если текст не нужен сразу после загрузки. Экономия в этом расчёте показывает разницу тарифов SpeechKit на одинаковый объём аудио, а не разницу в качестве распознавания. Счёт изменится при повторной обработке, большем числе каналов или множестве очень коротких файлов: для каждого запроса действует минимальная оплачиваемая длительность.

Как сравнить сервисы на своём аудио

Для выбора полезен небольшой контрольный набор из записей будущего проекта: чистая начитка, шумный разговор, быстрый обмен репликами и фрагмент длинного выпуска. Включите в него перебивки, имена, названия и числа, затем подготовьте ручную эталонную расшифровку. Если доступны оба сервиса, отправьте в них одинаковые исходные файлы и сохраните сведения о выбранном режиме и настройках. Иначе различие конфигураций снова смешается с различием в качестве.

Сначала сравните ошибки в словах, затем отметьте места, где неверный ответ меняет смысл или требует прослушивания. Для подкаста и интервью это даст представление об объёме ручной правки; для субтитров дополнительно оцените границы фраз и временные метки. В голосовом приложении отдельно измерьте задержку ответа при живой речи. Такой набор не создаст универсального рейтинга, зато покажет, какой из доступных сервисов лучше справляется именно с вашим типом записи.