Нейросети для распознавания речи через API

Deepgram Nova-3 — универсальная модель преобразования речи в текст с поддержкой моноязычной и многоязычной транскрипции.

google

Chirp 3 — это новейшая многоязычная модель преобразования речи в текст от Google. Она обеспечивает повышенную точность транскрипции для 24 общедоступных языков и более 77 языков предварительного просмотра, с поддержкой автоматического…

microsoft

MAI-Transcribe 1.5 — это многоязычная модель преобразования речи в текст от Microsoft AI. Она подходит для создания субтитров, транскрибирования звонков, обеспечения доступности и других голосовых приложений, предлагая надёжную…

mistralai

Voxtral Mini Transcribe — это модель преобразования речи в текст от Mistral, разработанная на основе семейства Voxtral Mini. Она принимает аудиовход и возвращает расшифрованный текст через стандартный API транскрипции. Подходит для…

nvidia

Parakeet TDT 0.6B v3 — это мультиязычная модель преобразования речи в текст от NVIDIA с 600 миллионами параметров, построенная на архитектуре FastConformer-TDT. Обученная на наборе данных Granary (более 670 000 часов аудио), она…

GPT-4o Mini Transcribe — это уменьшенная, экономичная модель преобразования речи в текст от OpenAI, основанная на аудиовозможностях GPT-4o Mini. Она тарифицируется за токен (входной и выходной), что делает её подходящей для рабочих…

GPT-4o Transcribe — это высококачественная модель преобразования речи в текст от OpenAI, основанная на аудиовозможностях GPT-4o. Оплата производится за токен (входной и выходной), что делает её подходящей для рабочих процессов, которым…

Whisper — это модель автоматического распознавания речи с открытым исходным кодом от OpenAI, доступная через API как `whisper-1`. Она поддерживает транскрипцию и перевод более чем на 50 языков из аудиофайлов размером до 25 МБ. Принимает…

Whisper Large V3 — это модель автоматического распознавания речи с открытым исходным кодом от OpenAI, предлагающая как транскрипцию, так и перевод аудио. Она поддерживает более 99 языков и принимает распространённые аудиоформаты, включая…

Whisper Large V3 Turbo — это оптимизированная версия модели распознавания речи Whisper Large V3 от OpenAI, разработанная для обеспечения скорости и экономичности. Она поддерживает транскрипцию на более чем 99 языках с...

qwen

Qwen3-ASR-Flash — это сервис автоматического распознавания речи от Alibaba, построенный на основе Qwen3-Omni и обученный на десятках миллионов часов мультимодальных речевых данных. Модель поддерживает 11 языков —...

Grok STT — это модель преобразования речи в текст от xAI, доступная через конечную точку REST /v1/stt. Она поддерживает транскрипцию с временными метками на уровне слов, опциональную диаризацию диктора и многоканальное аудио.