Транскрипт в веб-интерфейсе

Веб-интерфейс Speech-Expert позволяет не только просмотреть результат STT, но и подготовить его к дальнейшей работе: назначить спикерам понятные имена, перейти к найденным сущностям, открыть эмоциональный эпизод на исходном аудио и скачать транскрипт в TXT, SRT, WebVTT или JSON. Эти действия доступны сразу после распознавания и в разделе сохранённых записей.

Начать распознавание

В Playground выберите источник:

• Файл — загрузить аудио или видео с устройства, по одному или пакетом;
• Ссылка — скачать и распознать аудиодорожку по URL;
• Запись — записать микрофон, звук вкладки или их общий микс;
• Живые субтитры — видеть текст непосредственно во время речи.

Затем задайте Язык записи. Для файла, ссылки и записи интерфейс показывает совместимые модели; для живых субтитров потоковый профиль выбирается по языку автоматически. Перед запуском можно сверить тариф и, когда длительность уже известна, оценку стоимости. Чтобы сменить источник после выбора файла или получения результата, сначала нажмите Очистить; очередь файлов очищается отдельно.

Для медицинской и клинической речи можно явно выбрать ElevenLabs Scribe v2 Medical (ElevenLabs-Scribe-v2-Medical). Она поддерживает те же русский, английский, казахский, кыргызский, узбекский и таджикский, что обычная Scribe v2 в Playground, и использует тот же тариф и нативную диаризацию. У провайдера обе модели поддерживают 90+ языков (справочник ElevenLabs). Обе модели доступны для файла, ссылки и готовой записи; потоковые возможности описаны отдельно в Потоковом распознавании.

Для обычного файлового распознавания с Gemini 3.5 Transcribe запись должна быть не длиннее 30 минут. Для более длинной записи выберите другую доступную модель или включите потоковую обработку файла.

Порядок обработки

Необязательные настройки находятся в разделе Параметры обработки: режим каналов, диаризация, LLM-коррекция текста, именованные сущности, формат отчёта по записи и для русского языка — эмоциональная динамика. Обработка проходит в следующем порядке:

1. распознавание речи;
2. восстановление пунктуации, если оно используется выбранным сценарием;
3. LLM-коррекция готового транскрипта;
4. извлечение сущностей уже из исправленного текста;
5. саммаризация окончательного текста, если выбран пресет.

Таким образом, текст и символьные позиции в entities[].occurrences относятся к окончательной версии реплик, которую возвращает API.

Длинный файл: текст по мере обработки

Выберите источник Файл, задайте Язык записи и включите Текст по мере обработки. Загрузите один аудио- или видеофайл до 10 ГиБ и нажмите Распознавать потоково. Доступны русский, английский, казахский, кыргызский, узбекский и таджикский. Предварительный текст появляется по мере обработки; окончательные фразы добавляются в транскрипт последовательно. Прогресс загрузки и длительность распознанного аудио показываются отдельно. Некоторые M4A и MP4 сначала загружаются целиком; после этого текст начинает появляться по мере распознавания.

На кыргызском итог каждой фразы уточняется автоматически. Пока он готовится, интерфейс продолжает показывать предварительный текст следующей фразы. На таджикском итог возвращается без автоматической пунктуации и нормализации. Для казахского, кыргызского, узбекского и таджикского таймкоды обозначают границы аудиофрагментов, включая паузы; точная разметка отдельных слов отсутствует.

В этом режиме каналы сводятся в mono; диаризация и LLM-коррекция недоступны. Вкладку нужно оставить открытой до завершения распознавания. Окончание загрузки ещё не означает готовность результата. После обрыва обработку запускают заново; уже обработанная длительность оплачивается и при отмене. Сеанс не создаёт сохранённую запись или фоновую операцию, поэтому скачайте готовый транскрипт. Подробности подключения приведены в обзоре потокового распознавания.

Живые субтитры

В основном кабинете выберите источник Живые субтитры, задайте Язык записи и нажмите Открыть. Доступны русский, английский, казахский, кыргызский, узбекский и таджикский; выбирать файловую модель не требуется. Предварительный текст обновляется по мере речи, завершённые фразы остаются на экране. На кыргызском итог фразы автоматически уточняется; следующий предварительный текст при этом сохраняется. На таджикском итог выдаётся без автоматической пунктуации и нормализации.

После остановки дождитесь оставшихся окончательных фраз, затем скопируйте или скачайте текст. Живой сеанс не создаёт сохранённую запись. Для готового файла используется отдельный режим с выбором файловой модели. Поддержка языков и параметры WebSocket и gRPC описаны в обзоре потока.

Фоновая операция: прогресс, отмена и восстановление

Веб-интерфейс отправляет распознавание через POST /api/stt/v1:recognizeAsync и автоматически обновляет состояние операции. Во время обработки показываются короткий идентификатор, статус, процент выполнения и текущий этап: очередь, загрузка или конвертация аудио, распознавание, коррекция текста, извлечение сущностей, саммаризация и финализация.

Кнопка Отменить вызывает POST /api/operations/{operation_id}:cancel и останавливает обработку. Для gemini-3.5-transcribe, ElevenLabs-Scribe-v2 и ElevenLabs-Scribe-v2-Medical отмена недоступна. Если операция была запущена над уже сохранённой записью, отмена не удаляет саму запись.

Активная неприватная задача сохраняется в localStorage браузера на срок до 24 часов. Идентификатор приватной операции намеренно не записывается в localStorage, хотя ещё активную задачу интерфейс может найти через серверный список операций. При повторном открытии страницы интерфейс находит доступную задачу, восстанавливает выбранные параметры и продолжает показывать прогресс либо сразу открывает готовый результат.

Полный исходный URL удалённого видео в localStorage не записывается. Доступ к самой операции всё равно проверяется сервером в рамках текущего пользователя.

Записать сейчас

Выберите Запись в верхнем переключателе источника. Разговор можно записать прямо в браузере; доступны три варианта захвата звука:

• Микрофон — голос пользователя или звук с подключённого аудиоустройства;
• Вкладка — звук выбранной вкладки браузера;
• Оба — общий микс вкладки и микрофона.

Для записи вкладки в системном окне выбора нужно выбрать вкладку браузера и включить Поделиться аудио. Во время сеанса запись можно поставить на паузу, продолжить, отменить или остановить. Если включено Распознать после остановки, готовая дорожка сразу отправляется в текущий STT-сценарий с выбранными слева параметрами. Иначе её можно прослушать и запустить обработку вручную. На время записи параметры блокируются, чтобы итоговая обработка точно соответствовала показанным настройкам. Потоковая обработка длинного файла доступна в отдельном источнике Файл. Чтобы не переполнить память вкладки и оставить запас до лимита обычной загрузки, запись автоматически останавливается на 450 МБ.

Захват вкладки поддерживается браузерами на базе Chromium при работе через HTTPS. До остановки дорожка временно хранится в памяти браузера. При попытке закрыть, обновить или покинуть Playground интерфейс предупреждает о потере записи.

Пакетная загрузка

При выбранном источнике Файл одно поле принимает и одиночный файл, и пакет: нажмите Выбрать файлы или перетащите их в общую область. Один файл открывается для предпросмотра и распознавания; при выборе нескольких ниже появляется Очередь файлов. В пакет можно добавить до 20 аудио- или видеофайлов размером до 500 МБ каждый. Кнопка Добавить файлы пополняет текущую очередь. Если первый файл ещё не обработан, он переносится в пакет вместе с новыми; готовый транскрипт или уже запущенное распознавание остаются на месте. При запуске текущие язык, модель, режим каналов, диаризация, коррекция, извлечение сущностей, эмоциональная динамика и формат отчёта фиксируются для всего пакета.

Исходники загружаются последовательно и сразу появляются в Моих записях. После этого одновременно выполняются не более двух операций распознавания; остальные ждут в очереди. Уже загруженные записи и серверные операции переживают обновление страницы. Для каждого файла отображаются передача, очередь, этап обработки и итоговый статус.

После обновления страницы новые задания остаются на паузе: активные операции продолжают отслеживаться, а для запуска оставшейся очереди нужно снова нажать Запустить пакет. Очередь хранится отдельно для каждого пользователя. Архивная загрузка и распознавание получают независимые идентификаторы запроса: повтор после обрыва возвращает ту же запись и ту же операцию, не создавая дубликаты.

Ожидающие файлы можно отменить, запуск новых — приостановить, а неудачную операцию — повторить без повторной передачи уже сохранённого исходника. Ошибка одного файла не останавливает остальные. Кнопка Убрать удаляет строку с ошибкой, готовый или отменённый элемент из очереди, в том числе если загрузка так и не подтвердилась. Убрать ошибки очищает все строки с ошибками, а Очистить завершённые — готовые и отменённые. Это не удаляет файлы из Моих записей; убранные строки не восстанавливаются после обновления страницы. Пакетный режим недоступен в приватном режиме; файлы больше 500 МБ следует обрабатывать по одному, включив Текст по мере обработки.

Повторное распознавание сохранённой записи

В разделе Мои записи кнопка Распознать открывает запись в STT-панели. Можно выбрать другую модель и параметры и нажать Распознать снова. В этом случае интерфейс передаёт recordingId в multipart-форме асинхронного метода; аудио повторно из браузера не загружается. Метод работает только для записи, принадлежащей текущему пользователю, и после успешного выполнения обновляет её STT-результат.

Диаризация и режим каналов

Диаризация и режим каналов находятся в разделе Параметры обработки обычного распознавания. Для потока этот раздел скрыт: звук обрабатывается в mono без разделения участников. В обычном режиме поведение зависит от выбранных параметров:

• в mono можно включить диаризацию и задать maxSpeakers от 1 до 20 для поддерживающих её моделей;
• в stereo переключатель неактивен с подсказкой «Для диаризации сведите каналы в mono», потому что физические каналы уже распознаются независимо;
• для ElevenLabs Scribe v2 и Scribe v2 Medical в mono диаризация включается автоматически: интерфейс показывает Включена, спикеры определяются при распознавании без отдельной надбавки к тарифу; в режиме По каналам разделяются физические каналы;
• для gemini-3.5-transcribe переключатель остаётся доступным, а число спикеров определяется автоматически. Модель поддерживает метки максимум для восьми спикеров без отдельной надбавки за диаризацию; при трёх и более спикерах точность разделения может быть ниже.

stereo следует выбирать только тогда, когда разные участники действительно записаны в разные каналы. Если оба канала содержат один общий микс, сервер проверяет корреляцию активных окон и автоматически сводит подтверждённый dual-mono в один трек. Настоящее раздельное stereo остаётся поканальным.

Метки спикеров ElevenLabs

Для обеих моделей ElevenLabs Scribe v2 поле utterances с метками спикеров может отсутствовать. Проверяйте его наличие в ответе перед обработкой.

Эмоциональная динамика

Переключатель доступен только при lang=ru-RU. После обработки интерфейс показывает долю времени с негативным сигналом, пик, изменение сигнала к финалу, временную шкалу и устойчивые негативные, позитивные или неопределённые эпизоды. Пять исходных вероятностей DUSHA (angry, neutral, other, positive, sad) раскрываются по запросу и не подменяются одной категоричной меткой.

Нажатие на окно или эпизод перематывает плеер к start_ms, подсвечивает пересекающуюся реплику и показывает её текст/спикера, если такая атрибуция однозначна. В сохранённой записи панель строится из response.emotion_analysis, поэтому повторно запускать модель для просмотра не нужно. Кнопки JSON и CSV в заголовке панели выгружают полный emotion-контракт или плоский список эпизодов; если устойчивых эпизодов нет, CSV содержит окна.

Это вероятностный акустический слой для навигации по записи. other означает другую или неопределённую окраску, а uncertain — производное состояние слоя эмоциональной динамики при низкой уверенности или малом отрыве классов. Результат нельзя использовать как единственное основание для оценки человека или автоматического кадрового/финансового решения. Подробные формулы и API-контракт приведены в Emotion API и STT v1.

Экспорт транскрипта

Меню Скачать находится в заголовке готового транскрипта. Файлы формируются в браузере из utterances, затем из segments, а при их отсутствии — из цельного result. Отдельные words не превращаются в субтитры автоматически. В JSON сохраняются слова с непустым текстом и полными числовыми границами start/end; неполные элементы отбрасываются.

Формат	Содержимое	Когда доступен
TXT	Отображаемый текст; у размеченных реплик — с таймкодами и назначенными именами спикеров	Для любого готового результата
SRT	Нумерованные субтитры с миллисекундами и именами спикеров	Когда у каждой непустой строки есть пригодные таймкоды, не помеченные synthetic или timing_estimated=true
VTT	WebVTT с заголовком WEBVTT, таймкодами и именами спикеров	На тех же условиях, что и SRT
JSON	Версионированный документ с метаданными, репликами, словами, спикерами и сущностями	Для любого готового результата

Пункты SRT и VTT отключены и показывают сообщение Нет таймкодов, если хотя бы у одной непустой строки нет начала или допустимого конца либо её тайминг явно помечен synthetic/timing_estimated=true. Отсутствие метки происхождения само по себе экспорт не блокирует. Для реплики с корректным началом, но без конца, конец берётся из начала следующей реплики или известной длительности записи.

Назначенные имена входят в TXT, SRT и VTT как подписи, например Оператор: Добрый день. В JSON они сохраняются в speakers[].name и utterances[].speaker_name.

JSON-схема экспорта

Текущая версия экспортного документа — 1.2. Основные поля:

{
  "schema_version": "1.2",
  "name": "call.wav",
  "duration_ms": 42000,
  "language": "ru-RU",
  "model": "SpeechExpert-STT-RU",
  "channel_mode": "stereo",
  "timing_source": "native-asr",
  "timing_estimated": false,
  "transcript": "Добрый день\nЗдравствуйте",
  "speakers": [
    {"id": 0, "name": "Оператор"},
    {"id": 1, "name": "Клиент"}
  ],
  "utterances": [],
  "words": [],
  "entities": [],
  "entity_extraction_status": "ready",
  "summarization": {
    "schema_version": "2.0",
    "id": "4a518cc8-4f70-470d-b868-40e39420fba5",
    "created_at": "2026-07-15T12:00:00+00:00",
    "preset": "conversation",
    "detail_level": "standard",
    "output_language": null,
    "title": "Итоги звонка",
    "summary": "Клиент подтвердил следующий шаг.",
    "key_points": ["Клиент согласовал демонстрацию"],
    "sections": [],
    "decisions": ["Провести демонстрацию"],
    "action_items": ["Оператор отправит приглашение"],
    "open_questions": [],
    "risks": [],
    "structured": {
      "key_points": [],
      "sections": [],
      "decisions": [
        {
          "text": "Провести демонстрацию",
          "confirmation": "confirmed",
          "sources": [
            {
              "ref": "S0004",
              "quote": "Давайте проведём демонстрацию завтра.",
              "start_ms": 18400,
              "end_ms": 20700,
              "speaker": 1,
              "speaker_name": "Клиент",
              "utterance_index": 3,
              "timing_estimated": false
            }
          ]
        }
      ],
      "action_items": [
        {
          "text": "Оператор отправит приглашение",
          "assignee": "Оператор",
          "due_date": "сегодня",
          "sources": [
            {
              "ref": "S0005",
              "quote": "Сегодня отправлю приглашение.",
              "start_ms": 21000,
              "end_ms": 22600,
              "speaker": 0,
              "speaker_name": "Оператор",
              "utterance_index": 4,
              "timing_estimated": false
            }
          ]
        }
      ],
      "open_questions": [],
      "risks": []
    }
  },
  "summarization_status": "ready"
}

У каждой реплики сохраняются index, speaker, speaker_name, start_ms, end_ms, text, timing_source и timing_estimated. Верхнеуровневый timing_source становится mixed, если источники таймкодов у реплик различаются. Если в Playground был выбран пресет саммаризации, JSON также содержит структурированный объект summarization и статус summarization_status; без выбранного пресета оба поля равны null.

После распознавания пресет и подробность можно выбрать или сменить прямо в готовом результате Playground и в разделе Мои записи. Встроены сценарии короткого резюме, конспекта, итогов разговора, задач, тем с таймкодами, лекции, продаж/CRM, контакт-центра, интервью, исследовательского отчёта с JTBD и глав подкаста. Интерфейс вызывает только POST /api/stt/v1:summarize: аудио повторно не распознаётся.

Без отдельного выбора все заголовки, тезисы, задачи, вопросы и ответы создаются на преобладающем языке исходной речи. В Playground, готовом результате и окне дайджеста селектор Язык результата позволяет независимо выбрать русский, английский, казахский, кыргызский, узбекский или таджикский; запрос передаёт summarizationOutputLanguage при распознавании либо outputLanguage при повторной обработке. Выбранный locale распознавания остаётся подсказкой о языке источника и не меняется. Серверные цитаты, ссылки, таймкоды, имена и дословные фрагменты сохраняются в оригинале. Тот же контракт действует для собственных шаблонов, дайджестов и готовых наборов; функция Спросить архив по-прежнему отвечает на преобладающем языке выбранных записей.

В Моих записях отдельное действие Перевести транскрипт создаёт полный перевод, а не резюме. Перевод хранится как самостоятельный производный результат с версиями, показывает исходные реплики и переходит по их таймкодам, но не заменяет исходный текст. Временные границы переведённых слов не вычисляются: интерфейс использует только таймкоды исходных серверных фрагментов. API-контракт описан в разделе Перевод готового транскрипта.

Исследовательский отчёт можно применить к одной записи или к дайджесту из 2–20 интервью. Он отдельно показывает повторяющиеся темы, Jobs to be Done, возражения и выводы; каждый пункт содержит проверенные сервером ссылки на исходные реплики. В межзаписном отчёте тема считается повторяющейся только при подтверждении как минимум из двух разных интервью. Длинные дайджесты обрабатываются в два уровня: сначала сервер собирает доказательные наблюдения по каждой записи, затем сводит их в общий отчёт. Финальный этап видит только реально отобранные исходные реплики и не использует этот набор для расчёта процентов или «большинства».

Отдельные готовые наборы Voice Inbox, Учебный набор и Creator Pack создаются через POST /api/stt/v1:derive; центр поручений использует тот же метод с kind=action_center. Они хранят собственные версии, а подтверждение, исправление или отклонение задачи записывается отдельно от неизменяемого ответа модели. Кнопка Спросить архив ищет по сохранённым расшифровкам и показывает только тезисы с переходом к записи, таймкоду и подтверждающей цитате.

Для содержательной long-form записи расширенный Creator Pack возвращает тезисы, главы, кандидаты фрагментов, готовую к редактированию статью, show notes, описание видео, рассылку и публикации для social, Telegram и VK. Текст статьи сохраняет абзацы. Субтитры SRT/VTT экспортируются из исходного транскрипта, когда у него есть тайминги. Разбор, статья и публикации генерируются отдельными структурированными этапами и собираются сервером в один проверенный пакет. Короткая запись или пользовательский шаблон могут вернуть полезный частичный пакет; интерфейс помечает такой результат отдельно.

У сохранённой записи каждый успешный запуск добавляется в историю. Текущая версия остаётся в response.summarization для совместимости, а переключение версии не запускает LLM. Источники внутри structured ведут к точной реплике и позиции проигрывателя; таймкод и цитата берутся сервером из STT-ответа, а не из текста модели. Решения помечаются как подтверждённые, предложенные, отклонённые или неясные; у задач отдельно показываются явно названные исполнитель и срок. Ошибка LLM не удаляет уже имеющуюся саммаризацию.

В приватном режиме новый результат остаётся только в открытой вкладке: запись не создаётся и не обновляется, идентификатор операции не сохраняется в localStorage, а Playground очищает серверное содержимое вызовом :purge после копирования результата. Резервный deadline по умолчанию равен 15 минутам от запуска операции и проверяется сервером раз в минуту. Без отдельного согласия отключаются внешние LLM-функции и внешние STT-модели gemini-3.5-transcribe, ElevenLabs-Scribe-v2 и ElevenLabs-Scribe-v2-Medical. Для обычной сохранённой записи аудио можно удалить отдельно, оставив транскрипт и все производные результаты. Живые субтитры из микрофона работают через WebSocket и также не сохраняются автоматически.

Настройки следующего запуска не изменяют язык, модель и признаки обработки уже готового результата. Включение приватного режима после обычного распознавания не удаляет ранее сохранённую запись. Приватный результат остаётся несохраняемым и требует согласия на внешнюю обработку текста даже после изменения настроек следующего запуска.

В разделе Мои записи также доступны собственные шаблоны и дайджест 2–20 записей. Шаблон задаёт фокус поверх встроенного сценария и сохраняется с номером ревизии. В дайджесте источник дополнительно указывает запись, из которой взят факт. API-контракты истории, шаблонов и дайджестов описаны в разделе Саммаризация STT v1.

Экспорт выполняется на клиенте

Отдельных HTTP-методов для SRT, VTT и JSON сейчас нет. API-клиент получает структурированный STT-ответ и при необходимости формирует нужный формат самостоятельно.

Переименование спикеров

Блок Участники появляется, когда результат содержит реплики с полем speaker. Для каждого исходного идентификатора SPK N можно задать имя длиной до 80 символов. Лишние пробелы нормализуются.

• Enter или потеря фокуса применяют имя;
• Escape отменяет несохранённое изменение;
• пустое значение возвращает подпись Спикер N;
• новое имя сразу применяется ко всем репликам, экспортам и подписям спикеров у найденных сущностей.

Для сохранённой записи интерфейс записывает словарь в response.speaker_names и одновременно обновляет текстовое представление через PATCH /api/account/recordings/{recording_id}. Этот метод требует сессию портала. У ещё не сохранённого результата имя меняется локально; интерфейс предупреждает, что для постоянного хранения нужно сохранить запись.

При самостоятельном PATCH передавайте полный пользовательский вариант response, а не только speaker_names. Сервер при этом сохраняет принадлежащие ему поля активной саммаризации (summarization и summarization_status): их нельзя подменить или стереть общим методом обновления записи. Специального публичного STT-метода для переименования спикера сейчас нет.

Именованные сущности

В веб-интерфейсе извлечение сущностей по умолчанию отключено. Для прямого вызова STT v1 оно также включается явно параметром entityExtraction=true; значение можно передать в query string или multipart-форме:

curl -X POST \
  "https://api.speech.example.com/api/stt/v1:recognizeAsync?llmCorrection=true&entityExtraction=true" \
  -H "Authorization: Api-Key $API_KEY" \
  -F "audio=@call.wav"

Параметр поддерживается синхронным POST /api/stt/v1 и асинхронным POST /api/stt/v1:recognizeAsync. По умолчанию в API он равен false.

Сервис извлекает только явно присутствующие в тексте упоминания следующих типов:

person, organization, location, product, event, date, time, money, phone, email, url, address, document, identifier.

Ответ содержит сгруппированные сущности и каждое точное упоминание:

{
  "entities": [
    {
      "id": "organization:1",
      "type": "organization",
      "text": "Acme",
      "normalized": "ACME",
      "occurrences": [
        {
          "utterance_index": 0,
          "mention": "Acme",
          "char_start": 0,
          "char_end": 4,
          "speaker": 0,
          "start_ms": 1200,
          "end_ms": 3100
        }
      ]
    }
  ],
  "entity_extraction_status": "ready"
}

char_start включителен, char_end исключителен. Это позиции Unicode-символов в тексте соответствующей реплики. Сервер вычисляет их только для точного вхождения mention и отклоняет упоминания, которых нет в исходном сегменте. Варианты написания с одинаковыми типом и нормализованным значением объединяются в одну сущность.

Статусы извлечения

Статус	Значение
ready	Все части транскрипта обработаны и прошли проверку
partial	Сохранены валидные сущности, но часть результата была отклонена либо достигнут лимит
failed	Извлечение не удалось; сам транскрипт всё равно возвращён
unavailable	Извлечение временно недоступно; транскрипт возвращён без сущностей

Ошибка извлечения сущностей не отменяет успешно распознанный транскрипт.

Переход к упоминанию

Панель Сущности и реквизиты группирует результаты по типам. Кнопка упоминания показывает таймкод, номер реплики или подпись текст — в зависимости от доступных данных. При нажатии интерфейс:

1. плавно прокручивает транскрипт к нужной реплике;
2. выделяет точный диапазон char_start:char_end;
3. переводит позицию аудио- или видеоплеера на start_ms, если он известен.

Позиции обрабатываются как Unicode code points, поэтому выделение остаётся корректным и при наличии emoji перед сущностью. Переход меняет позицию проигрывателя, но не запускает воспроизведение автоматически.

Схемы исходного STT-ответа и таймстемпов описаны в разделе Синхронное распознавание, а получение фоновой операции — в Операциях. Полный CRUD сохранённых файлов и транскриптов описан в API записей.