Асинхронное распознавание

Асинхронное распознавание позволяет преобразовывать в текст многоканальные аудиофайлы следующих характеристик:

• Максимальная длительность записи — 4 часа.
• Максимальный размер файла — 1 ГБ.

Результаты распознавания хранятся на сервере 3 суток, после чего вы не сможете их получить.

Асинхронное распознавание не подходит для распознавания диалога в режиме реального времени. Если вам нужны промежуточные результаты и минимальное время ответа, используйте потоковое распознавание.

Список поддерживаемых языков см. в разделе Поддерживаемые языки распознавания.

Режимы работы асинхронного распознаванияРежимы работы асинхронного распознавания

В асинхронном распознавании доступна языковая модель, которая может работать в двух режимах:

1. В стандартном режиме распознавание обрабатывается в очереди со стандартным приоритетом. Режим работает при выборе модели general.
2. В отложенном режиме аудиофайл для распознавания попадает в очередь с низким приоритетом и обрабатывается в наименее нагруженное время. На отложенное распознавание действуют специальные тарифы. Время обработки аудиофайла в отложенном режиме не более 24 часов. Распознавание в отложенном режиме доступно при указании тега deferred-general.

Как асинхронно распознать предзаписанное аудиоКак асинхронно распознать предзаписанное аудио

Для асинхронного распознавания речи используются API v2 и v3 SpeechKit. Чтобы распознать предзаписанное аудио:

1. Создайте сервисный аккаунт.

2. Назначьте ему роли:

   • ai.speechkit-stt.user — для распознавания речи;
   • storage.uploader — для загрузки аудиофайла в бакет Yandex Object Storage;
   • (Опционально) storage.configurer, kms.keys.encrypter и kms.keys.decrypter — для шифрования и расшифровки объектов в бакете. Эти роли нужны, только если вы используете шифрование в Object Storage.

3. Получите IAM-токен или API-ключ для вашего сервисного аккаунта, они понадобятся для аутентификации в API.

4. Создайте бакет Yandex Object Storage.

5. Загрузите аудиофайл в бакет.

6. Получите ссылку на загруженный файл.

   Для бакета с ограниченным доступом в ссылке присутствуют дополнительные query-параметры (после знака ?). Эти параметры не нужно передавать в SpeechKit — они игнорируются.

7. Отправьте API-запрос на распознавание файла через gRPC API или REST API. В теле запроса передайте ссылку на аудиофайл. В HTTP-заголовке укажите данные аутентификации:

   • Authorization: Bearer <IAM-токен> — для аутентификации с IAM-токеном;
   • Authorization: Api-Key <API-ключ> — для аутентификации с API-ключом.

   В ответе на запрос возвращается идентификатор операции распознавания. Сохраните его — он понадобится в следующем запросе.

   Важно

   Результаты хранятся на сервере 3 суток. После этого вы не сможете запросить результаты распознавания, используя полученный идентификатор.

8. Подождите, пока закончится распознавание. Одна минута одноканального аудио распознается примерно за 10 секунд.

9. Отправьте API-запрос на получение результатов распознавания:

   • при помощи API v2;
   • при помощи API v3:
     • REST;
     • gRPC.

   В HTTP-заголовке укажите те же данные аутентификации.

   Результаты содержат распознанный текст целиком и список распознанных слов.

Примеры использования API асинхронного распознаванияПримеры использования API асинхронного распознавания

• Асинхронное распознавание аудиофайлов в формате LPCM в API v2.
• Асинхронное распознавание аудиофайлов в формате OggOpus в API v2.
• Асинхронное распознавание аудиофайлов в формате WAV в API v3.
• Регулярное асинхронное распознавание аудиофайлов из Yandex Object Storage.