GigaAM — семейство моделей Сбера для распознавания русской речи, на которых работает и облачный SaluteSpeech. Для тех, кто не хочет возиться с моделями вручную, Сбер выпустил настольное приложение SaluteSpeech App — показываю, что внутри и сколько стоит вход.
Установка и первый токен
Приложение есть для Windows и macOS. После установки нужен токен: регистрируетесь (почта, Google, Сбер ID или СберБизнес ID), в SaluteSpeech Studio создаётся проект «Мой SaluteSpeech», из поля «Авторизационные данные» копируете значение в приложение — и генерируете токен. Активация занимает до 29 минут — окно закрывать нельзя, только свернуть.
Что умеет: синтез, распознавание, GigaChat
Синтез: 7 голосов, у каждого обычная и более качественная версия; голос Кира — для английского; можно озвучить диалог двумя голосами. Формат результата — только wav.
Распознавание принимает форматы pcm, opus, mp3, flac, alaw, mulaw — wav тоже, хоть в списке его нет. Стереозапись даёт два варианта текста по каналам: у каждой реплики время и продолжительность, текст копируется или скачивается файлом.
Третья возможность — интеграция с GigaChat API: длинный текст сжимается в короткую выжимку, и ответ можно сразу озвучить.
Лимиты и цена
Бесплатных лимитов хватает на тесты; дальше — платный пакет: 1000 минут распознавания и 1 миллион символов синтеза. Для разовых задач приложение подходит, для регулярной расшифровки придётся считать минуты.
Когда нужно просто много распознавать
Своё API и пакеты минут — вариант для разработчиков. Если задача — «много видео в текст и посты», проще передать её целиком: PostZavod распознаёт русскую речь на GigaAM, поднимая собственный GPU-сервер, без ручных токенов и лимитов на стороне пользователя. Ссылка на YouTube или файл — расшифровка и посты для Telegram в вашем стиле письма на выходе. Транскрибация — 1 токен за минуту видео, полный прогон (статья + серия постов) — 2 токена; новым аккаунтам — 200 токенов бесплатно.