# Нейросеть для транскрибации: расшифровка аудио в текст

Source: https://provod.ai/ru/blog/neyroset-dlya-transkribacii

Нейросеть для транскрибации — это модель, которой вы отправляете аудио- или видеозапись, а она возвращает текстовую расшифровку речи. **По состоянию на 2026-05-29 в нашем каталоге звук на вход принимает Gemini 3.1 Pro Preview от Google — то есть запись можно отправить прямо в модель и получить готовую расшифровку в одном запросе.** Дальше за дело берётся любая текстовая LLM: она чистит расшифровку от слов-паразитов, делает краткое содержание, выделяет тезисы и собирает протокол встречи с задачами и решениями. Всё это работает через один OpenAI-совместимый API, оплачивается в рублях по курсу ЦБ, без наценки на токены.

Этот гайд — про то, чем расшифровать аудио в текст нейросетью, какая модель что делает (важно не путать распознавание речи и постобработку), сколько транскрибация ИИ стоит в рублях и как вызвать её парой строк кода. Тон — инженерный, на цифрах. Цены — ровно те, что клиент видит на странице тарифов: 1-в-1 с провайдером по курсу ЦБ (71.668 ₽/$ на 2026-05-27).

## Что такое транскрибация нейросетью

Транскрибация — это перевод устной речи в письменный текст. Расшифровывают совещания, интервью, подкасты, лекции, голосовые сообщения, записи звонков колл-центра, дорожку звука из видео. Раньше это делали вручную (час записи — 4-6 часов работы расшифровщика) или через узкоспециализированные сервисы распознавания речи. Сегодня задачу закрывает нейросеть, и закрывает в два логически разных шага, которые важно не смешивать.

**Шаг первый — распознавание речи (ASR / speech-to-text).** Модель слушает звук и превращает его в поток слов. Это техническая задача: разобрать произношение, расставить границы слов, по возможности — пунктуацию. Здесь нужна модель, которая физически принимает аудио на вход.

**Шаг второй — постобработка текстом (LLM).** Сырая расшифровка почти всегда требует доработки: убрать «эээ», «ну», повторы и оговорки; разбить сплошной поток на абзацы и реплики; сделать выжимку; выделить решения и задачи. Это уже работа обычной текстовой языковой модели — ей на вход идёт не звук, а готовый текст расшифровки.

Разница принципиальна для выбора модели и для счёта. Принять аудио умеет не каждая модель — это отдельная мультимодальная способность. А вот постобработку текста тянет любая LLM, и тут можно взять модель подешевле. Дальше разберём оба шага по очереди и честно скажем, что из этого делает наш API напрямую, а что — через дополнительные инструменты.

![Схема двух шагов транскрибации: слева блок «Распознавание речи (ASR): аудио в текст», справа блок «Постобработка LLM: чистка, саммари, тезисы, протокол», между ними стрелка с подписью «сырой текст»](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-254.webp)

## Чем расшифровать аудио в текст: модели с аудио-входом

Чтобы отправить запись прямо в модель и получить расшифровку, нужна модель с аудио во входных модальностях. В нашем каталоге такая способность есть у флагмана Google.

### Gemini 3.1 Pro Preview — принимает звук на вход

**Gemini 3.1 Pro Preview** (`google/gemini-3.1-pro-preview`) — единственная в нашем каталоге крупная reasoning-модель, у которой во входных модальностях указан `audio` наряду с изображением и текстом. На практике это значит, что вы отправляете в модель аудиофайл вместе с инструкцией «расшифруй эту запись» — и получаете текст. Не нужен отдельный сервис распознавания: звук и задание идут одним запросом.

Что важно для транскрибации:

- **Звук на вход.** Можно отправить запись разговора, голосовое сообщение, дорожку из видео.
- **Контекст 1 048 576 токенов** (округлённо 1M). Длинная запись и инструкция целиком помещаются в один запрос, а расшифровку сразу можно попросить структурировать.
- **Reasoning.** Та же модель в том же запросе способна не просто расшифровать, но и сразу выделить ключевые мысли, потому что понимает смысл сказанного, а не только слова.

Цена по каталогу: **$2 / $12 за 1М токенов (вход / выход) — это 140 / 860 ₽**. Аудио на входе тарифицируется в токенах, как и текст: примерно 32 токена на секунду звука (ориентир Google; точный расход зависит от записи). Час разговора — это порядка 115 тысяч входных токенов, то есть около 16 ₽ за вход на расшифровку часовой встречи. Подробный разбор флагмана — в материале про [Gemini 3.1 Pro API в России](/api/gemini), а как вообще получить доступ к Gemini из РФ — в гайде [Gemini в России](/blog/gemini-v-rossii).

### Чего в каталоге нет: специализированные STT-сервисы

Честно обозначим границу. Помимо мультимодальных LLM, существует отдельный класс инструментов — узкоспециализированные сервисы распознавания речи (например, модели семейства Whisper и подобные STT-движки). Они заточены строго под одну задачу — превратить звук в текст — и на больших объёмах однотипных записей могут быть дешевле и быстрее, чем гонять аудио через большую LLM. Многие из них дают точные тайм-коды по каждому слову и аккуратную диаризацию (разметку «кто говорит»).

**В нашем каталоге на 2026-05-29 выделенного speech-to-text сервиса нет** — мы не предлагаем отдельный Whisper-endpoint и не выставляем на него цену. Поэтому если ваш сценарий — это поток из тысяч часов записей с требованием к посекундным тайм-кодам, имеет смысл смотреть и в сторону специализированного STT. А вот связка «Gemini принимает аудио и расшифровывает → текстовая LLM приводит расшифровку в порядок и делает саммари» закрывается через наш API целиком и для большинства задач (встречи, интервью, подкасты) её достаточно.

![Сравнительная схема двух подходов к распознаванию речи: слева карточка «Gemini 3.1 Pro — аудио на вход, 140/860 ₽, расшифровка плюс смысл в одном запросе», справа карточка «Специализированный STT — узкая задача, тайм-коды, диаризация; в каталоге provod.ai нет»](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-255.webp)

## Как сделать расшифровку по API: аудио в текст

Главное удобство — всё работает через один OpenAI-совместимый endpoint. Если у вас уже есть код на официальном SDK OpenAI, меняется только `base_url` и идентификатор модели. Endpoint provod.ai: `https://api.provod.ai/v1`.

Аудио передаётся в запрос как часть мультимодального сообщения: файл кодируется в base64 и кладётся в `content` рядом с текстовой инструкцией. Ниже — расшифровка локального аудиофайла через Gemini 3.1 Pro на Python.

```python
import base64
from openai import OpenAI

client = OpenAI(
 api_key="prm-xxxxxxxxxxxx",
 base_url="https://api.provod.ai/v1",
)

with open("meeting.mp3", "rb") as f:
 audio_b64 = base64.b64encode(f.read).decode("utf-8")

system = (
 "Ты расшифровщик. Точно перенеси речь в текст на русском языке. "
 "Расставь пунктуацию и абзацы. Реплики разных говорящих оформляй "
 "с новой строки. Не добавляй ничего от себя, не пересказывай."
)

response = client.chat.completions.create(
 model="google/gemini-3.1-pro-preview",
 messages=[
 {"role": "system", "content": system},
 {
 "role": "user",
 "content": [
 {"type": "text", "text": "Расшифруй эту запись."},
 {
 "type": "input_audio",
 "input_audio": {"data": audio_b64, "format": "mp3"},
 },
 ],
 },
 ],
 temperature=0.2,
)

print(response.choices[0].message.content)
```

Практические детали именно для расшифровки:

- **`temperature` 0.0-0.2.** Транскрибация — задача с «правильным» ответом. Низкая температура снижает риск, что модель начнёт перефразировать вместо точного переноса речи.
- **Инструкция «не добавляй от себя».** Без неё модель иногда подытоживает или дополняет — лишнее, когда нужна дословная расшифровка.
- **Формат файла.** Указывайте реальный формат записи (`mp3`, `wav`, `m4a` и т. п.). Длинные записи перед отправкой имеет смысл сжать в моно — на качество расшифровки это почти не влияет, а входной объём уменьшает.
- **Длинные записи.** Совещание на несколько часов лучше резать на куски по 20-30 минут и расшифровывать по частям — так проще обрабатывать ошибки и не упереться в лимиты одного запроса.

### Node.js / TypeScript

```javascript
import fs from "node:fs";
import OpenAI from "openai";

const client = new OpenAI({
 apiKey: process.env.PROVOD_API_KEY,
 baseURL: "https://api.provod.ai/v1",
});

const audioB64 = fs.readFileSync("interview.mp3").toString("base64");

const res = await client.chat.completions.create({
 model: "google/gemini-3.1-pro-preview",
 messages: [
 { role: "system", content: "Точно расшифруй речь на русском, с пунктуацией." },
 {
 role: "user",
 content: [
 { type: "text", text: "Расшифруй запись интервью." },
 { type: "input_audio", input_audio: { data: audioB64, format: "mp3" } },
 ],
 },
 ],
 temperature: 0.2,
});

console.log(res.choices[0].message.content);
```

Идентификатор модели берётся из каталога: `google/gemini-3.1-pro-preview`. Чтобы расшифровать видео, отдельный шаг не нужен — достаточно вытащить из ролика звуковую дорожку (например, утилитой `ffmpeg`) и отправить её тем же запросом. Картинка-кадр модели не нужна: для транскрибации работает только звук.

![Блок-схема расшифровки через API: слева прямоугольник «Ваш код: аудиофайл base64 плюс инструкция», стрелка к терракотовому блоку «provod.ai · api.provod.ai/v1», от него к блоку «Gemini 3.1 Pro (аудио на вход)», стрелка назад «текст расшифровки»](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-256.webp)

## Постобработка LLM: саммари, тезисы, протокол встречи

Сырая расшифровка — это ещё не готовый документ. Живая речь полна слов-паразитов, повторов, оборванных фраз и «воды». Здесь начинается второй шаг, и это уже чистая работа текстовой LLM: на вход идёт текст расшифровки, на выход — то, что вам реально нужно. Для постобработки звук не требуется, поэтому можно взять модель подешевле — например, GPT-5.4, Gemini 3.5 Flash или DeepSeek V4 Pro.

Что обычно делают с расшифровкой:

- **Чистка.** Убрать «эээ», «ну», «как бы», повторы и оговорки; превратить поток в читаемый текст. «Очисти расшифровку от слов-паразитов и повторов, сохрани смысл и все факты дословно».
- **Краткое содержание (саммари).** Сжать часовую встречу в абзац-два. Это одна из самых дешёвых операций: вход большой, выход короткий, платите в основном за вход.
- **Тезисы.** Маркированный список ключевых мыслей — для тех, кто на встрече не был.
- **Протокол встречи.** Структура «обсудили / решили / задачи». Самый ценный для бизнеса формат.

Пример промпта для протокола встречи из готовой расшифровки:

```python
transcript = "..." # текст расшифровки из предыдущего шага

system = """Ты ассистент, который оформляет протоколы встреч.
На входе — расшифровка совещания. Верни структурированный протокол:

Краткое содержание (3-5 предложений).Ключевые решения (маркированный список).Задачи: что, кто ответственный, срок (если назван).Открытые вопросы.
Опирайся только на текст расшифровки, ничего не выдумывай."""

response = client.chat.completions.create(
 model="openai/gpt-5.4",
 messages=[
 {"role": "system", "content": system},
 {"role": "user", "content": transcript},
 ],
 temperature=0.3,
)

print(response.choices[0].message.content)
```

Эти два шага удобно объединять в один конвейер: Gemini расшифровывает запись, результат сразу уходит в текстовую модель за протоколом. А можно сделать всё в один запрос к Gemini 3.1 Pro — попросить и расшифровать, и сразу выдать саммари с задачами, раз модель всё равно понимает смысл сказанного. Для коротких записей это удобно; для длинных совещаний разбивка на два шага надёжнее и обычно дешевле, потому что постобработку делает модель дешевле флагмана. Тот же приём двухуровневой обработки разбираем в гайде по [генерации текста нейросетью](/blog/neyroset-dlya-generacii-teksta), а если запись на иностранном языке — её можно сразу [перевести нейросетью](/blog/neyroset-dlya-perevoda) на том же API.

## Цена транскрибации в рублях

Считаем по нашему каталогу. Цены — вербатим, 1-в-1 с провайдером по курсу ЦБ 71.668 ₽/$, вход/выход за 1 млн токенов.

| Модель | Роль в расшифровке | Вход, ₽ | Выход, ₽ | Аудио на входе |
|---|---|---|---|---|
| Gemini 3.1 Pro Preview | распознавание речи (аудио в текст) | 140 | 860 | да |
| GPT-5.4 | постобработка: протокол, чистка | 170 | 1070 | нет |
| Gemini 3.5 Flash | дешёвая постобработка | — | — | нет |
| DeepSeek V4 Pro | массовая постобработка, саммари | 30 | 60 | нет |

Несколько уточнений к таблице:

- **Распознавание делает только Gemini 3.1 Pro** — у остальных моделей в каталоге аудио нет во входных модальностях. Постобработку текста может делать любая из них.
- **Аудио тарифицируется в токенах.** Ориентир Google — около 32 токенов на секунду звука. То есть минута записи — примерно 1 900 входных токенов, час — около 115 тысяч.
- **Сервисная комиссия 5%** берётся отдельно — только при пополнении баланса, не от токенов. На сам объём расшифровки наценки нет; 5% — это плата за работу сервиса, эквайринг и поддержку, разовая при пополнении.
- Все цифры — из каталога на дату публикации; актуальные значения всегда на странице тарифов.

Грубый расчёт для интуиции. Часовая встреча — это около 115K входных токенов аудио и, скажем, 12K токенов текстовой расшифровки на выходе. На Gemini 3.1 Pro расшифровка обойдётся примерно в 16 ₽ за вход и около 10 ₽ за выход — порядка **25-30 ₽ за час записи**. Постобработка готовой расшифровки в протокол на дешёвой модели вроде DeepSeek — это ещё единицы рублей. Итого расшифровка часового совещания с готовым протоколом — в районе **30-40 ₽**. Для сравнения: ручная расшифровка часа записи у фрилансера — это обычно несколько сотен, а то и тысяч рублей и день ожидания.

![Горизонтальная столбчатая диаграмма «Сколько стоит расшифровать 1 час записи»: столбец «Gemini 3.1 Pro расшифровка — около 26 ₽» (терракотовый), столбец «плюс протокол на DeepSeek — единицы рублей», выноска «итого ~30-40 ₽ за час», заголовок и подписи на русском](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-257.webp)

## Сценарии: где расшифровка аудио в текст окупается

### Совещания и созвоны

Самый частый сценарий. Запись звонка в Zoom, Telegram или на диктофон отправляется в Gemini, на выходе — расшифровка, а затем протокол с решениями и задачами. Команде не нужно держать отдельного секретаря, а участники, которые пропустили встречу, читают выжимку за минуту вместо часа аудио. Ключевое требование — структура «решили / задачи», поэтому постобработку стоит настроить под формат протокола вашей компании.

### Подкасты и видео

Расшифровка эпизода нужна для субтитров, текстовой версии на сайте (это ещё и плюс к SEO — поисковики индексируют текст, а не звук) и нарезки цитат для соцсетей. Дорожку из видео достаём через `ffmpeg`, отправляем в Gemini, получаем текст, а затем просим LLM выделить самые «цитатные» куски и заголовки для клипов. Часовой подкаст превращается в готовый к публикации текст за минуты.

### Интервью и исследования

Глубинные интервью, опросы пользователей, экспертные беседы. Здесь расшифровка — только начало: дальше LLM помогает свести десяток интервью в общие выводы, найти повторяющиеся темы и боли. Для дословной расшифровки берут Gemini с низкой температурой, для анализа массива — модель с длинным контекстом, чтобы все интервью поместились в один запрос.

### Колл-центр и поддержка

Записи разговоров с клиентами расшифровываются и анализируются на тон, причины обращений, частые проблемы. На потоке тысяч звонков в день имеет смысл оценить и специализированный STT (которого у нас в каталоге нет), но связка «Gemini расшифровывает выборку → LLM классифицирует обращения и считает статистику» работает через наш API и хорошо подходит для аналитики качества и обучения операторов.

![Сравнительная схема двух подходов к распознаванию речи: слева карточка «Gemini 3.1 Pro — аудио на вход, 140/860 ₽, расшифровка плюс смысл в одном запросе», справа карточка «Специализированный STT — узкая задача, тайм-коды, диаризация; в каталоге provod.ai нет»](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-255.webp)

## Оплата расшифровки на юрлицо в рублях

Если транскрибация нужна команде или компании, важен не только сам API, но и то, как за него платить. Прямая оплата Google из России для юрлица упирается в две проблемы: сервис не работает с российскими картами и реквизитами, а платёж за рубеж без правильно оформленных документов сложно принять к учёту.

Через provod.ai расшифровка оплачивается на российское юрлицо — оплата в рублях по договору, полный пакет закрывающих документов. На каждое пополнение баланса выдаётся договор-оферта, счёт, акт, счёт-фактура и УПД; документооборот ведётся через ЭДО (Диадок, СБИС), и документы автоматически попадают в учётную систему. Расходы на API корректно учитываются как услуги, без серых схем с возмещением сотруднику. Цены на токены — 1-в-1 с провайдером по курсу ЦБ, сервисная комиссия 5% удерживается только при пополнении баланса. Это не обход блокировок и работает без VPN: вы делаете запрос на российский endpoint и платите рублёвой платёжкой. Подробно про документы и легальность — в посте [легально ли использовать AI API на юрлицо](/blog/legalno-li-ai-api-yurlico).

## FAQ

### Какая нейросеть умеет расшифровывать аудио в текст?

В каталоге provod.ai звук на вход принимает Gemini 3.1 Pro Preview от Google — ей можно отправить аудиозапись с инструкцией «расшифруй», и она вернёт текст. Цена 140/860 ₽ за 1 млн токенов (вход/выход), аудио тарифицируется в токенах (ориентир — около 32 токенов на секунду звука). Остальные модели каталога расшифровку из звука не делают, но годятся для постобработки готового текста расшифровки.

### Сколько стоит расшифровать час записи?

Около 25-30 ₽ за саму расшифровку часовой записи на Gemini 3.1 Pro (примерно 115K входных токенов аудио плюс текст на выходе). Если добавить постобработку в протокол на дешёвой модели вроде DeepSeek V4 Pro — это ещё единицы рублей, итого порядка 30-40 ₽ за час с готовым протоколом. Цены в рублях — 1-в-1 с провайдером по курсу ЦБ, без наценки на токены; сервисная комиссия 5% берётся только при пополнении баланса.

### Чем транскрибация нейросетью лучше обычного распознавания речи?

Узкий сервис распознавания (STT) просто переводит звук в слова. Мультимодальная LLM вроде Gemini 3.1 Pro в том же запросе понимает смысл сказанного: может сразу расставить реплики, выделить главное и подготовить выжимку. А следующим шагом любая текстовая модель оформит расшифровку в протокол с решениями и задачами. То есть на выходе вы получаете не сырой текст, а готовый рабочий документ. Минус — на огромных потоках однотипных записей специализированный STT бывает дешевле и быстрее.

### Можно ли расшифровать видео, а не только аудио?

Да. Для транскрибации нужна только звуковая дорожка, поэтому из видеоролика достаточно извлечь аудио (например, утилитой `ffmpeg`) и отправить его тем же запросом в Gemini 3.1 Pro. Картинка модели для расшифровки речи не нужна — работает только звук. Дальше с расшифровкой можно делать что угодно: субтитры, текстовую версию для сайта, нарезку цитат.

### Как сделать саммари или протокол встречи из расшифровки?

Это второй шаг — постобработка текстовой LLM. Готовую расшифровку отправляете в модель (подойдёт GPT-5.4, Gemini 3.5 Flash или DeepSeek) с инструкцией: «верни краткое содержание, ключевые решения, задачи с ответственными и сроками, открытые вопросы; опирайся только на текст». Звук на этом шаге не нужен, поэтому можно брать модель подешевле. Пример промпта приведён выше в разделе про постобработку.

### Можно ли оплатить транскрибацию от юрлица с документами?

Да. Оплата идёт на российское юрлицо в рублях — российское юр.лицо, на каждое пополнение баланса выдаётся полный пакет закрывающих документов (договор-оферта, счёт, акт, счёт-фактура, УПД) через ЭДО — Диадок или СБИС. Расходы на API-расшифровку корректно принимаются к учёту как услуги, без VPN и зарубежных карт.

Если нужно собрать конвейер расшифровки под ваш сценарий — встречи, подкасты, интервью или анализ звонков — напишите команде provod.ai в Telegram. Подскажем, как настроить связку «аудио в текст плюс саммари» и посчитаем стоимость под ваш объём записей.

{/\* pillar-backlink:auto \*/}

> 📚 **Главный гайд по теме:** [Нейросеть для бизнеса: 18 задач и какие модели брать](/blog/neyroset-dlya-biznesa/) — связанные материалы и обзор всей категории.

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).