Синтез речи в Yandex SpeechKit позволяет озвучить любой текст на нескольких языках.

Введите текст, укажите голос и амплуа и нажмите кнопку Отправить. Результат синтеза можно Прослушать или Скачать.

Текст
0/5000
TTS-разметка текста?TTS-разметка дает возможность управлять синтезом речи при помощи специальных символов и SIL-тегов. Это позволяет сделать синтезированную речь более естественной.
Язык, голос и амплуа?Вы можете выбрать язык и голос, который будет озвучивать ваш текст. Каждый голос соответствует модели, обученной на речи диктора. Амплуа — это характер произношения для одного и того же диктора. Для разных голосов доступны разные наборы амплуа.
Формат файла и нормализация?Вы можете выбрать формат аудиофайла из списка поддерживаемых: MP3, OGG, LPCM (WAV). Также можно выбрать тип нормализации громкости LUFS или пиковая нормализация MAX_PEAK. Параметры нормализации могут потребоваться, если синтез SpeechKit используется с другими источниками звука.
Характеристики синтезируемой речи?Вы можете ускорить или замедлить синтезируемую речь, изменить уровень нормализации (или громкости) и изменить тембр.

Распознавание речи (speech-to-text — STT) — это процесс преобразования речи в текст.

Загрузите аудиофайл и нажмите Отправить.

Загрузка аудиофайла?SpeechKit позволяет распознавать и синтезировать аудио в форматах: LPCM, OggOpus, MP3
или выберите пример:
Язык?Сервис SpeechKit в ходе распознавания речи автоматически определяет язык в каждом отдельном предложении. Также язык можно указать вручную.
Определение дикторов?SpeechKit в результатах распознавания может указывать, какому из дикторов принадлежит каждая распознанная фраза. Определение дикторов работает для распознавания в режиме FULL_DATA только для монозаписей. В результатах распознавания может быть не больше двух дикторов.
Промпт модели?SpeechKit позволяет не только распознавать аудио, но и обрабатывать результаты распознавания с помощью больших генеративных моделей. Таким образом можно автоматизировать обработку результатов распознавания речи, например, сразу же получить краткий пересказ распознанного аудио, на основе аудио заполнить определенные поля в CRM-системе или перевести диалог на английский язык.
Диалог?SpeechKit в результатах распознавания может указывать, какому из дикторов принадлежит каждая распознанная фраза.
Результат обработки LLM?Результат обработки зависит от промпта. В промпте можно запросить необходимую схему, которой должен соответствовать ответ модели.
Ответ в формате JSON

Потоковый режим позволяет одновременно отправлять аудио на распознавание и получать результаты распознавания в рамках одного соединения.

Нажмите Начать запись и говорите в микрофон, чтобы начать потоковое распознавание.

Промпт модели?Промпт для обработки результатов распознавания с помощью LLM. Результат суммаризации будет получен после остановки записи.
Язык?Выберите язык для потокового распознавания
Классификаторы аудио?Классификаторы могут применяться к промежуточным и окончательным результатам распознавания. Поддерживается только для русского языка.
Определение конца фразы?В процессе потокового распознавания сервер SpeechKit возвращает не всю фразу целиком, а результаты распознавания частей фразы. SpeechKit возвращает законченную фразу только после определения конца фразы. Управляя ожидаемой длительностью пауз между словами в рамках одной фразы (в миллисекундах) – мы можем влиять на определение конца фразы.
500 мс
Результаты распознавания?В потоковом режиме вы можете получать промежуточные результаты распознавания, когда говорящий еще не закончил фразу. После паузы SpeechKit вернет финальные результаты и начнет распознавание новой фразы.
Результат обработки LLM?Результат суммаризации потокового распознавания. Данные поступают после завершения записи.