Обзор технологий Yandex SpeechKit

Голосовые технологии Yandex SpeechKit помогают решить любую задачу, связанную с речью человека. SpeechKit может распознавать речь в режиме реального времени и из предварительно записанных аудиофайлов, автоматически определяя язык говорящего, а также озвучивать шаблонные фразы и развернутые тексты при помощи стандартных голосов SpeechKit.

SpeechKit работает через интерфейсы API. В зависимости от задачи вам доступны интерфейсы gRPC или REST. Подробнее о реализации API в Yandex Cloud см. Концепции API Yandex Cloud.

В таблице собраны самые распространенные сценарии использования SpeechKit, чтобы вы могли выбрать нужные технологии и настроить их для своих задач.

Описание	Рекомендуемые технологии	Возможности и настройки
Голосовой робот
Полная или частичная автоматизация телефонных коммуникаций с клиентами.	Для ввода запроса пользователем: потоковое распознавание. Для ответа системы: синтез с использованием стандартных голосов и голосов Brand Voice, созданных специально для вас.	Возможность получить промежуточные и финальные результаты распознавания Управление произношением при помощи разметки синтезируемого текста Синтез речи по шаблонам
Речевая аналитика Контроль качества работы операторов
Расшифровка и последующий анализ аудиозаписей диалогов клиентов с операторами или роботами.	Для распознавания предзаписанных аудиофайлов: асинхронное распознавание аудиофайлов.	Метки времени начала и конца слова в результатах распознавания Нормализация результатов распознавания Отложенный режим асинхронного распознавания аудиофайлов Квоты и лимиты в SpeechKit
Голосовое управление приложением и умными устройствами Голосовой ассистент
Пользователь запрашивает действие или поиск голосом, сервис отвечает действием с голосовым комментарием или картинкой.	Для ввода запроса пользователем: потоковое распознавание. Для ответа системы: синтез с использованием стандартных голосов и голосов Brand Voice.	Возможность получить промежуточные и финальные результаты распознавания Управление произношением при помощи разметки синтезируемого текста Нормализация результатов распознавания
Адаптация сервиса для людей с нарушениями зрения
Голосовое управление, голосовые подсказки и комментарии для людей с нарушениями зрения.	Для ввода запроса пользователем: потоковое распознавание. Для ответа системы: синтез с использованием стандартных голосов и голосов Brand Voice.	Возможность получить промежуточные и финальные результаты распознавания Управление произношением при помощи разметки синтезируемого текста
Распознавание аудиозаписей встреч
Расшифровка аудиозаписей после окончания встречи.	Для распознавания предзаписанных аудиофайлов: асинхронное распознавание аудиофайлов.	Отложенный режим асинхронного распознавания аудиофайлов Квоты и лимиты в SpeechKit Метки времени начала и конца слова в результатах распознавания Нормализация результатов распознавания
Озвучивание книг и видео
Озвучивание книг и видео без привлечения живых дикторов.	Синтез речи с использованием стандартных голосов и голосов Brand Voice.	Управление произношением при помощи разметки синтезируемого текста Квоты и лимиты в SpeechKit
Ведение протоколов совещаний
Расшифровка совещаний в режиме реального времени	Для распознавания речи участников: потоковое распознавание.	Возможность получить промежуточные и финальные результаты распознавания Нормализация результатов распознавания
Субтитры к видео
Создание субтитров к записанным видео.	Для распознавания аудиодорожки: асинхронное распознавание аудиофайлов.	Отложенный режим асинхронного распознавания аудиофайлов Метки времени начала и конца слова в результатах распознавания Нормализация результатов распознавания Квоты и лимиты в SpeechKit
Субтитры к трансляции
Расшифровка трансляции в режиме реального времени.	Для распознавания речи в трансляции: потоковое распознавание.	Возможность получить промежуточные и финальные результаты распознавания Нормализация результатов распознавания
Расшифровка голосовых сообщений
Перевод в текстовый вид коротких сообщений в мессенджерах.	Для распознавания аудио: синхронное распознавание файлов.	Настройки результатов распознавания.