SaluteSpeech

SaluteSpeech — нейросеть для распознавания и синтеза речи, созданная Сбером. Технология преобразует аудио в текст и текст в аудио, упрощая автоматизацию коммуникаций. SaluteSpeech Bot в Телеграм позволяет голосовые сообщения, видеосообщения и аудиофайлы на другие языки.

На чем основан бот SaluteSpeech от Сбера

Сервис решает задачи распознавания речи, синтеза голоса и генерации текстов. Поддерживает сложные сценарии: от создания субтитров до озвучивания подкастов. Уникальные возможности включают анализ эмоций и настройку интонаций.

Нейросеть Sber SaluteSpeech home assistant поддерживает:

• Распознавание речи в реальном времени.
• Синтез текста в аудио семью голосами.
• Поддержка русского, английского, казахского языков.
• Анализ эмоций: позитив, нейтрал, негатив.
• Фильтрация фоновых шумов и обсценной лексики.
• SSML-разметка для настройки интонаций.
• Генерация текстов через GigaChat API.
• Разделение спикеров в многоголосых записях.

Технология интегрируется через API, обрабатывая 100 минут аудио или 200 000 символов бесплатно ежемесячно.

Как пользоваться SaluteSpeech

Сервис доступен через десктопное приложение для Windows и MacOS, а также через Telegram-бот и SaluteSpeech API. Интерфейс на русском упрощает работу без технических навыков. Для перевода аудио или видеоконтента потребуется:

• Скачать приложение с официального сайта.
• Зарегистрироваться в личном кабинете Studio.
• Создать проекты SaluteSpeech и GigaChat.
• Получить токены API для авторизации.
• Выбрать функцию: распознавание, синтез, генерация.
• Загрузить аудио или ввести текст.
• Настроить параметры: язык, голос, эмоции.
• Сохранить результат в нужном формате.

Freemium-тариф для физлиц: 100 минут распознавания, 200 000 символов синтеза бесплатно. Платные пакеты начинаются от 600 рублей в месяц. Распознавание: 1 копейка за секунду. Синтез: 186 рублей за миллион символов. Поддерживаемые языки: русский, английский, казахский.

Особенности

• обработка аудио любых форматов: MP3, WAV, FLAC, OggOpus;
• семь голосов для синтеза;
• точность распознавания — WER 0.26;
• интеграция через HTTP и gRPC;
• SSML-теги: ударение, пауза, эмоции;
• Telegram-бот для чатов;
• генерация текстов с GigaChat;
• анализ эмоций в речи.