Как улучшить распознавание речи

Обновлено 8 сентября 2025

Акустические модели

В зависимости от частоты дискретизации звука загруженного аудио при распознавании будет использоваться одна из акустических моделей:

• general – общая модель, для звука больше 8 кГц.
• callcenter – модель, предназначенная для телефонии. Частота – 8 кГц.

Чтобы самостоятельно выбрать модель, укажите ее в параметре model при отправке аудио на распознавание.

Разделение спикеров

Если на аудиозаписи присутствуют голоса двух и более человек, вы можете активировать функцию разделения спикеров.

Доступно только для модели general.

Для правильной интерпретации результатов диагностики речи важно учитывать значение поля speaker_id, которое определяет принадлежность реплики определенному участнику разговора:

• Общий результат для обоих спикеров - ответ для оригинальной сессии (как без включенной диаризации) — "speaker_id": -1.
• Результат для первого спикера — "speaker_id": 1. 
• Результат для второго спикера — "speaker_id": 0.
• Результат для N спикера — "speaker_id": N.

Результат, пришедший последним, имеет признак "is_final": true.

Описание параметров и примеры смотрите в разделах Потоковое распознавание (gRPC) и Асинхронное распознавание (HTTP и gRPC).

Хинты

Распознавание речи можно сильно улучшить использованием хинтов.

Хинты — это одноразовые подсказки для сервиса распознавания речи, помогающие правильно понять речь пользователя в определенный момент времени. Например, когда приложение ожидает от пользователя конкретный ответ, этот ответ заранее придет в сервис в виде хинтов.

Подсказка работает только для следующего ответа пользователя. После использования хинтов процесс распознавания речи пользователя возвращается к ее обработке без подсказок.

Подробнее об использовании хинтов вы можете прочитать в статье Хинты.

Добавить хинты вы можете при потоковом и асинхронном распознавании.

Возможность распознавания разных языков

Возможности распознавания разных языков зависят от способа интеграции, как показано в таблице ниже:

Cпособ интеграции	Доступные языки	Пример передачи параметра
ASR HTTP async ASR HTTP sync	ru-RU (русский) en-US (английский) kk-KZ (казахский) ky-KG (киргизский) uz-UZ (узбекский)	"language":"en-US"
ASR gRPC v2 (потоковое ASR 2х каналов) ASR gRPC v1 async	ru-RU (русский) en-US (английский) kk-KZ (казахский) ky-KG (киргизский) uz-UZ (узбекский)	--language en-US

Если что-то пошло не так

• Выбирайте акустическую модель, которая подходит для вашего аудио. Например, для распознавания телефонных разговоров используйте callcenter, а general лучше всего распознает запросы к виртуальному ассистенту.
• Убедитесь, что в запросе верно указана кодировка аудиофайла.
• Если при асинхронном распознавании пришел пустой ответ, проверьте, что вы корректно загрузили файл для распознавания. Если вы загружаете файл с компьютера, добавьте в запрос @:

@./audio.pcm

• Если вы получили ошибку 8 ResourceExhausted при распознавании через gRPC или 429 Too Many Requests при распознавании через HTTP, значит вы превысили лимит запросов. Напишите нам на SaluteSpeech@sberbank.ru для увеличения лимита.
• Если вы получили много ошибок в результатах распознавания, пожалуйста, напишите нам на SaluteSpeech@sberbank.ru. В письме укажите свой ClientID, приложите аудиофайл, результаты распознавания, текст запроса и request-id. Также уточните в письме тип ошибок:
  • Удаления — многие слова не распознаны.
  • Замены — многие слова распознаны неверно.
  • Вставки — в результатах распознавания много лишних слов, которых не было в аудио.