API распознавания речи

Один API для транскрипции, перевода, субтитров и анализа

Большинство API распознавания речи отдают голый текст, а API Sonix возвращает транскрипт, который уже структурирован под то, что вы будете строить дальше.

Каждая возможность ниже доступна через документированный эндпоинт, так что полученный транскрипт можно превратить в субтитры, перевод, смонтированный аудиофрагмент или резюме, не выходя за пределы API.

Пакетная транскрипция

Отправьте файл методом POST на /v1/media или передайте file_url для всего, что больше 100MB, и Sonix транскрибирует его асинхронно. Укажите язык, добавьте keywords, чтобы распознавание точнее справлялось с именами и профессиональной лексикой, прикрепите custom_data со своими идентификаторами и задайте callback_url, чтобы Sonix сообщил вашему серверу, как только задача завершится или упадёт с ошибкой. Для записей, где каждый спикер записан на отдельный канал, есть многодорожечный эндпоинт с определением спикеров по каналам.

Перевод

Когда транскрипт готов, отправьте POST-запрос с кодом целевого языка на его эндпоинт переводов, и Sonix вернёт переведённый транскрипт на любом из 54+ языков. Эндпоинты транскриптов принимают параметр language, поэтому испанский SRT-файл английского интервью после завершения перевода получается одним GET-запросом.

Субтитры

Эндпоинты SRT и VTT возвращают файлы субтитров с полноценными настройками отображения: max_characters и max_duration ограничивают каждый субтитр, subtitle_lines задаёт одну или две строки, а speaker_display определяет, как показываются имена спикеров. Эндпоинт split перестраивает весь транскрипт в субтитры с ограничением скорости чтения max_cps, а эндпоинт вшивания накладывает субтитры прямо на видео с выбранными вами шрифтом, размером, цветом и соотношением сторон, включая 9:16 и 1:1 для соцсетей.

Экспорт и структурированные данные

Получайте любой транскрипт в JSON с временем начала и конца каждого слова и метками спикеров, обычным текстом, документом Word или PDF, готовым к отправке, в SRT или VTT, а также файлом Avid DS для видеомонтажёров. Эндпоинт экспорта медиа идёт ещё дальше: он нарезает само аудио или видео до ваших фрагментов или вырезает всё, что вы зачеркнули, в форматах MP3, WAV или MP4.

ИИ-анализ

Эндпоинт summarization анализирует готовый транскрипт: резюме с заданным вами числом предложений, главы, тональность, тематический анализ, извлечение сущностей или ваш собственный промпт, например «Напишите 5 рекламных твитов для этого подкаста».

Колбэки и вебхуки

Опрашивать сервер в цикле не нужно. Задачи транскрипции и summarization принимают callback_url, и Sonix отправляет на него POST-запрос со статусом задачи, когда работа завершена или завершилась ошибкой. Командам, которые автоматизируют процессы в больших масштабах, тарифы Pro и Enterprise добавляют вебхуки событий: подпишитесь на завершение транскрипции, завершение перевода, изменения меток и папок и применение редактирования конфиденциальных данных. Каждое событие подписано HMAC-SHA256 в заголовке X-Webhook-Signature, чтобы ваш сервер мог убедиться, что полезная нагрузка пришла именно от Sonix.

Потоковое распознавание

Для живых субтитров и распознавания речи с низкой задержкой у Sonix есть потоковый API на WebSocket. Он в раннем доступе для корпоративных команд; запросить доступ можно на странице транскрипции в реальном времени. Пакетная транскрипция уже сегодня полностью задокументирована и доступна без участия менеджера.

От аудиофайла до транскрипта за три вызова API

Авторизуйтесь с Bearer-токеном на https://api.sonix.ai/v1, отправьте файл, затем получите транскрипт в нужном формате.

Отправьте файл

Передайте медиафайл как multipart form data с указанием языка, названия и, при желании, keywords и custom_data:

curl -XPOST https://api.sonix.ai/v1/media -H "Authorization: Bearer <API Key>"  \
    -F file=@my_audio.mp3 \
    -F language=en \
    -F name='Podcast Episode 45' \
    -F keywords='Sonix, Bergamasco, Kairos, Chewbacca' \
    -F custom_data='{"internal_id": "123412", "customer_email": "[email protected]"}'

Проверьте статус или дождитесь колбэка

Опрашивайте объект media, пока его статус не станет completed, или пропустите этот шаг и дождитесь вызова на ваш callback_url:

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5 -H "Authorization: Bearer <API Key>"

Получите транскрипт с тайм-кодами

Запросите транскрипт в JSON или замените расширение на .srt, .vtt или обычный текст:

curl -XGET https://api.sonix.ai/v1/media/qmnY1nD5/transcript.json -H "Authorization: Bearer <API Key>"

Запись на нескольких языках? Укажите language=multi и перечислите ожидаемые языки в language_hints. Полный справочник параметров, тела ответов и коды ошибок вы найдёте в документации API.

Создать или купить: API транскрипции или Whisper на своих серверах

Open-source модели распознавания речи сделали собственную транскрипцию реальным вариантом, и для некоторых команд он правильный. Но для большинства сама модель составляет наименьшую часть работы.

Сколько на самом деле стоит своя модель

Скачать модель можно бесплатно, а вот продакшн бесплатным не бывает. Своё развёртывание означает мощности GPU, которые простаивают между задачами или не выдерживают пиков, очередь с повторами и обработкой сбоев, защищённое хранилище для аудио и мониторинг всего этого. Это постоянный инфраструктурный проект с дежурствами. С API транскрипции вы платите по ставке только за реально обработанное аудио, а вся интеграция сводится к трём вызовам выше.

Что придётся построить вокруг модели

Голая модель распознавания речи возвращает текст, а продуктам нужно больше. Метки спикеров, разбивка субтитров на строки с ограничением скорости чтения, перевод, вшитые субтитры, экспорт медиа и резюме: всё это отдельные системы, которые нужно создать и поддерживать вокруг модели. API Sonix отдаёт всё это через один документированный интерфейс.

Точность и поддержка языков

Своя модель так и остаётся на том чекпойнте, который вы развернули, а каждое обновление становится миграцией, которую вы проводите сами и заново тестируете на своём аудио. Sonix сам поддерживает модели за API, обеспечивает точность 99% на чистом звуке на 54+ языках, обрабатывает файлы со смешанными языками одним запросом и принимает keywords в каждом запросе, чтобы вы могли направить распознавание на имена и профессиональную лексику без всякого обучения.

Соответствие требованиям входит в продукт

Если аудио клиентов проходит через ваш конвейер, то через него проходят и ваши аудиторы. Sonix сертифицирован по SOC 2 Type II, соответствует HIPAA с подписанным BAA и GDPR с DPA и SCC. Данные шифруются TLS при передаче и AES-256 при хранении и никогда не используются для обучения моделей. Подробности на странице о безопасности.

Когда своя модель оправдана

Собственное развёртывание выигрывает, когда договор запрещает аудио покидать вашу инфраструктуру, когда вы работаете в изолированных средах без доступа к сети или когда ML-команда профессионально дорабатывает модели, а стабильный объём держит выделенные GPU загруженными. Если это не про вас, API быстрее доведёт вас до продакшна, а бесплатный пробный период покажет разницу на вашем собственном аудио ещё до того, как вы примете решение.

Четыре типа решений на основе API Sonix

Большинство интеграций следуют одному из четырёх сценариев, и каждый работает на описанных выше документированных эндпоинтах.

Медиа и контент-конвейеры

Встройте транскрипцию в свою CMS или видеоконвейер, чтобы каждая загрузка получала транскрипт с поиском и субтитры SRT или VTT, на языке оригинала и в переводе. Медиакоманды так делают целые архивы доступными для поиска и для людей с нарушениями слуха без ручного создания субтитров.

Платформы для встреч и звонков

Транскрибируйте записанные встречи и звонки с метками спикеров, затем запускайте для каждого резюме, разбивку на главы и анализ тональности. Когда каждый спикер записан на отдельный канал, многодорожечный эндпоинт точно отделяет оператора от клиента, а именно это нужно для контроля качества и проверок соответствия.

Инструменты для исследований

Отправляйте интервью и фокус-группы по мере поступления, получайте транскрипты с метками спикеров и тайм-кодами и запускайте для каждого нужный анализ. Благодаря тайм-кодам каждую цитату можно отследить до нужного момента в исходной записи.

Цифровая доступность

Создавайте субтитры с учётом реальных ограничений по числу символов, длительности и скорости чтения, вшивайте их в видео для платформ без поддержки субтитров и переводите для зарубежной аудитории. Медицинские и государственные организации запускают такие процессы на инфраструктуре Sonix с SOC 2 Type II и соответствием HIPAA.

Без кода: MCP-сервер, CLI и Zapier

Не каждая интеграция требует писать приложение, поэтому у Sonix есть MCP-сервер для ИИ-ассистентов, утилита командной строки и приложение для Zapier.

MCP-сервер Sonix по адресу https://api.sonix.ai/mcp позволяет MCP-совместимым ассистентам, таким как Claude, ChatGPT, Cursor и Codex, просматривать вашу медиатеку, подтягивать транскрипты в диалог и создавать экспорт от вашего имени. Доступ только на чтение, а вход выполняется через OAuth 2.1 в браузере: подтвердите подключение один раз, и вставлять API-ключ не придётся.

Для скриптов официальный Sonix CLI (npm install -g @sonix-ai/cli) превращает REST API в команды терминала: --wait опрашивает задачу до завершения, --json отдаёт вывод для передачи в другие инструменты, а --format выбирает txt, SRT, VTT, JSON или Avid DS. Он рассчитан и на ИИ-агентов для программирования: sonix agent-context одним вызовом выводит весь набор команд в JSON. Настройка описана в документации CLI.

Хотите обойтись совсем без кода? Sonix в Zapier подключает Sonix к тысячам приложений, а на странице интеграций перечислены все встроенные подключения.

Цены на API такие же, как в веб-приложении

Отдельного прайса для API нет: работа через API расходует те же часы, что и загрузки через веб-интерфейс, и оплачивается по объёму обработанного аудио с точностью до секунды.

Доступ к API включён в тарифы Core, Advanced, Pro и Enterprise. Core стоит $25 в месяц и включает 5 часов транскрипции и перевода, а дополнительные часы на любом тарифе стоят $10 за час. Тарифы Pro и Enterprise добавляют вебхуки событий, чтобы ваши системы реагировали, как только транскрипт готов. Сравнить все тарифы можно на странице с ценами.

Безопасность для аудио в регулируемых отраслях

API работает на той же инфраструктуре, которая обеспечивает Sonix соответствие SOC 2 Type II, HIPAA и GDPR.

Данные шифруются TLS при передаче и AES-256 при хранении, новый API-ключ можно сгенерировать в аккаунте в любой момент, а аудио и транскрипты клиентов никогда не используются для обучения моделей. Сертификаты и соглашения собраны на странице о безопасности.