Как мы мерили
Мы взяли открытые записи на русском: аудиокнигу «Детство» Толстого из LibriVox и беседу из 34 реплик разных мужских и женских голосов. Для каждой записи есть точный эталонный текст. Затем на эти же записи наложили помехи: пропустили звук через телефонные кодеки и подмешали шум разной громкости.
Каждую запись расшифровала наша модель, а мы сравнили результат с эталоном слово за словом. Считали долю слов с ошибкой: слово заменено, пропущено или лишнее. Это стандартная мера, по-английски её называют WER. Чем меньше процент, тем лучше.
Замер сделан 20–21 октября 2026 года на той же модели и том же сервере, которые расшифровывают ваши записи.
Результаты
| Запись | Ошибок, % слов |
|---|---|
| Чистое чтение, «Детство» | 6,5 |
| Беседа, 34 реплики, мужские и женские голоса | 5,8 |
| Беседа с перебиваниями | 6,9 |
| Городская линия, IP-телефония | 6,3 |
| Мобильная связь, хороший приём | 6,3 |
| Мобильная связь, плохой приём | 8,3 |
| Ровный шум (вентилятор, улица) тише речи на 10 дБ | 8,8 |
| Ровный шум тише речи на 5 дБ | 11,0 |
| Гомон чужих голосов (кафе, офис) тише речи на 10 дБ | 9,1 |
| Гомон чужих голосов тише речи на 5 дБ | 11,7 |
| Ровный шум громкостью с речь | 30,4 |
| Длинная запись, 26 минут | 7,1 |
Что это значит на практике
6–7 % — это примерно одно неверное слово из пятнадцати. Текст читается без усилий, смысл не теряется. Ошибки чаще всего в именах, фамилиях, редких терминах и окончаниях. Часть «ошибок» — расхождения в написании: например, «7:00» вместо «семь часов». Модель сама ставит пунктуацию и пишет числа цифрами.
Телефон почти не мешает. Сжатый звук мобильной связи при нормальном приёме распознаётся так же, как чистый. Подробнее — на странице расшифровки звонков.
Умеренный шум добавляет 2–5 пунктов. Кафе на фоне или улица за окном — текст останется рабочим.
Громкий шум — слабое место. Если шум звучит так же громко, как голос, ошибок почти треть, и такой текст плохо читается. Не платите за такую запись вслепую: бесплатные 30 секунд это покажут.
Длина не важна. На 26 минутах ошибок столько же, сколько на 12.
Кто что сказал
Отдельно мы проверили подписи говорящих на склейках разговоров двух, трёх и четырёх человек. Число собеседников модель определила верно во всех разговорах без перебиваний, а у верного говорящего оказалось от 98 до 99,8 % слов.
Честная оговорка: в этих записях голоса записаны в разных комнатах на разные микрофоны, и различать их легче. Живой разговор нескольких людей за одним столом мы пока не мерили, поэтому процент для него не обещаем. Разметка говорящих включена в каждый заказ.
Чего этот замер не доказывает
- Записи открытые и чистые по содержанию: без жаргона, без узких терминов. На лекции по медицине или совещании с аббревиатурами ошибок может быть больше.
- Помехи наложены искусственно. Реальная комната с эхом может звучать хуже.
- Мы мерили только русский язык.
Поэтому главное доказательство — ваша собственная запись. Загрузите её и посмотрите на первые 30 секунд бесплатно. Сколько стоит полный текст — на странице цены.
Вопросы
Почему у других сервисов точность 95–99 %, а у вас 6,5 % ошибок?
Мы показываем свой замер с методикой. 6,5 % ошибок — это 93,5 % верных слов на чистом чтении, и эта цифра зависит от записи. Обещать одну цифру для любого звука было бы неправдой.
Расшифровку делает человек или программа?
Программа — модель распознавания речи, которая работает на нашем сервере. Люди записи не слушают. Подробнее — на странице о хранении данных.
Как получить текст точнее?
Записывайте ближе к говорящему и без ровного шума рядом, например вентилятора. На странице оплаты укажите, сколько человек говорит, если знаете точно, — так разметка реже путает собеседников при перебиваниях.
Расшифровываете ли вы английскую речь?
Сейчас только русскую. На других языках текст выйдет с ошибками.