3i VoxKit
3i VoxKit: распознавание и синтез речи, голосовая биометрия, REST и gRPC. Обзор языков, интеграции, размещения, условий доступа и альтернатив для бизнеса.
3i VoxKit — платформа 3iTech для распознавания и синтеза речи, голосовой идентификации и интеграции этих функций в приложения через API. Доступны облачный, локальный и гибридный варианты.
Что такое 3i VoxKit и кому он нужен
3i VoxKit предоставляет речевые технологии разработчикам приложений, интеграторам и компаниям, которые создают собственные голосовые сервисы. Распознавание ASR превращает аудио в текст, синтез TTS озвучивает текст, голосовая биометрия помогает сопоставлять голос с моделью диктора. На этой основе можно построить телефонного ассистента, обработку записей разговоров, подготовку субтитров или озвучивание материалов.
Это важно отличать от готового рабочего места аналитика контакт-центра. VoxKit даёт технологические компоненты и программные интерфейсы. Логику оценки звонков, отчёты для руководителя, хранение истории клиента и действия в CRM нужно проектировать в составе своего решения. Само наличие распознавания речи ещё не означает, что после подключения появятся все эти бизнес-функции.
Продукт связан с российским разработчиком 3iTech: сайт VoxKit называет ООО «ДСС Лаб» правообладателем, официальный сайт компании указывает московский офис и собственные технологии. Это не основание переносить на VoxKit весь набор возможностей других продуктов 3iTech: речевая аналитика, конструктор агентов и прочие решения компании существуют отдельно.
Распознавание речи: языки, режимы и дополнительные данные
Для ASR на сайте заявлены русский, английский, казахский, узбекский и азербайджанский языки, включая смешанную речь. Предусмотрены автоматическое определение языка, расстановка знаков препинания и разделение говорящих в одноканальной записи. В документации также описаны преобразование числительных в цифры и определение автоответчика.
Платформа работает с готовыми аудиофайлами и с поступающим аудиопотоком. Первый вариант подходит для записанных совещаний и архива звонков. Второй нужен там, где приложение должно получать результаты по мере разговора, например в телефонном помощнике. Для потока опубликован интерфейс gRPC, для обработки файлов есть REST API с созданием задачи и последующим получением результата.
| Режим | Что подтверждает документация | Что учитывать при интеграции |
|---|---|---|
| Потоковый ASR | Принимает PCM 16 bit без WAV-заголовка; возвращает текст, слова и временные отметки | Частоту входного потока нужно согласовать с моделью. В параметре мультиязычного распознавания допускается не больше двух моделей |
| Распознавание файла | Задача создаётся по идентификатору предварительно загруженного файла | Пунктуация, диаризация и анализ эмоций задаются отдельными параметрами; в описании запроса их значения по умолчанию выключены |
| REST-синтез | Принимает текст или SSML и возвращает бинарный WAV | Указываются голос, скорость, громкость, частота дискретизации; предусмотрены настройки фонового шума |
Для анализа разговора API описывает длительность речи и тишины, количество перебиваний и скорость речи. В потоковом ответе присутствуют оценка качества сигнала, сведения об автоответчике и вероятностные оценки эмоций. Это разные показатели: оценка сигнала не равна проценту верно распознанных слов, а модельная оценка эмоций не доказывает состояние человека.
У диаризации есть практическая особенность: она применяется к одноканальной записи. Для стереозаписи документация требует дополнительно включить обработку как моно. Если телефония уже записывает оператора и клиента в разные каналы, выбор режима нужно проверять на такой структуре записи, а не автоматически включать все доступные параметры.
Синтез речи, голоса и Brand Voice
TTS предназначен для озвучивания роликов, инструкций, аудиокниг, голосовых меню и реплик ассистентов. Управлять произношением можно через текстовую разметку и SSML. Разработчик заявляет работу с аббревиатурами, автоматическую постановку ударений, паузы, мультиязычные фрагменты, аудиошаблоны и предзаписанный звук.
В REST-запросе можно менять скорость и громкость, выбирать фоновый шум и его уровень. Частота дискретизации в описании этого метода по умолчанию составляет 16 000 Гц. Это значение относится к конкретному запросу, а не доказывает ограничение всех моделей и способов синтеза. Если передать одновременно обычный текст и SSML, документация указывает приоритет поля text: SSML не будет учитываться.
Публичные сведения о языках TTS расходятся. Лендинг перечисляет русский, английский и казахский. Таблица голосов в документации содержит русские, казахские и узбекские голоса, в том числе варианты v2: например, Даша, Глеб, Асель, Аманджол, Нигора и Алишер. Поэтому перед проектом стоит запросить список доступных голосов именно для своего подключения и отдельно подтвердить нужный язык. Считать оба перечня единым гарантированным набором нельзя.
Brand Voice — отдельное предложение по созданию фирменного голоса. На сайте для старта указано более 30 часов записей диктора; компания предлагает помощь с текстами, студией и звуком. Заявленные две недели после записи следует воспринимать как ориентир поставщика, который нужно закреплять в условиях конкретного проекта. Это не функция клонирования голоса из короткого образца.
Голосовая идентификация и её ограничения
VoxKit предлагает текстонезависимую биометрию: по описанию разработчика она не привязана к заранее заданной фразе или языку. В REST-справочнике есть методы для создания, получения и удаления модели диктора, а также задачи на определение диктора. Такой компонент может использоваться в процедуре узнавания клиента по голосу.
В требованиях к образцу на лендинге есть расхождение: функциональный блок говорит о создании слепка от 20 секунд, а FAQ — о 15–30 секундах естественной речи. Для идентификации и верификации отдельно указано «от 5 секунд». Эти величины нельзя превращать в универсальную гарантию: длительность и пригодность записи нужно согласовать для выбранной модели и телефонного канала.
Рекламные заявления о точности не заменяют проверку ложных совпадений, отказов и устойчивости к воспроизведению записанного голоса. Для действий с серьёзными последствиями голосовое совпадение не стоит делать единственным основанием. Правомерность сбора и обработки голоса, основания для биометрической идентификации и дополнительную проверку личности необходимо определить до внедрения.
API, примеры кода и порядок подключения
Документация описывает REST и gRPC, а также работу с файловым хранилищем, предзаписями, шумами, словарями и метриками. Из неё есть ссылка на официальный Python-пример REST-распознавания на GitHub. Он показывает получение токена, выбор модели, отправку аудиофайла и сохранение результата. Публичный пример интеграции не означает, что исходный код самой платформы открыт или что доступен полноценный SDK для всех языков программирования.
- Определите сценарий: распознавание архива, обработка живого потока, озвучивание или идентификация. Для каждого понадобятся свои методы и параметры.
- Согласуйте доступ с поставщиком. Для облачного сервиса лендинг указывает заключение договора; инструкция API предусматривает регистрацию или вход в аккаунт.
- Получите данные подключения в разделе «Информация для разработчиков» и запросите Access Token по инструкции авторизации. Секретный ключ и токены следует хранить на серверной стороне, не в публичном коде сайта.
- Выберите доступную модель или голос. Для распознавания файла сначала загрузите аудио в хранилище, затем создайте задачу с полученным file_id.
- Обработайте состояния задачи и ошибки. Если используется обратный вызов, подготовьте адрес callback и предусмотрите получение результата после завершения обработки.
- Проверьте результат на репрезентативной выборке и только после этого подключайте рабочие данные и нагрузку.
В загрузке файла есть техническая деталь: multipart-часть parameters с JSON-метаданными должна идти до части file. Полный список допустимых контейнеров, максимальный размер файла, длительность записи и квоты параллельных запросов в рассмотренных разделах не установлены. Их нужно уточнить до оценки стоимости и пропускной способности. Указанный для потокового ASR PCM нельзя автоматически считать единственным форматом для файлового распознавания.
Практические сценарии
Разбор телефонных разговоров
Начните с выборки записей, на использование которых у компании есть основания. Сохраните сведения о каналах, выберите языковые модели, включите необходимые параметры текста и отправьте файлы на распознавание. Затем сопоставьте расшифровку с записью, проверьте номера, имена, адреса и профессиональные термины. Полученный текст и метрики можно передать в собственную систему контроля качества. Правила оценки оператора и отчёты не появляются из API автоматически.
Озвучивание инструкций или голосового меню
Подготовьте короткие смысловые фрагменты и выберите голос из доступного списка. Проверьте обычный текст, затем добавьте разметку там, где нужны паузы или исправление произношения. Прослушайте результат с числительными, сокращениями и названиями компании; сохраните WAV после проверки. Для повторяющихся элементов можно рассмотреть предзаписи и аудиошаблоны, поддержку которых заявляет платформа.
Телефонный помощник
Передайте аудиопоток в ASR и свяжите распознанный текст с собственной логикой диалога. Ответ преобразуйте в речь через TTS. Отдельно реализуйте обработку пауз, непонятных реплик, ошибок связи и передачу разговора человеку. VoxKit здесь отвечает за речевые операции; подключение телефонии, бизнес-правила и выполнение действий остаются частью разрабатываемого приложения.
Облако, локальная установка и данные
Предусмотрены SaaS, установка на инфраструктуре заказчика и гибридное развёртывание. Для распознавания и синтеза заявлена поддержка CPU и GPU, для операционной системы — Astra Linux CE / SE. Публичной универсальной конфигурации сервера в рассмотренных источниках нет. Требования нужно рассчитывать по моделям, числу одновременных потоков и допустимому времени обработки.
По лендингу облачная платформа размещена в российском дата-центре. Политика конфиденциальности называет оператором ООО «ДСС Лаб» и распространяется на информацию о посетителях сайта. Однако она не заменяет технические и договорные условия обработки клиентских аудиозаписей. Особенно важно отдельно согласовать биометрию: политика сайта говорит, что оператор не обрабатывает биометрические персональные данные пользователей, тогда как продукт предлагает соответствующую технологию.
До передачи реальных записей запросите сроки хранения исходного аудио и результатов, порядок удаления и резервного копирования, разграничение доступа и условия использования данных для обучения. Локальное размещение тоже требует проектирования защиты, а не снимает эти вопросы само по себе.
Цена, пробный доступ и поддержка
На рассмотренном лендинге нет публичной таблицы цен за минуту распознавания, символ синтеза или серверную лицензию. Вместо неё предлагается заявка для получения индивидуальных условий; облачный доступ оформляется по договору. Стоимость внедрения, Brand Voice, поддержки, минимальный объём и квоты следует запрашивать отдельно. Не подтверждены и конкретные способы оплаты или автоматическое списание с российской карты.
На открытой странице есть блок самостоятельного тестирования ASR и TTS. Это возможность предварительно познакомиться с продуктом, но не доказательство бесплатного API-тарифа или определённого числа пробных минут. Объём тестового доступа, доступные модели и срок пилота нужно уточнить у команды. Для связи опубликованы форма заявки, общий адрес Info@3itech.ru и телефон +7 (495) 645-44-70. Сроки реакции технической поддержки и SLA в рассмотренных материалах не установлены.
Сравнение с альтернативами
Для разработчиков, выбирающих речевой API, близкие альтернативы — Yandex SpeechKit и SaluteSpeech. Ниже сравниваются только подтверждённые способы работы; это не рейтинг точности или стоимости.
| Сервис | Подтверждённые возможности | Что сравнить перед выбором |
|---|---|---|
| 3i VoxKit | ASR, TTS и голосовая идентификация; REST и gRPC; облачное, локальное и гибридное развёртывание | Доступные модели и голоса, договорные квоты, требования к серверу и индивидуальный расчёт цены |
| Yandex SpeechKit | Потоковое распознавание и обработка файлов в синхронном и асинхронном режимах; TTS через API; Yandex AI Studio SDK | Нужный режим и его ограничения: официальная документация различает короткие синхронные записи и длинные асинхронные задачи |
| SaluteSpeech | REST API синхронного распознавания и синтеза; синтез из текста или SSML | Для рассмотренного синхронного метода ASR указаны пределы 2 МБ и одна минута, для TTS — 4 000 символов вместе с разметкой |
Сравнивать продукты полезнее на одинаковых записях и текстах. Для ASR отдельно оцените ошибки в сущностях и разделение говорящих, для TTS — произношение важных слов, для потокового сценария — задержки и поведение при обрыве соединения. Ограничения одного метода у альтернативы не следует переносить на весь сервис.
Вопросы и ответы
Можно ли пользоваться 3i VoxKit без программирования?
На сайте есть демонстрационный блок, но основное назначение платформы — интеграция речевых функций в программные продукты. Для рабочего процесса с телефонией, CRM или собственным приложением понадобится разработчик либо интегратор.
Поддерживает ли платформа русский язык?
Да, русский указан и для распознавания, и для синтеза. Открытые страницы и документация русскоязычные. Состав языков и голосов для конкретного подключения стоит уточнить отдельно, поскольку перечни TTS на лендинге и в документации различаются.
Можно ли установить VoxKit на своих серверах?
Да, разработчик заявляет On-Premise и Hybrid. Поддерживаются CPU и GPU, указана Astra Linux CE / SE. Точную конфигурацию и состав лицензируемых модулей нужно согласовать с поставщиком.
Есть ли бесплатный тариф и открытый исходный код?
Наличие постоянного бесплатного тарифа в рассмотренных источниках не подтверждено. Опубликован пример REST-интеграции на Python, но он не подтверждает открытую лицензию самой платформы или речевых моделей.
Гарантирует ли сервис точную расшифровку любого звонка?
Нет оснований давать такую гарантию. На лендинге заявлена точность транскрибации более 95% для телефонии, но в рассмотренных материалах нет методики, позволяющей перенести этот показатель на любую запись. Пилот нужно проводить на собственных языках, акустике, терминологии и структуре звонков.
Когда стоит рассматривать 3i VoxKit
VoxKit имеет смысл включить в технический отбор, если нужны речевые API российского разработчика, возможность локальной установки или сочетание распознавания, озвучивания и голосовой идентификации. Для выбора подготовьте образцы записей и текстов, ожидаемую нагрузку и требования к размещению данных. Запросите доступные модели, условия пилота и коммерческое предложение на эту конфигурацию. Если же требуется готовый кабинет с отчётами по звонкам, сначала уточните состав конечного решения: одного подключения VoxKit для этого недостаточно.