Fish Audio выпустила модель для распознавания речи в реальном времени

Новая Fish Transcribe Stream 1 превращает речь в текст прямо во время разговора, не дожидаясь окончания записи. Модель работает через WebSocket API и поддерживает автоматическое переключение между языками.

Модель не только распознаёт слова, но и определяет, когда человек закончил говорить. Она также различает перебивания и короткие подтверждения вроде «угу», чтобы голосовой ассистент не начинал отвечать раньше времени.

По документации Fish Audio, задержка после окончания реплики составляет около 0,6 секунды. Для сравнения, у Deepgram Nova-3 указано 0,4 секунды, а у ElevenLabs Scribe v2 Realtime около 0,9 секунды.

Стоимость составляет $0,36 за час активной сессии. Модель доступна в предварительной версии и рассчитана на голосовых агентов, телефонных ассистентов и приложения с живой транскрипцией.