Yandex SpeechKit API: Расшифровать длинную запись разговора

Сценарий из mcp-everything. Актуально на 2026-10-24.

Расшифровки звонков колл-центра, интервью, совещаний — файлы до 4 часов.

1. Асинхронное распознавание доступно только сервисному аккаунту с ролями ai.speechkit-stt.user и storage.uploader.
2. Загрузи файл в бакет Yandex Object Storage и получи ссылку на него.
3. Запусти распознавание: POST /speech/stt/v2/longRunningRecognize на transcribe.api.cloud.yandex.net с config.specification (languageCode, audioEncoding — OGG_OPUS, MP3 или LINEAR16_PCM) и audio.uri — ссылкой на файл. В ответе — ID операции.
4. Забирай результат: GET /operations/{operationId} на operation.api.cloud.yandex.net. Минута одноканального аудио распознаётся примерно за 10 секунд — не опрашивай слишком часто. Результат хранится 3 дня.
5. Для стерео-записи звонков с LPCM укажи audioChannelCount — каналы распознаются раздельно.

OP=$(curl -s -X POST https://transcribe.api.cloud.yandex.net/speech/stt/v2/longRunningRecognize \
  -H "Authorization: Api-Key $YANDEX_API_KEY" -H 'Content-Type: application/json' \
  -d '{
        "config": {"specification": {"languageCode": "ru-RU", "audioEncoding": "MP3"}},
        "audio": {"uri": "https://storage.yandexcloud.net/<бакет>/calls/2026-10-24-call-1042.mp3"}
      }' | jq -r .id)

curl https://operation.api.cloud.yandex.net/operations/$OP -H "Authorization: Api-Key $YANDEX_API_KEY"

Базовые URL

• Синхронное распознавание: https://stt.api.cloud.yandex.net
• Асинхронное распознавание: https://transcribe.api.cloud.yandex.net
• Синтез речи: https://tts.api.cloud.yandex.net
• Операции: https://operation.api.cloud.yandex.net

Авторизация

Тип: Bearer-токен

• IAM-токен: Authorization: Bearer <IAM-токен>
• API-ключ сервисного аккаунта: Authorization: Api-Key <API-ключ>

При авторизации пользовательским аккаунтом нужен параметр folderId; для сервисного аккаунта он не используется. Асинхронное распознавание доступно только сервисным аккаунтам (роли ai.speechkit-stt.user и storage.uploader).

Методы сценария

POST /speech/stt/v2/longRunningRecognize — Асинхронное распознавание

Хост transcribe.api.cloud.yandex.net. Возвращает ID операции; результат хранится 3 дня.

Параметр	Где	Тип	Обяз.	Описание
config.specification.languageCode	body	string	нет	Язык, по умолчанию ru-RU
config.specification.model	body	string	нет	Модель, по умолчанию general; влияет на стоимость
config.specification.profanityFilter	body	boolean	нет	Маскировать ненормативную лексику
config.specification.literature_text	body	boolean	нет	Режим нормализации текста
config.specification.audioEncoding	body	string	нет	LINEAR16_PCM, OGG_OPUS (по умолчанию) или MP3
config.specification.sampleRateHertz	body	integer	нет	48000 (по умолчанию), 16000, 8000; обязателен для LINEAR16_PCM
config.specification.audioChannelCount	body	integer	нет	Число каналов, только для LPCM, по умолчанию 1
config.specification.rawResults	body	boolean	нет	Числа прописью
audio.uri	body	string	да	Ссылка на файл в Yandex Object Storage

GET /operations/{operationId} — Результат асинхронного распознавания

Хост operation.api.cloud.yandex.net. Минута одноканального аудио распознаётся примерно за 10 секунд; запросы результата ограничены по частоте.

Параметр	Где	Тип	Обяз.	Описание
operationId	path	string	да	ID операции из ответа longRunningRecognize

Нюансы

• Число тарифицируемых единиц возвращается в заголовке ответа YaCloud-Billing-Units.
• Для lpcm передаётся «сырое» аудио без WAV-заголовка; частота задаётся явно.
• Для OggOpus и MP3 число каналов не указывается — оно есть в самом файле.
• Для асинхронного распознавания файл сначала загружают в бакет Object Storage.

Другие сценарии

• Распознать короткое голосовое сообщение
• Озвучить текст

---

Если этого недостаточно — официальная документация: https://aistudio.yandex.ru/ru/docs/speechkit/ Вся интеграция одним документом: https://mcp-everything.ru/integrations/yandex-speechkit.md