До 5 дикторов
Автоопределение числа говорящих. Слияние и разделение кластеров исправляют случаи, когда спикеры склеились или один раздвоился.
Диаризация спикеров по API – определение «кто говорит»
Размечаем до 5 дикторов с таймкодами. API возвращает транскрипт по спикерам в JSON, SRT и VTT. Многоканальное аудио, real-time, 0,30 ₽/мин или дешевле.
- До 5 дикторов
0,30 ₽/мин или дешевле- real-time
- Многоканальное аудио
152-ФЗ · данные в РФ
on-premise
Хотите увидеть разметку спикеров на своей записи? Загрузите аудио и посмотрите результат в браузере
1000 минут по запросу на тест · ответ в JSON за минуты · баланс не сгорает
Пример: диалог колл-центра, размеченный по спикерам
Реальный вывод API: каждая реплика помечена спикером и тайм-кодом. Так выглядит ответ диаризации до ручной правки.
Перетащите аудио или видео – или нажмите, чтобы выбратьMP3 · WAV · M4A · OGG · MP4 · до 30 минут
Пример результата – так выглядит готовая расшифровка
00:00Спикер 1
Добрый день! Подскажите, у вас транскрибация звонков идёт в реальном времени или после завершения разговора?
00:06Спикер 2
Здравствуйте! Поддерживаем оба режима: потоковый – прямо во время звонка, и пакетный – когда загружаете записи после смены.
00:13Спикер 1
Нам важно деление на спикеров и тайм-коды, чтобы видеть, где говорит оператор, а где клиент.
00:20Спикер 2
Диаризация включена по умолчанию: каждая реплика помечена спикером и временем. Дальше это можно отдавать в amoCRM по API.
00:29Спикер 1
А какая точность на телефонном канале? У нас часто шумные линии и фоновые звуки.
00:35Спикер 2
На телефонии 8 килогерц держим WER около десяти процентов, на чистом аудио – порядка семи. Есть отдельная модель под шумные каналы.
00:46Спикер 1
Хорошо, давайте запустим пилот. Сколько займёт подключение?
00:51Спикер 2
Доступ к API дам сегодня, пилот рассчитан на две недели. Пришлю ключ, документацию и расчёт по вашим восьми тысячам минут в сутки.
AI-саммари
Клиент уточняет сроки внедрения речевой аналитики в колл-центре и интеграцию с amoCRM. Менеджер подтверждает пилот на 2 недели и обещает прислать доступ к API и расчёт по 8 000 минут в сутки.
Как подключить диаризацию по API
OpenAI-совместимый эндпоинт. Один запрос – транскрипт, размеченный по спикерам, в JSON, SRT или VTT.
Получите ключ
Напишите в Telegram-бот или на support@palatine.ru – выдадим API-ключ и 1000 минут по запросу.
Отправьте файл
POST с аудио или ссылкой и параметром do_diarize=true. Поддерживается многоканальное аудио.
Получите спикеров
В ответе – сегменты с speaker, start, end и текстом. Выгрузка в JSON, SRT, VTT, CSV или XLSX.
curl https://api.palatine.ru/api/v1/transcribe/do_diarize \
-H "Authorization: Bearer $API_KEY" \
-F "file=@call.mp3" \
-F "language=ru" \
-F "do_diarize=true" \
-F "num_speakers=auto"{
"task_id": "f3c1...",
"data": {
"language": "ru",
"duration": 64.2,
"speakers": 2,
"segments": [
{ "start": 0.4, "end": 5.8, "speaker": "speaker_0",
"text": "Добрый день! Подскажите, у вас транскрибация в реальном времени?" },
{ "start": 6.2, "end": 13.1, "speaker": "speaker_1",
"text": "Здравствуйте! Поддерживаем оба режима – потоковый и пакетный." },
{ "start": 13.6, "end": 19.4, "speaker": "speaker_0",
"text": "Нам важно деление на спикеров и тайм-коды." }
]
}
}Стоимость
Документация- Диаризация
- 0,30 ₽/мин или дешевле
- Спикеров
- до 5, автоопределение
- Многоканальное аудио
- поддерживается
Возможности диаризации Palatine Speech
Не просто «кто говорит» – полный набор для речевой аналитики и стенограмм по ролям.
Многоканальное аудио
Поканальные записи телефонии: каждый канал атрибутируется говорящему почти без ошибок. Большинство РФ-API такое не поддерживают.
Шумоустойчивость
Работает в офисе, на улице и на шумных линиях колл-центра. Есть отдельная модель под телефонный канал 8 кГц.
Языконезависимость
Диаризация анализирует акустику голоса, а не слова, поэтому работает на любом языке. Распознавание речи – 100 языков с автоопределением.
Таймкоды и субтитры
Тайм-коды на каждое слово и сегмент. Выгрузка в SRT и VTT с метками спикеров – готовые субтитры по ролям.
Real-time и on-premise
Потоковая диаризация через WebSocket (wss://) и локальное офлайн-развёртывание в закрытом контуре заказчика.
Palatine против других способов разметки спикеров
Сравнение по открытым данным конкурентов. Цены проверены в июне 2026.
| Palatine | Другой РФ-API | pyannote (open source) | Ручная разметка | ||
|---|---|---|---|---|---|
| Цена за минуту | 0,30 ₽ | 0,72 ₽ | своя GPU-инфраструктура | 600–1000 ₽/час | |
| Многоканальное аудио |  | | |||
| Real-time / WebSocket | | | | ||
| Готовый JSON/SRT/VTT | | | |||
| Данные в РФ (152-ФЗ) | зависит от хостинга | ||||
| On-premise | | ||||
| Поддержка и SLA | | |
Цена за минуту
- 0,30 ₽
- Palatine
- 0,72 ₽
- Другой РФ-API
- своя GPU-инфраструктура
- pyannote (open source)
- 600–1000 ₽/час
- Ручная разметка
Многоканальное аудио
- Palatine
- Другой РФ-API
- pyannote (open source)
- Ручная разметка
Real-time / WebSocket
- Palatine
- Другой РФ-API
- pyannote (open source)
- Ручная разметка
Готовый JSON/SRT/VTT
- Palatine
- Другой РФ-API
- pyannote (open source)
- Ручная разметка
Данные в РФ (152-ФЗ)
- Palatine
- Другой РФ-API
- зависит от хостинга
- pyannote (open source)
- Ручная разметка
On-premise
- Palatine
- Другой РФ-API
- pyannote (open source)
- Ручная разметка
Поддержка и SLA
- Palatine
- Другой РФ-API
- pyannote (open source)
- Ручная разметка
Обсудим внедрение под вашу задачу
Колл-центр, медиа, госструктура или продукт – подберём тариф, лимиты и контур.
Ответы на вопросы
Не нашли ответ на свой вопрос? Напишите нам
Что такое диаризация простыми словами?
Это автоматическая разметка «кто и когда говорит» в записи. Распознавание речи превращает звук в текст, а диаризация делит этот текст по спикерам с тайм-кодами. Без неё расшифровка многоголосого разговора – сплошная стена текста; с ней получается стенограмма по ролям (Спикер 1, Спикер 2).
Сколько спикеров определяет Palatine Speech?
До 5 дикторов с автоопределением количества. Слияние и разделение кластеров исправляют случаи «два спикера склеились» или «один раздвоился». Лучшая точность – на чистом звуке с минимумом перебиваний.
Чем диаризация отличается от распознавания речи и идентификации голоса?
Распознавание речи (ASR) отвечает на вопрос «что сказано»; диаризация – «кто и когда говорил» (метки Спикер ½ без имён); идентификация – «чей именно это голос». В API Palatine транскрибация и диаризация работают в связке: один запрос – готовая стенограмма по ролям.
Сколько стоит диаризация по API?
0,30 ₽/мин или дешевле. Pay-as-you-go: без подписок, баланс не сгорает, секунды округляются вниз в пользу клиента. На старте – 1000 минут по запросу. Для сравнения, ближайший РФ-API берёт за диаризацию около 0,72 ₽/мин.
Работает ли диаризация на русском и других языках?
Да. Диаризация анализирует акустику голоса, а не слова, поэтому она языконезависима. Модель Palatine мультиязычная, а распознавание речи поддерживает около 100 языков с автоопределением.
Поддерживается ли многоканальное аудио звонков?
Да, это наше отличие: при поканальной записи телефонии каждый канал атрибутируется говорящему практически без ошибок. Большинство РФ-API канальную диаризацию не поддерживают. Плюс шумоустойчивость для офиса, улицы и колл-центра.
Можно ли делать диаризацию в реальном времени?
Да: real-time скорость моделей и потоковая обработка через WebSocket (wss://). В отложенном режиме обработка занимает 1–2% длительности файла – около 25 секунд на 30-минутную запись.
Можно ли развернуть диаризацию on-premise?
Да, на тарифе On-Premise: локальное офлайн-развёртывание в вашем контуре, автомасштабирование и кастомизация. В облаке данные обрабатываются в 4 ЦОД Tier III в РФ по 152-ФЗ, модели не обучаются на ваших данных.