Речь в текст на Android: как работает speech-to-text
23 сентября 2026 · разбор · 5 минут чтения
Диктовка сообщений, субтитры, голосовые команды — везде под капотом одна операция: speech-to-text (STT). Разберём, как она устроена, почему точность на русском у всех разная и что выбрать под свою задачу.
Что происходит между твоим «привет» и словом на экране
Звук — это волна. Модель STT режет её на короткие окна, превращает в спектрограммы (как звук выглядит) и предсказывает, какие фонемы следуют друг за другом. Дальше — языковая часть: превращение фонем в слова с учётом языка. На выходе — текст с вероятностями, из которого собирается финальная строка.
Облако или на устройстве
- Облачные модели (Whisper large v3 — как в Амалии) — максимум точности, понимают разговорную речь и акценты. Цена — сеть и задержка: на быстром инференсе Groq около 0,2 секунды на фразу;
- Локальные движки (Vosk, whisper.cpp) — работают без сети, но модель компактнее: точность на разговорном русском заметно ниже, а памяти надо сотни мегабайт. Полное сравнение сценариев — в гайде про офлайн;
- Системная диктовка Android (кнопка микрофона на клавиатуре) — по сути облачный STT от Google: удобна для сообщений, но никакого API под свои сценарии у неё нет.
Что убивает точность распознавания (и как чинить)
- Обрыв фразы. Раннее отсечение тишины режет начало и хвост слов. Лечится честным детектором конца фразы — как в VAD;
- Сжатие звука. Голосовые мессенджеров жмут звук — STT по ним ошибается чаще. Для лучшего качества — несжатый WAV;
- Одно предложение за раз. Модели точнее на коротких законченных фразах: диктуй по предложению, а не абзацем — и расставляй знаки голосом («запятая», «точка»).
Кому это нужно кроме диктовки
Тот же STT-слой — основа голосовых ассистентов (сначала услышать, потом понять), субтитров в звонках, конспектирования лекций и голосового поиска в заметках. Если твоя задача — именно «сказал → получил текст» без ассистентства, тебе достаточно любого STT-движка из списка выше.
Хочешь слышать, как распознавание работает в связке с живым голосом? Амалия — скачай APK и сравни со своей клавиатурной диктовкой.