# Распознавание речи в телефонном аудио: тест 10 моделей на именах, числах и задержке (ноябрь 2026)

> Stork протестировал 10 моделей преобразования речи в текст на 16,6 минуты реальной речи звонивших и говорящих с акцентом через имитацию телефонной линии G.711: доля ошибок в словах, имена, цифры и адреса, время ответа и цена. Также измерено время до первого аудио у 9 моделей синтеза речи. Тест проведён 11 ноября 2026 года.

- Source: https://www.stork.ai/blog/ru/speech-to-text-phone-audio-test-2026
- Publisher: Stork.AI editorial team
- Published: 2026-11-12
- Updated: 2026-11-12
- Language: ru
- Reading time: 12 min

_Раскрытие партнёрских отношений: Stork ведёт каталог ИИ-инструментов и может получать комиссию, если вы регистрируетесь по некоторым ссылкам на этой странице (ElevenLabs и Inworld), без дополнительных затрат для вас. Рейтинги здесь строятся только на измеренных показателях; модели поставщиков, которые ничего нам не платят, оцениваются так же._

## Key takeaways

- Пять моделей STT показали одинаковый уровень ошибок распознавания слов (WER) 5,5–6,0% на телефонном аудио G.711; разница находится в пределах погрешности.
- gpt-transcribe: верно распознано 97,5% имён, цифр и адресов, медианное время ответа 0,61 с, $0,27 в час.
- gpt-4o-transcribe вернула неполные транскрипты на 6 из 60 записей; средний WER это скрывает.
- Телефонное аудио 8 кГц ухудшило WER лучших моделей не более чем на 0,3 пункта; фоновый шум ухудшил его у большинства на 0,4–2,0.
- Самый быстрый голос: ElevenLabs Flash v2.5, первое аудио через 0,22 с (медиана), но около $2,37 за час аудио по прайс-листу.
- Пока не проверялись (нет ключей): Deepgram, AssemblyAI, Speechmatics, Soniox, Cartesia, Rime.

**Коротко:** на 16,6 минуты реальной речи звонивших и говорящих с акцентом, пропущенной через имитацию телефонной линии, пять моделей преобразования речи в текст образовали плотную лидирующую группу: OpenAI **gpt-transcribe** (доля ошибок в словах 5,5%), **gpt-4o-mini-transcribe** (5,5%), ElevenLabs **Scribe v2** (5,9%), Google **Gemini 3.5 Transcribe** (5,9%) и **Gemini 3.8 Flash** (6,0%). Различия между ними меньше нашей погрешности. Модели различались надёжностью: **gpt-4o-transcribe** и более старая **whisper-1** иногда возвращали лишь часть записи, а средний показатель ошибок слов это скрывает. Для телефонного агента у gpt-transcribe в этом тесте оказалось лучшее сочетание: высшая точность, 97,5% верно распознанных имён, цифр и адресов, самые быстрые ответы (медиана 0,61 с) и $0,27 за час аудио.

**Что это:** собственный тест Stork, проведённый 11 ноября 2026 года, со скриптом, который может повторить любой (метод ниже). Мы тестируем все речевые модели, до которых можем добраться с нашими API-ключами, и будем повторять тест ежемесячно. Это тест компонентов, а не полноценного голосового агента. Deepgram, AssemblyAI, Speechmatics, Soniox, Gladia, Cartesia, Rime и Azure в этом раунде мы не тестировали, потому что у нас пока нет ключей к ним; они первые в списке на следующий запуск.

## Результаты на телефонной линии

| Model (vendor) | Word error rate, phone line | With background noise | Names, digits, addresses right | Broken transcripts (of 60) | Reply time p50 / p90 | List price per hour of audio |
| --- | --- | --- | --- | --- | --- | --- |
| gpt-transcribe (OpenAI) | 5.5% | 6.4% | 97.5% | 0 | 0.61 s / 0.69 s | $0.27 |
| gpt-4o-mini-transcribe (OpenAI) | 5.5% | 7.3% | 96.3% | 0 | 0.71 s / 0.87 s | $0.18 |
| Scribe v2 (ElevenLabs, via fal) | 5.9% | 11.1% | 95.9% | 1 | 1.61 s / 1.81 s | $0.48 on fal ($0.20 direct) |
| Gemini 3.5 Transcribe (Google) | 5.9% | 6.9% | 95.9% | 0 | 1.56 s / 1.95 s | about $0.30 |
| Gemini 3.8 Flash (Google) | 6.0% | 6.4% | 95.9% | 1 | 2.00 s / 2.47 s | about $0.11 (our estimate) |
| Whisper large-v3 (fal Wizper) | 6.1% | 8.1% | 95.1% | 1 | 3.48 s / 24.5 s | not published |
| Cohere Transcribe (via fal) | 6.3% | 6.8% | 93.1% | 0 | 1.15 s / 1.42 s | $0.25 on fal |
| whisper-1 (OpenAI) | 10.8% | 11.1% | 88.2% | 3 | 1.27 s / 1.60 s | $0.36 |
| Gemini 3.5 Flash-Lite (Google) | 13.2% | 8.6% | 86.5% | 3 | 1.16 s / 1.28 s | about $0.06 (our estimate) |
| gpt-4o-transcribe (OpenAI) | 15.0% | 9.3% | 83.7% | 6 | 0.75 s / 0.96 s | $0.36 |

*Stork test, November 11, 2026. Word error rate (each digit counted as a word, see How we tested) and entity accuracy on the G.711 phone-line version of 16.6 minutes of audio (155 utterances, 245 scored entities). Broken = a 50-second recording with more than 50% of words wrong, counted across all three audio conditions. Reply time = 12 short caller turns, one at a time, from California. Prices from vendor pages, November 11, 2026.*

> [!FACT] В этом тесте пропускание аудио через телефонную линию не навредило хорошим моделям. Переход с исходного аудио 16 kHz на 8 kHz G.711 изменил долю ошибок в словах у gpt-transcribe, gpt-4o-mini-transcribe, Gemini 3.5 Transcribe и Scribe v2 не более чем на 0,3 пункта, а Cohere, Gemini 3.8 Flash и Whisper large-v3 показали лучший результат на телефонной версии (у последних двух на исходном аудио была одна искажённая транскрипция). Добавление фонового шума обошлось семи лучшим моделям в 0,4–2,0 пункта, за исключением Scribe v2, которая дала сбой на одной зашумлённой записи.

## Что мы обнаружили

### 1. Пятёрка лидеров статистически равна по точности

Доля ошибок в словах от 5,5% до 6,3% у семи моделей выглядит как рейтинг, но им не является. Наш 95%-й доверительный интервал для gpt-transcribe составляет от 3,9% до 7,4%, и с ним пересекаются все модели вплоть до Cohere Transcribe. При 16,6 минуты аудио разница в один пункт — это шум. Если вы выбираете между этими моделями, ориентируйтесь на надёжность, задержку, цену и возможности (потоковая передача, усиление ключевых слов, хранение данных), а не на полпункта WER.

### 2. Модели различаются прежде всего надёжностью

Каждая модель транскрибировала 60 записей по примерно 50 секунд (20 записей, три условия звука). **gpt-4o-transcribe** вернула сильно неполный транскрипт в 6 случаях: для одной записи из 8 реплик звонящего она вернула только «12:15 p.m.», а для записи из 17 реплик — только «The amount of the bill is $61.» **whisper-1** и **Gemini 3.5 Flash-Lite** допустили такое по 3 раза. Gemini 3.8 Flash однажды начала транскрипт с выдуманного заголовка и повторила текст, а Scribe v2 однажды вернула короткую строку бессмысленных символов для зашумлённой записи. gpt-transcribe, gpt-4o-mini-transcribe, Gemini 3.5 Transcribe и Cohere Transcribe не вернули ни одного испорченного транскрипта.

В наших записях короткие несвязанные реплики соединены односекундными паузами, что жёстче, чем один непрерывный звонок, поэтому эти цифры стоит считать стресс-тестом. Но телефонный агент не может позволить себе транскрипт, который молча теряет большую часть сказанного звонящим, а средний WER именно это и скрывает.

### 3. Имена, цифры и адреса

| Model | Names (45) | Digit strings (29) | Street addresses (16) | Dollar amounts (15) | Clock times (16) | Places (19) | Dates and numbers (97) |
| --- | --- | --- | --- | --- | --- | --- | --- |
| gpt-transcribe | 93% | 100% | 94% | 100% | 100% | 95% | 99% |
| gpt-4o-mini-transcribe | 91% | 100% | 100% | 87% | 100% | 95% | 98% |
| Scribe v2 (fal) | 89% | 100% | 100% | 100% | 100% | 95% | 97% |
| Gemini 3.5 Transcribe | 93% | 100% | 100% | 100% | 88% | 89% | 97% |
| Gemini 3.8 Flash | 91% | 97% | 100% | 100% | 88% | 95% | 98% |
| Whisper large-v3 (Wizper) | 87% | 100% | 100% | 100% | 100% | 89% | 96% |
| Cohere Transcribe (fal) | 84% | 86% | 94% | 100% | 100% | 95% | 97% |
| whisper-1 | 82% | 100% | 75% | 100% | 100% | 74% | 89% |
| Gemini 3.5 Flash-Lite | 84% | 100% | 100% | 100% | 81% | 63% | 84% |
| gpt-4o-transcribe | 87% | 97% | 100% | 33% | 0% | 95% | 95% |

*Phone-line condition. Share of entities transcribed exactly (after normalising formats, so 332-910-9693 and 3329109693 count as the same). Small samples: one miss moves a 15-item column by about 7 points. gpt-4o-transcribe's 0% and 33% come from the broken transcripts above, not from mishearing.*

Имена оказались самым трудным классом для всех моделей: необычные фамилии из набора Европарламента (Siwiec, Mates, Machiavelli) и распространённые имена звонящих, искажённые на телефонной линии («James» как «Jane»). Произносимые цифрами строки, самое нужное телефонным агентам, у большинства моделей распознавались почти идеально, если не учитывать форматирование. На практике форматирование важно: Whisper large-v3 писала время как «1.45 pm», тогда как большинство моделей — «1:45 PM», а в телефонных номерах модели по-разному используют дефисы и пробелы. Парсер вашего агента должен принимать все эти варианты.

### 4. Время ответа

Для 12 коротких реплик звонящего (в среднем 2,8 секунды речи), отправляемых по одной в виде готового файла, быстрее всех ответили три новые модели OpenAI: gpt-transcribe — медиана 0,61 с и 0,69 с на 90-м процентиле. Модели Gemini показали медиану от 1,2 до 2,0 с. Модели на fal включают собственную маршрутизацию fal. Первые пять запросов Wizper заняли от 5 до 30 секунд, а следующие семь — примерно по 2,5 с, что похоже на ввод мощностей на стороне fal; мы приводим это как измерено. Всё это не задержка потокового режима. Производственный телефонный агент передаёт аудио потоком и получает частичные слова, пока звонящий ещё говорит; эти пакетные конечные точки так не работают. Потоковые модели мы протестируем, когда получим к ним ключи.

## Синтез речи: время до первого аудио

Телефонный агент не может заговорить, пока голосовая модель не отправит первое аудио, поэтому время до первого аудио (TTFA) — это показатель, определяющий задержку ответа. Мы отправляли одни и те же три фразы секретаря («Thanks for calling Riverside Dental, this is Ava. How can I help you today?», предложение записи с датой и временем и подтверждение с окончанием номера телефона), по одной фразе на запрос, 21 запрос на модель, по кругу между моделями, по прогретому соединению из Калифорнии.

| Voice model (vendor) | First audio p50 / p90 | Full sentence p50 / p90 | List price per hour of audio |
| --- | --- | --- | --- |
| Flash v2.5 (ElevenLabs) | 0.22 s / 0.28 s | 0.43 s / 0.54 s | $2.37 |
| v4 Turbo (ElevenLabs) | 0.29 s / 0.45 s | 1.05 s / 1.39 s | $2.01 |
| Gemini 3.8 Flash Lite TTS (Google) | 0.47 s / 0.51 s | 1.27 s / 1.44 s | $0.54 |
| gpt-4o-mini-tts (OpenAI) | 0.64 s / 0.77 s | 1.37 s / 1.55 s | $12 per 1M audio tokens; no hourly figure published |
| Gemini 3.8 Flash TTS (Google) | 0.68 s / 0.79 s | 1.95 s / 2.27 s | $0.81 |
| tts-1 (OpenAI) | 1.20 s / 1.64 s | 1.69 s / 2.46 s | $0.80 |
| Inworld TTS-1.5 Max (via fal) | not streamed | 4.12 s / 8.86 s | $0.45 on fal |
| MiniMax Speech 2.8 Turbo (via fal) | not streamed | 4.67 s / 6.78 s | $2.58 on fal |
| xAI TTS v1 (via fal) | not streamed | 3.19 s / 3.57 s | $0.77 on fal |

*Stork test, November 11, 2026. 21 requests per model, 0 errors. Price per hour = list price for the characters (or audio tokens) we sent, divided by the seconds of audio returned. ElevenLabs at its API list price of $0.04 per 1,000 characters; Google prices valid to December 31, 2026, then double.*

[ElevenLabs](https://try.elevenlabs.io/stork-tts) Flash v2.5 был явным лидером по задержке: первое аудио через 0,22 с по медиане и менее 0,3 с на 90-м процентиле, примерно вдвое быстрее самого быстрого голоса не от ElevenLabs (Gemini 3.8 Flash Lite TTS — 0,47 с). Это также самый дорогой потоковый голос в тесте: около $2,37 за час аудио по прайс-листу, в три–четыре раза дороже, чем у Google и OpenAI. Более новая модель ElevenLabs v4 Turbo начинала почти так же быстро (0,29 с), но дольше завершала каждую фразу. Gemini 3.8 Flash Lite TTS от Google оказалась самым дешёвым потоковым вариантом: около $0,54 за час при стабильных 0,47 с до первого аудио. Более старая модель OpenAI tts-1 начинала медленнее всех — 1,2 с; более новая gpt-4o-mini-tts — за 0,64 с.

Три модели, к которым мы получили доступ только через [fal.ai](https://stork.ai/en/fal-ai) ([Inworld](https://get.platform.inworld.ai/911q5gfszy2s-bpprsc) TTS-1.5 Max, MiniMax и xAI), возвращают готовый файл, а не поток, поэтому мы можем сообщить только время до получения всего файла: от 3 до 5 секунд по медиане, включая очередь fal. Это ничего не говорит об их потоковой задержке в собственных API, которую мы не тестировали. Inworld оказался самым дешёвым голосом из измеренных: около $0,45 за час через fal. Качество голосов в этом тесте мы не оценивали.

## Как мы тестировали

- **Аудио, реальные люди:** 105 реплик звонящих из корпуса [Harper Valley Bank](https://github.com/cricketclub/gridspace-stanford-harper-valley) (Gridspace и Stanford, CC BY 4.0, в виде пакета [SLUE phase 2](https://huggingface.co/datasets/asapp/slue-phase-2)): люди, играющие роли в звонках в банк, называют свои имена, номера телефонов и счетов, почтовые индексы, адреса, суммы и время записи. Плюс 50 высказываний из набора SLUE VoxPopuli с именованными сущностями (выступления в Европарламенте, аудио CC0, разметка CC BY 4.0) для речи с акцентом с размеченными людьми, местами, организациями, датами и числами. 155 высказываний, 16,6 минуты, выбраны с фиксированным случайным зерном.
- **Три условия:** исходное аудио 16 кГц; телефонная линия (полосовой фильтр 300–3.400 Гц, 8 кГц, G.711 mu-law, кодек большинства телефонных звонков в США); и телефонная линия с розовым фоновым шумом при отношении сигнал/шум 15 дБ. Это программная имитация телефонной линии. Это не реальный путь через оператора, который может добавлять потерю пакетов и эхо.
- **Запросы:** высказывания были объединены в 20 записей по примерно 50 секунд с односекундными паузами, по одному запросу на запись на модель (600 запросов для оценки точности). Английский язык задавался там, где это позволяет API. Без подсказок, списков ключевых слов и пользовательского словаря. Модели Gemini Flash получали однострочную инструкцию «transcribe verbatim»; Gemini 3.5 Transcribe подсказок не принимает.
- **Оценка:** [нормализатор английского текста Whisper](https://github.com/openai/whisper/blob/main/whisper/normalizers/english.py) от OpenAI с обеих сторон, плюс четыре поправки, чтобы форматирование никогда не считалось ошибкой: скобки сохраняются, ведущие нули сохраняются, «1.45 pm» читается как 1:45 pm, а каждая цифра считается отдельным словом (так что неверная цифра в телефонном номере — это одна ошибка, а «332-910-9693» равно «three three two nine one zero nine six nine three»). Доля ошибок в словах — это общее число ошибок, делённое на общее число слов в эталоне, с бутстрэп-интервалом 95% по записям. Сущность считается верной, только если она точно присутствует в словах, выровненных с её собственным высказыванием. 14 сущностей, которые ни одна модель не распознала верно ни в одном условии, исключены как ошибки эталона (в основном имена, у которых в эталоне удалены диакритические знаки, например «Pöttering», записанное как «pttering»).
- **Время ответа:** 12 реплик звонящих на телефонной линии, отправлялись по одной; время по часам от отправки запроса до получения полного транскрипта, с одного компьютера на домашнем подключении в Калифорнии. Время загрузки включено. Ваши цифры будут отличаться в зависимости от местоположения; сравнивайте модели внутри этой таблицы, а не с цифрами из других источников.
- **Модели на сторонних платформах:** ElevenLabs Scribe v2, Cohere Transcribe и Whisper large-v3 вызывались через [fal.ai](https://stork.ai/en/fal-ai), поскольку у нашего ключа ElevenLabs нет разрешения на преобразование речи в текст, а ключа Cohere у нас нет. fal добавляет собственное время маршрутизации и взимает собственные цены ($0,008 за минуту для Scribe v2 против $0,20 в час напрямую у ElevenLabs).
- **Цены:** прайс-листы со страниц каждого поставщика на 11 ноября 2026 года: [OpenAI](https://platform.openai.com/docs/pricing), [ElevenLabs](https://elevenlabs.io/pricing/api), [Google](https://ai.google.dev/gemini-api/docs/pricing), [Cohere](https://docs.cohere.com/docs/transcribe) и страницы моделей fal. Gemini 3.8 Flash и Flash-Lite тарифицируются по токенам; мы оценили их почасовую стоимость исходя из 25 аудиотокенов в секунду плюс возвращённый текст. На странице Google указано, что цены Gemini 3.8 Flash вырастут вдвое 1 января 2027 года. Для Wizper fal не показывает пригодной цены за минуту. Cohere продаёт производственный Transcribe через выделенные экземпляры «from $3.75 / hour / instance», а не по минутам.
- **Голосовые модели:** одна фраза на запрос, 7 раундов по 3 фразы (21 запрос на модель), модели чередовались, чтобы сбой сети затронул их все. Сначала один неоцениваемый прогревочный запрос на поставщика, чтобы установка соединения не учитывалась. Первое аудио — это время от отправки запроса до получения первых непустых байтов аудио. ElevenLabs использовала готовый голос «Adam», OpenAI — «alloy», Google — «Kore», а fal — голоса по умолчанию.
- **Стоимость этого теста:** около $3,30 за вызовы API по прайс-листу (наши оценки по каждому вызову, журналируются), плюс около 600 кредитов тарифа ElevenLabs. Набор скриптов, построитель тестового набора и оценщик находятся в репозитории Stork в папке scripts/bench, а необработанные транскрипты сохранены, так что каждую цифру здесь можно проверить.

## Чего этот тест не показывает

- **Точность и задержка в потоковом режиме.** Все модели здесь вызывались с готовым файлом. Телефонные агенты используют потоковое распознавание с определением конца реплики — это другой и, как правило, менее точный режим.
- **Модели, до которых мы не смогли добраться.** Не тестировались в этом раунде: Deepgram (Nova-3, Flux), AssemblyAI (Universal), Speechmatics, Soniox, Gladia, Cartesia Ink, Rime, Azure, Amazon Transcribe, Google Cloud Chirp, ElevenLabs Scribe v3 напрямую и Whisper на Groq. Отсутствие модели не означает, что она хуже.
- **Реальные звонящие на реальных линиях.** Звонящие в Harper Valley — реальные люди, но они играют роли, записаны через веб-приложение, а наша телефонная линия имитируется. Акценты, громкая связь и дешёвые Bluetooth-гарнитуры будут сложнее.
- **Размер выборки.** 245 оцениваемых сущностей и 16,6 минуты на условие достаточно, чтобы отделить хорошие модели от слабых, но не чтобы ранжировать первую пятёрку. В некоторых классах сущностей по 15 или 16 элементов.
- **Один прогон.** Данные о числе искажённых транскрипций получены за один проход. Часть результатов может не повториться; в следующем месяце мы сообщим, повторились ли они.

## Далее: полный тест телефонного агента

Показатели отдельных компонентов не отражают того, что слышит звонящий. В следующем тесте мы построим одного и того же ресепшн-агента на Vapi, Retell, ElevenLabs Agents, Telnyx, Bland и на собственном стеке LiveKit или Pipecat, позвоним на каждый через реальную телефонную сеть с реального номера и измерим время ответа, задержку реплик, перебивания, правильность записи имени, номера и адреса звонящего, а также фактическую стоимость за минуту. Если вы используете одну из этих платформ и хотите участвовать, ничего не меняется: мы оплачиваем собственные аккаунты и не принимаем плату за размещение.

## Часто задаваемые вопросы

### Какая модель преобразования речи в текст точнее всего работает на телефонных звонках?

В ноябрьском тесте Stork 2026 года на имитированном телефонном аудио G.711 OpenAI gpt-transcribe и gpt-4o-mini-transcribe (доля ошибок в словах 5,5%), ElevenLabs Scribe v2 и Gemini 3.5 Transcribe (5,9%) и Gemini 3.8 Flash (6,0%) показали равные результаты в пределах погрешности. gpt-transcribe правильнее всех распознал имена, цифры и адреса (97,5%) и отвечал быстрее всех.

### Сильно ли аудио 8 kHz с телефонной линии ухудшает транскрипцию?

Для лучших современных моделей в нашем тесте — нет. Переход с аудио 16 kHz на 8 kHz G.711 изменил долю ошибок в словах у gpt-transcribe, gpt-4o-mini-transcribe, Gemini 3.5 Transcribe и ElevenLabs Scribe v2 не более чем на 0,3 пункта. Добавление фонового шума при отношении сигнал/шум 15 dB обошлось большинству из них в 0,4–2,0 пункта.

### Подходит ли gpt-4o-transcribe для телефонных агентов?

Это была наименее надёжная модель в нашем тесте: на 6 из 60 записей она вернула только часть сказанного, из-за чего доля ошибок на телефонной линии выросла до 15%. У более новых моделей OpenAI gpt-transcribe и gpt-4o-mini-transcribe таких сбоев не было, и они стоят дешевле.

### Сколько стоит преобразование речи в текст за час?

Прайс-листные цены на 11 ноября 2026 года: OpenAI gpt-4o-mini-transcribe $0,18, gpt-transcribe $0,27, whisper-1 и gpt-4o-transcribe $0,36 за час; ElevenLabs Scribe v2 $0,20 за час напрямую ($0,48 через fal); Gemini 3.5 Transcribe около $0,30 за час по оценке Google.

### Какая модель преобразования текста в речь имеет наименьшую задержку?

В нашем тесте в ноябре 2026 года ElevenLabs Flash v2.5 отдавала первый звук за 0,22 секунды по медиане и за 0,28 секунды на 90-м процентиле, примерно вдвое быстрее самого быстрого голоса не от ElevenLabs. Google Gemini 3.8 Flash Lite TTS был самым дешёвым потоковым голосом — около $0,54 за час аудио, с первым звуком через 0,47 секунды.

### Почему нет Deepgram и AssemblyAI?

Мы тестируем только с теми API-ключами, которые уже есть у Stork, а в этом месяце ключей для Deepgram, AssemblyAI, Speechmatics, Soniox, Gladia, Cartesia и Rime у нас не было. Они стоят первыми в списке на следующий ежемесячный прогон.