Fish Audio, авторы S2 Pro для синтеза речи, вывели на OpenRouter модель распознавания T...
Fish Audio, авторы S2 Pro для синтеза речи, вывели на OpenRouter модель распознавания Transcribe 1 Pro. Она заточена под интервью, встречи и подкасты: размечает спикеров прямо в тексте, оставляет пометки вроде [laughter], сама определяет язык и по запросу отдаёт таймкоды по словам. Час аудио стоит $0,36, в API самой Fish Audio столько же. Я прогнал через неё склейку из трёх русских голосов. 53 секунды распознались за 2,8 секунды и полцента, язык модель определила сама, а вздохи отметила русскими тегами [вздох]. Говорящих она насчитала двоих: два голоса из трёх приписала одному спикеру. На OpenRouter модель вызывается через отдельный эндпоинт /api/v1/audio/transcriptions, в обычном списке моделей её нет, найти можно с фильтром output_modalities=transcription. @neuro_channel