audio recognition

Голосовые сообщения: распознавание речи

Страница нужна, когда в чате MAX пришло голосовое сообщение, а вам или вашему AI-агенту удобнее прочитать его текстом. После неё вы сможете выбрать модель под язык записи, скачать её один раз и превратить в текст одно голосовое или все голосовые из списка сообщений.

Несколько слов, которые встретятся ниже:

• Модель речи — файл, который переводит звук в текст. Её скачивают один раз, потом она работает без интернета.
• Локальное распознавание — модель работает на вашем компьютере. Запись не уходит ни во внешний сервис, ни к AI-модели агента, и лимиты внешнего API не расходуются.
• Расшифровка — готовый текст голосового. max сохраняет его, чтобы второй раз не распознавать ту же запись.

Что можно сделать

Задача	Команда
Посмотреть модели, их размер и что уже скачано	max personal models audio list
Скачать модель	max personal models audio download <модель>
Расшифровать одно голосовое	max personal messages transcribe <чат> <сообщение>
Расшифровать голосовые в показанном списке	--transcribe у messages list и inbox
Выбрать модель для всех следующих запусков	max config set --defaults transcribe_model <модель>

Быстрый запуск

max personal models audio list --json
max personal models audio download gigaam-v3
max personal messages transcribe "Учебная группа" 204 --json

max получает запись из MAX, закрывает соединение и только потом запускает модель. Модель не скачивается сама во время чтения чата: сначала выполните models audio download. Скачанные файлы используются повторно; при установке их контрольная сумма проверяется.

Как выбрать модель

Модель	Для чего подходит
gigaam-v3	Русская речь; модель по умолчанию
gigaam-v3-ctc	Другой вариант русской модели; текст и его оформление могут отличаться
parakeet-v3	Речь на нескольких языках, в том числе испанском, английском и русском; занимает больше места и памяти

Точный размер и что уже скачано, показывает models audio list. Выбирайте модель, которая знает язык записи. Для одного запуска:

max personal models audio download parakeet-v3
max personal messages transcribe "Учебная группа" 204 --model parakeet-v3 --json

Для всех следующих запусков:

max config set --defaults transcribe_model parakeet-v3

Не путайте группы команд. models audio — модели речи. models text — модели для поиска и ключи API, это другое. Настройка models.ocr для картинок на распознавание голоса не влияет.

Несколько сообщений

max personal messages list "Учебная группа" --limit 20 --transcribe --json
max personal inbox --transcribe --json

--transcribe обрабатывает только голосовые из показанного списка, у которых ещё нет текста. Всю историю чата он не трогает. Сначала скачиваются нужные записи, потом закрывается соединение, потом работает модель. Другую модель на один запуск задаёт --model.

Текст сохраняется под вашим аккаунтом в общей локальной копии сообщений. Его видят просмотр сообщений, входящие, обзор и MCP-сервер. Если то же сообщение уже расшифровано той же моделью, max может вернуть сохранённый текст. В JSON текст лежит в поле transcript. Записи, которые не удалось распознать, и причина названы в missing.

Форматы и ограничения

Распознаются голосовые сообщения, которые MAX помечает как kind: voice. MP3 или WAV, присланный как документ, этим путём не расшифровывается, и речь из видео тоже не извлекается. Для такого файла агенту нужен свой инструмент: например, вынуть звуковую дорожку, перевести звук в нужный формат и запустить подходящую модель речи.

Локальная расшифровка принимает полную запись Ogg Opus с одним или двумя каналами без 10-минутного предела. Длинные записи требуют больше памяти и времени обработки.

Модели лежат в одной папке для MAX и Telegram; WIRECAT_STATE_DIR меняет эту папку. Скачанной модели нужно место на диске, распознаванию — память и время процессора. Скорость зависит от длины записи, модели и компьютера.

Качество

На результат влияют язык, шум, несколько людей, говорящих одновременно, микрофон, темп речи, имена и редкие термины. Большая модель не всегда лучше для конкретного языка. Важные числа, имена и договорённости сверяйте с записью. Сохранённый текст не доказывает, что каждое слово распознано верно.

Агент может прочитать готовый текст и помочь найти ошибки. Чтобы сверить его со звуком, агенту нужны сама запись и свой инструмент для прослушивания или распознавания — это зависит от агента.

Текст из документов и картинок описан в руководстве по вложениям. Как подключить внешнюю модель по API — в руководстве по внешним моделям.