Расшифровка звонков через Yandex SpeechKit в n8n

Эта инструкция собирает в n8n расшифровку записей звонков через Yandex SpeechKit. На выходе получается диалог с репликами менеджера и клиента, который можно отправить в нейросеть на разбор.

Что понадобится

• n8n на своём сервере.
• Каталог в Yandex Cloud и сервисный аккаунт.
• Записи звонков из телефонии в MP3, WAV или OGG. Лучше всего стерео, где менеджер и клиент записаны в разные каналы.

Как устроено асинхронное распознавание

Записи звонков распознают асинхронно. Вы отправляете файл, получаете идентификатор операции, ждёте и забираете результат. Документация описывает две версии API. Мы используем API v3. Он принимает файл прямо в теле запроса и сам разбирает форматы MP3, WAV и OGG.

Ограничения из документации:

• файл в теле запроса до 60 МБ, через Object Storage до 1 ГБ;
• длительность аудио до 4 часов, для многоканальных файлов считается суммарное время всех каналов;
• результат хранится на сервере 3 суток;
• до 500 запросов на распознавание в час и до 5 проверок статуса в секунду.

Шаг 1. Сервисный аккаунт и ключ

1. В консоли Yandex Cloud создайте сервисный аккаунт. Асинхронное распознавание работает только от имени сервисного аккаунта.
2. Выдайте ему роль ai.speechkit-stt.user на каталог. Если будете загружать файлы в бакет, добавьте роль storage.uploader.
3. Создайте для аккаунта API-ключ. При создании ограничьте его область действия значением yc.ai.speechkitStt.execute, тогда ключ подойдёт только для распознавания речи.
4. В n8n создайте доступ типа Header Auth: Name Authorization, Value Api-Key ВАШ_КЛЮЧ.

Шаг 2. Подготовить файл

Получите запись из телефонии узлом HTTP Request с форматом ответа File. Затем добавьте узел Extract From File с операцией Move File to Base64 String и укажите Destination Output Field audio.

Если записи больше 60 МБ, загрузите их в бакет Object Storage узлом S3. В доступе S3 укажите S3 Endpoint https://storage.yandexcloud.net, регион ru-central1 и статический ключ сервисного аккаунта. В запросе на распознавание тогда вместо content передаётся поле uri со ссылкой вида https://storage.yandexcloud.net/имя_бакета/путь/к/файлу.mp3.

Шаг 3. Отправить на распознавание

Узел HTTP Request:

• Method: POST
• URL: https://stt.api.cloud.yandex.net/stt/v3/recognizeFileAsync
• Authentication: Header Auth из шага 1
• Send Body: JSON

{
  "content": {{ JSON.stringify($json.audio) }},
  "recognitionModel": {
    "model": "general",
    "audioFormat": {
      "containerAudio": { "containerAudioType": "MP3" }
    },
    "textNormalization": {
      "textNormalization": "TEXT_NORMALIZATION_ENABLED",
      "literatureText": true
    },
    "languageRestriction": {
      "restrictionType": "WHITELIST",
      "languageCode": ["ru-RU"]
    }
  }
}

Для WAV укажите WAV, для OGG OGG_OPUS. Нормализация переводит числа и даты в цифры, а literatureText расставляет знаки препинания. Если результат не срочный, укажите модель deferred-general. Это отложенный режим. Файл встаёт в очередь с низким приоритетом, а распознавание стоит дешевле.

В ответе придёт объект операции. Её идентификатор лежит в поле {{ $json.id }}.

Шаг 4. Дождаться результата

Соберите цикл из трёх узлов:

1. Wait на 30–60 секунд.
2. HTTP Request с методом GET на адрес https://operation.api.cloud.yandex.net/operations/{{ $json.id }}. При первом проходе цикла $json.id придёт из шага 3. В следующих проходах его вернёт сам этот запрос.
3. If с условием {{ $json.done }} равно true. Ветку false верните в узел Wait.

Не проверяйте статус чаще, чем позволяет лимит. Для звонков длиной в несколько минут хватает паузы в минуту.

Шаг 5. Забрать текст по каналам

Узел HTTP Request:

• Method: GET
• URL: https://stt.api.cloud.yandex.net/stt/v3/getRecognition?operationId={{ $json.id }}
• Options → Response: Response Format Text, Put Output in Field data

Ответ состоит из нескольких JSON-объектов подряд, по одному на каждую фразу и событие. Номер канала лежит в поле channelTag. Так SpeechKit разделяет текст стерео-записи: в канале 0 одна сторона разговора, в канале 1 другая. Сам по голосу он реплики не делит, поэтому для анализа звонков стерео-запись заметно удобнее.

Узел Code в режиме Run Once for Each Item собирает из ответа диалог:

// Ответ getRecognition: несколько JSON-объектов подряд
function splitJson(raw) {
  const out = [];
  let depth = 0, start = 0, inStr = false, esc = false;
  for (let i = 0; i < raw.length; i++) {
    const c = raw[i];
    if (inStr) {
      if (esc) esc = false;
      else if (c === '\\') esc = true;
      else if (c === '"') inStr = false;
    } else if (c === '"') {
      inStr = true;
    } else if (c === '{') {
      if (depth === 0) start = i;
      depth++;
    } else if (c === '}') {
      depth--;
      if (depth === 0) out.push(JSON.parse(raw.slice(start, i + 1)));
    }
  }
  return out;
}

const roles = { '0': 'Менеджер', '1': 'Клиент' }; // проверьте на своей телефонии
const phrases = [];

for (const msg of splitJson($json.data)) {
  const r = msg.result || {};
  const alt = r.finalRefinement?.normalizedText?.alternatives?.[0];
  if (!alt || !alt.text) continue;
  phrases.push({
    channel: r.channelTag,
    start: Number(alt.startTimeMs),
    text: alt.text,
  });
}

phrases.sort((a, b) => a.start - b.start);
const dialog = phrases
  .map((p) => `${roles[p.channel] || 'Канал ' + p.channel}: ${p.text}`)
  .join('\n');

return { json: { dialog } };

Код берёт нормализованный текст из finalRefinement. Если вы не включали нормализацию, берите r.final вместо r.finalRefinement?.normalizedText. Какой канал принадлежит менеджеру, зависит от телефонии. Проверьте на паре звонков.

Шаг 6. Передать текст в нейросеть

Поле {{ $json.dialog }} готово для языковой модели. Передайте его в запрос к YandexGPT через JSON.stringify($json.dialog) с инструкцией: проверить звонок по чек-листу скрипта, выписать возражения и договорённости, предложить следующий шаг. Так устроен наш сценарий анализа звонков.

В разговорах почти всегда есть имена, телефоны и адреса. Это персональные данные, и требования 152-ФЗ к ним действуют. По документации SpeechKit по умолчанию не сохраняет данные, отправленные по API. Перед отправкой текста в языковую модель часть данных можно замаскировать.

Сколько стоит

Оплата идёт за длительность аудио. По правилам тарификации единица учёта равна секунде двухканального аудио, а минимум составляет 15 секунд на каждые два канала. Отложенный режим в несколько раз дешевле обычного. На октябрь 2026 года прайс давал около 0,6 ₽ за минуту в обычном режиме и около 0,15 ₽ в отложенном. Цены меняются, перед расчётом проверьте страницу тарифов.

Частые ошибки

• 401 или 403. Неверный ключ, у сервисного аккаунта нет роли ai.speechkit-stt.user или область действия ключа не включает распознавание.
• Пустой результат. Указан неверный тип контейнера или в записи нет речи. Сверьте containerAudioType с форматом файла.
• Ошибка размера. Файл больше 60 МБ. Загрузите его в Object Storage и передайте uri.
• Реплики перепутаны. Каналы менеджера и клиента в вашей телефонии идут в другом порядке. Поменяйте местами значения в roles.
• Результат не найден. С момента распознавания прошло больше 3 суток. Сохраняйте текст в своей базе сразу после получения.