UniMRCP + Yandex SR. Это платно?

Question

[DromHour]

Нужно организовать потоковое распознавание при звонке через FreeSwitch, распознавание от Яндекса. В официальной документации, Яндекс просто предлагает покупать плагин UniSpeech по 30$ за канал. В течение года, планируется более 5000 каналов, что означает, что за год потребуется заплатить минимум 150000$ (без учёта самого распознавания).
В то же время, UniMRCP - opensource проект, но плагины для них платные. Теперь появляется вопрос, а этот плагин, он платный или как?
Если платный, то есть ли нормальный способ организовать потоковое распознавание FreeSwitch - Yandex Speech Kit?

Answer 1

[Василий Банников]

Не знаю, что за UniSpeech (загуглил, но не нашёл ни слова об ограничениях в виде 30$ на канал), но Yandex SpeechKit платный. Судя по тому что прочитал в руководстве - за яндекс нужно будет платить отдельно.
Минимальная цена - четверть копейки за секунду:
https://cloud.yandex.ru/docs/speechkit/pricing#pri...
Потоковое - дороже (15 копеек в секунду)

Если нет требования в виде распознавания в реальном времени (тем более что яндекс позволяет в реальном времени не больше 4х минут распознавать)
И нет требования в обязательном использовании этого Unispeech / UniMRCP, то можно поступить примерно так:
1. Сохраняем запись звонка как обычно
2. Асинхронно закидываем её в яндекс
3. Асинхронно получаем результат после распознавания и прикрепляем его к записи.

Comments

[DromHour]

Безусловно, я в курсе оплаты для Яндекса. Сейчас у нас стоит Asterisk, и YSR настраивался готовым бесплатным плагином. Но FreeSwitch не настолько популярен, чтобы взять и найти "готовый гайд для всего, что вам нужно". Поэтому собираю информацию по крупицам.

На странице с плагином YSR

В "подвале" сайта находим ссылку на unispeech.io, где есть страница с YSR, по калькулятору, для продакшена с бесконечной лицензией, нужно 30$ за канал.

[DromHour]

Вы отредактировали ответ, внесу немного ясности - распознавание используется для ivr-меню, что подразумевает обязательное потоковое распознавание, ведь ответ робота зависит от слов пользователя, а каждый раз записывать фразу и распознавать - прошлый век. Мы максимум слушаем пользователя 30 секунд, но он может сказать конкретное стоп-слово, которое нужно нормально распознать.

[Василий Банников]

DromHour, ок, тогда действительно только потоковое распознавание.

[Василий Банников]

DromHour, а что прямо сразу 5000 каналов/одновременных звонков будет?
Кажется, что на таких масштабах уже не такие уж и большие это деньги

[DromHour]

Василий Банников, АТС есть АТС. Сейчас у нас примерно 3000 линий в общей сумме, планируется расширение и достаточно большое. 18кк рублей (по текущему курсу) для российской компании просто за право использования - достаточно большие деньги, учитывая, что оплату распознавания никто не отменял. Долго рассказывать не буду, но годовой доход компании за последний год составил чуть выше 20кк рублей, что уж говорить о прибыли.
Если уж единственный готовый вариант - покупать плагин, то проще и дешевле нанять специалистов дополнительно и заплатить им - в общей сумме выйдет в десятки раз дешевле, а решение будет более гибким

[Василий Банников]

DromHour, тоже так думаю. Задача вроде не дико сложная - максимум может на серваки придётся раскошелиться.

[DromHour]

Василий Банников, прикол плагина именно в том, что покупатель в буквальном смысле платит за воздух. Это слишком высокая цена просто за право использования. Сервера остаются на нём, плюс нужен будет license сервер, который будет распределять выделенные каналы на кластер серверов uniMRCP (если их много).

Answer 2

[nshmyrev]

И за яндекс и за unimrcp придётся платить. Причём за яндекс даже больше.

Можете бесплатный Воск попробовать:

https://github.com/alphacep/vosk-api

и https://github.com/alphacep/freeswitch/tree/master...

либо через Vosk Unimrcp https://github.com/alphacep/unimrcp-vosk-plugin