Как перевести аудио в текст: расшифровка аудиозаписи онлайн

Коротко: пять шагов от записи до текста

1. Зарегистрируйтесь: после подтверждения почты на счёте будут бесплатные минуты на пробу.
2. Загрузите аудиофайл в кабинете. Можно сразу видео: звуковую дорожку сервис извлечёт сам.
3. Укажите язык или оставьте автоопределение. Разделение на спикеров, то есть на говорящих, уже включено. Добавьте слова-подсказки: фамилии, названия, термины.
4. Дождитесь статуса «Готово». Обработка идёт в фоне, вкладку можно закрыть.
5. Проверьте текст, дайте спикерам имена и скачайте результат в DOCX (формат Word), PDF, Markdown (текст с простой разметкой) или TXT (простой текст).

Загрузить запись и перевести аудио в текст онлайн можно сразу после регистрации.

Какие аудиофайлы подходят

Сервис принимает AAC, AIF, AIFF, AMR, FLAC, M4A, MP3, OGG, OPUS, WAV, WMA, MP4, MOV, MKV, WEBM, AVI, M4V, WMV, ASF. Формат виден в конце имени файла: например, у файла zapis.m4a это M4A. Запись диктофона на телефоне обычно бывает в M4A или MP3, голосовые сообщения в OGG и OPUS, звонки в AMR, студийный звук в WAV и FLAC, выгрузки из программ видеосвязи в MP4 и WEBM.

Ограничения по длине и размеру одного файла зависят от тарифа:

Конвертировать запись заранее не нужно. Если формат из списка, загружайте как есть. Если у вас видео, всё работает так же, подробности в статье «Как перевести видео в текст».

Как подготовить запись, чтобы править меньше

Распознавание речи хорошо справляется с обычной разговорной записью, но качество текста всё равно зависит от звука. Чтобы править меньше:

• Микрофон ближе к говорящим. Телефон в центре стола слышит всех лучше, чем ноутбук в углу комнаты. На созвоне каждый говорит в свою гарнитуру.
• Меньше фонового шума. Кондиционер, музыка и посуда в кафе мешают распознаванию сильнее, чем кажется на слух.
• Один говорит, остальные слушают. Когда два человека говорят разом, реплики перемешиваются и хуже делятся по спикерам.
• Исходник, а не пересжатый файл. Каждая перекодировка теряет часть звука. Загружайте файл прямо из диктофона или программы видеосвязи.

Что настроить перед загрузкой

Настройки задаются для каждого файла отдельно. У интервью с клиентом и технической планёрки могут быть разные языки и словари.

Язык записи

Сервис распознаёт больше 60 языков и определяет язык автоматически. Если запись на одном языке и вы знаете на каком, выберите его вручную. Если разговор идёт на двух-трёх языках, например на русском с английскими терминами, укажите их как ожидаемые, то есть заранее подскажите сервису, какие языки прозвучат: распознавание будет увереннее, а другие языки всё равно не потеряются.

Разделение на спикеров

Спикер — это человек, который говорит на записи. Сервис различает спикеров по голосам, этот этап называют диаризацией. Текст делится на реплики, у каждой стоит номер спикера («1», «2»), и диалог читается как сценарий. Разделение включено сразу и доступно на всех тарифах, включая бесплатный. Если знаете, сколько человек на записи, укажите число. Число только подсказка. Похожие голоса всё равно могут слиться в один. Тогда в готовой расшифровке можно добавить спикера и перенести на него реплики.

Слова-подсказки

Это список слов, которые сервис учитывает при распознавании. Сюда стоит внести всё, что распознавание не знает или пишет по-своему: фамилии участников, название компании и продукта, аббревиатуры, отраслевые термины. Так меньше риск, что «Селиверстова» превратится в «села вёрстка», а gRPC запишется как-то иначе. Подсказки сохраняются в рабочей области (так называется ваше пространство в кабинете), и в следующий раз их не придётся вводить заново.

Сколько ждать результат

Расшифровка идёт в фоне. После загрузки кабинет показывает статус и ориентир, когда текст будет готов. Время зависит от длины записи и от очереди, но ждать обычно приходится заметно меньше, чем длится сама запись. Вкладку можно закрыть и вернуться, когда появится статус «Готово».

Что получится на выходе

Готовая расшифровка открывается в кабинете. У каждой реплики есть таймкод, то есть отметка времени от начала записи, а при включённом разделении ещё и номер спикера. По таймкоду легко найти нужное место в своей записи, если захочется переслушать фразу.

Текст можно поправить прямо в кабинете: исправить слово, дать спикеру имя вместо номера, перенести реплику к другому спикеру или добавить спикера, которого распознавание не выделило. Все правки попадают в выгрузки.

Скачивать результат можно сколько угодно раз, пока он хранится в кабинете. Повторная выгрузка минуты не расходует. На тарифе «Про» и выше можно одной кнопкой получить выжимку, или TL;DR: короткий пересказ с главными мыслями, решениями и следующими шагами из записи.

Сколько стоит расшифровка аудио

Начать можно бесплатно. После регистрации на счёте 120 минут, они не сгорают. Затем бесплатный тариф даёт 30 минут каждые 30 дней на файлы до 1 часа. Для регулярной работы есть платные тарифы с часами расшифровки на месяц, их цены на странице тарифов.

Минуты списываются за готовую расшифровку или за распознанную запись без речи. Если обработка завершилась ошибкой, минуты остаются на счёте.

Для сравнения: ручная перепечатка часа записи занимает от четырёх до семи часов работы, а у расшифровщика это обычно оплачивается поминутно. Вычитка всё равно нужна, но набирать текст не придётся.

Что происходит с файлом и текстом

Исходный аудиофайл удаляется сразу после отправки на распознавание, в сервисе он не хранится. Готовый текст остаётся в кабинете до 180 дней в зависимости от тарифа: на бесплатном до 60 дней. Удалить расшифровку раньше можно в любой момент.