Расшифровка аудио в текст онлайн бесплатно

Без регистрации, без установки программ, без ограничения по длительности в платном режиме. Русская речь, готовые знаки препинания, реплики разведены по говорящим и подписаны именами.

Конвертер аудио в текст — почему не любой

Большинство сервисов в поиске — это универсальные конвертеры «всё во всё», где распознавание речи одна из сотни функций, а русский — один из ста языков. Отсюда типичные проблемы: текст сплошняком без знаков, «Speaker 1» вместо имён, потерянные окончания.

Мы делаем только распознавание и только с приоритетом на русский:

Одно действие, а называют его по-разному

Расшифровка аудио в текст, транскрибация, транскрипция, перевод аудио в текст, преобразовать, конвертировать или распознать запись, перевести звук в текст, извлечь текст из аудио — это всё одно и то же, и здесь делается одинаково: загружаете файл, получаете текст. Разными словами это называют потому, что пришли из разных мест: «транскрибация» — из работы с интервью, «расшифровка» — из делопроизводства, «конвертировать» — по привычке к файловым конвертерам, а «звук в текст» говорят те, кому важен не формат записи, а то, что в ней слышно.

Чего мы не делаем — обратного. Озвучку текста голосом, синтез речи, «текст в аудио» — это другая задача и другой сервис. Здесь только из записи в текст.

Это не файловый конвертер и не живой расшифровщик

Файловый конвертер меняет упаковку: mp3 в wav, wav в ogg — данные внутри те же. Здесь другое: речь распознаётся, и на выходе появляется то, чего в звуке не было — слова, знаки препинания, границы реплик, имена участников. Поэтому результат зависит не от формата файла, а от самой записи: насколько близко стоял микрофон, сколько человек говорит, что происходит на фоне.

Расшифровывает программа, а не человек. Текст готов за минуты, но вычитка остаётся за вами: пройти по числам, фамилиям и терминам всё равно придётся. Если нужен документ с гарантированной дословностью, за которую кто-то отвечает подписью, — это работа исполнителя, а не сервиса.

Как расшифровать аудио онлайн

1. Загрузите файл в браузере — аудио или видео, звуковую дорожку достанем сами.
2. Дождитесь обработки: сервис готовит звук, находит в нём речь, определяет, кто когда говорит, и разбирает слова.
3. Заберите текст, разложенный по говорящим, с временем у каждого слова. Скачать можно в TXT, субтитрами SRT или в JSON для своей программы.

Час записи обрабатывается за 11–12 минут на обычном процессоре, без видеокарты: 11 минут на чистой начитке, 12 на живой речи в шуме. Короткие записи идут быстрее — совещание на 17 минут 52 секунды разобрано за 94 секунды, но рассчитывать стоит на диапазон, а не на удачный файл.

Для каких записей подходит

Загрузите любое аудио или видео с русской речью — сервис рассчитан на разговор, а не только на чистую начитку: интервью, лекции и вебинары, совещания и встречи, голосовые сообщения, записи с диктофона и видео — звуковую дорожку из видео сервис извлекает сам.

Распознаётся только русская речь: модель обучена на ней. Перевода на другие языки нет, и запись на английском сюда не по адресу.

Что должно быть в готовой расшифровке

Сплошная простыня букв без разделения на людей и без времени формально верна и практически бесполезна: по ней нельзя ни процитировать, ни проверить спорное место. В готовой расшифровке смотрят на пять вещей:

Имя говорящего хранится отдельно от текста, поэтому переименование делается один раз: назвали незнакомый голос — имя подставится и в прошлых расшифровках, а не в одной строке.

Что реально влияет на точность расшифровки

Точность определяет сама запись. Порядок такой: сначала расстояние до микрофона, потом фон и манера речи, и только потом формат файла. Вклад по убыванию:

• Расстояние до микрофона. Диктофон рядом с говорящим даёт почти чистый текст; тот же диктофон посередине переговорной — заметно больше правок, а в сумке под столом — набор догадок.
• Список терминов. Обычная речь распознаётся хорошо, а ломается всё на именах собственных и специальной лексике: фамилии, латинские названия, аббревиатуры. Модель их не встречала и подставляет похожее по звучанию слово. После регистрации десяток таких слов передаётся вместе с записью через запятую — распознанные похожие слова заменятся на ваше написание. Это даёт больший прирост точности, чем пересъёмка звука, и занимает полминуты.
• Наложенная речь. На перебиваниях и общем смехе реплики могут смешаться: голоса звучат одновременно, и разделять там попросту нечего.
• Манера записи. Голосовое из мессенджера — самый простой материал: близкий микрофон, один говорящий, живая речь без эха. Портит его не формат, а обстановка: улица с ветром, движение и разговор на ходу, где проглатываются окончания слов.
• Запись из зала. Телефон на первом ряду даёт заметно лучший результат, чем на последнем. Вопрос с дальнего ряда часто записан тихо, и такие места стоит проверить по записи.

Разбор по форматам файла

Конвертировать перед загрузкой не нужно ни один из них, и это не вежливая оговорка: лишний проход через сторонний конвертер съедает высокие частоты, по которым различаются согласные, а обратное преобразование не возвращает потерянное при сжатии. Особенности же у форматов разные — и знать их полезно до того, как текст покажется странным.

• MP3. Сжатие с потерями. Выше 64 кбит/с на точность почти не влияет; ниже пропадают высокие частоты и путаются согласные — «с» и «ш», «т» и «п». Аудио из телефонии идёт на 32 кбит/с и ниже: смысл сохранится, но цифры и фамилии стоит сверить по записи.
• WAV. Потерь нет, значение имеет частота записи. 8 кГц — телефония: различие «с», «ш» и «ф» в таком файле физически отсутствует. 16 кГц — рабочая частота речи, 44,1 и 48 кГц дают ту же точность при файле втрое тяжелее.
• M4A. Контейнер MP4 без картинки, внутри обычно AAC. Основной источник — «Диктофон» на iPhone: телефон заранее подавляет шум и выравнивает громкость, и от этого на длинной записи изредка появляются «лишние говорящие».
• AAC. Тот же кодек, что в m4a, но без контейнера: длительность в файле не записана, и плеер может её не показать — на распознавание это не влияет. При равном весе aac разборчивее mp3.
• OGG и OPUS. Почти всегда голосовое из мессенджера: WhatsApp и Telegram пишут их в ogg с кодеком Opus. Маленький вес — не брак: Opus сделан под речь. Ошибки в голосовых берутся из манеры записи — ветер, речь на ходу, громкая связь.
• MP4. Контейнер видео: картинка на обработку не идёт, звуковую дорожку достаём сами. Пустой текст означает, что дорожки нет (запись экрана без микрофона) или первой оказалась не та — например, перевод вместо оригинала.
• WEBM. Формат браузера: запись экрана или выгрузка встречи. У прерванной записи плеер показывает нулевую длину, но звук цел, и текст достаётся полностью — такие файлы не стоит удалять как битые.

Кроме этих принимаются wma со старых диктофонов и записей с Windows, flac из архивов без потерь, а из видео — mov и mkv, где внутри всё то же, что в mp4.

Безопасность и конфиденциальность

• Загруженный аудиофайл удаляется после обработки — в бесплатном и в платном режиме.
• В бесплатной пробе текст не сохраняется нигде: скачайте его сразу после расшифровки.
• Готовую расшифровку можно удалить из кабинета самостоятельно, а хранение текстов — отключить для всей организации.
• Организацию целиком, вместе с записями и справочником голосов, удаляем по обращению её владельца.

Подробно — на странице как мы обращаемся с данными.

Длинная запись не держит вас у экрана

Ограничения по длительности в платном режиме нет: записи по три часа обрабатывались одним файлом, без дробления на куски. Сервис по очереди готовит звук, находит в нём речь, разделяет голоса и расставляет знаки — на каком шаге он сейчас, написано прямо на экране.

Страницу при этом можно закрыть: обработка идёт на сервере, а при возврате видно, сколько уже сделано. Задача останавливается на любой стадии; отменённая не оплачивается — деньги списываются один раз, когда текст готов.

Как достать голосовое из мессенджера

Файл сохраняется из самого мессенджера — сторонние онлайн-конвертеры, которые обычно советуют на этом шаге, портят звук лишним проходом сжатия и забирают файл себе. Порядок для Telegram, WhatsApp, MAX и кружочков разобран на странице голосовое сообщение в текст — там же про пачку сообщений и про то, где такие записи ломаются.

Вопросы