Нейросеть для расшифровки аудио в текст
Загрузите запись — нейросеть распознает русскую речь, разделит реплики по говорящим и расставит знаки препинания. Дословно, с временем у каждого слова и без пересказа «своими словами».
mp3, wav, m4a, ogg, mp4 — первые три минуты бесплатно, без регистрации
Загружайте запись любой длины — бесплатно расшифруем первые 3 минуты. Без регистрации.
Что здесь делает нейросеть, а что нет
Слово «нейросеть» сейчас означает что угодно, поэтому скажем прямо, из чего состоит расшифровка и где проходит граница наших обещаний.
Делает: превращает звук в слова. Акустическая модель слушает запись и выдаёт текст. Это не поиск по словарю и не сравнение с образцами — модель обучена на тысячах часов живой речи и работает с той, которую слышит впервые.
Делает: находит речь и делит по людям. Отдельная модель отсекает тишину и шум, вторая сравнивает голосовые отпечатки отрезков и разводит реплики по говорящим. Третья расставляет знаки препинания, которых в звуке нет вовсе.
Не делает: не пересказывает. Выжимку, протокол и «главные мысли» строит генеративная модель — у нас её нет. Пересказ нельзя проверить, дословный текст можно: у каждого слова стоит время, и спорное место слушается за секунду.
Не делает: не переводит на другие языки и не озвучивает текст голосом. Обе задачи решают другие модели, и притворяться, что они у нас есть, мы не станем.
Как проверить нейросеть, прежде чем ей верить
Любой сервис распознавания скажет, что у него «высокая точность». Проверяется это четырьмя вопросами — задайте их и нам, и остальным:
- На каких записях измерено? На подготовленной начитке и на диктофоне в переговорной результат отличается вдвое. Наши цифры названы по трём разным срезам, а не одним числом.
- По каким правилам сравнивали тексты? Считать ошибки можно по-разному: с пунктуацией или без, с числами словами или цифрами. Наши правила и скрипты опубликованы, расчёт можно повторить.
- Сколько записей учтено? У нас 2398, и там, где часть записей прогон не завершил, это указано прямо в таблице.
- Можно ли попробовать без регистрации? Три минуты вашей записи — единственная честная проверка: чужой замер не расскажет, как сервис поведёт себя на вашем шуме и ваших фамилиях.
Вопросы
Какая нейросеть переводит аудио в текст?
Акустическая модель распознавания речи. В нашем случае это GigaAM v3 — открытая модель для русского языка от СберДевайсов, которую мы запускаем на своих серверах и меряем на открытых наборах данных. Рядом с ней работают отдельные модели: одна находит речь в записи, вторая делит запись по голосам, третья расставляет знаки препинания. «Одной нейросети», которая делает всё, не существует — это конвейер.
Нейросеть перескажет мне встречу и выделит решения?
Нет, и это принципиально. Мы отдаём дословный текст: что сказано, кем и когда. Пересказ, выжимка и «выдели главное» — работа генеративной модели, у нас её нет. Так честнее: пересказ невозможно проверить, а дословную расшифровку можно сверить с записью по таймкоду.
Насколько точно нейросеть распознаёт русскую речь?
На нашем открытом замере 2398 записей: 6,91 % ошибок в словах на подготовленной начитке, 7,62 % на живой спонтанной речи, 12,58 % на записях с бытовых устройств в шуме. Разброс между чистой записью и записью в шуме двукратный, поэтому одна цифра «точность 97 %» без описания условий ничего не значит.
Бесплатная нейросеть для расшифровки существует?
Первые три минуты любой записи разбираются бесплатно и без регистрации — этого хватает проверить качество на своём файле. Дальше 18 ₽ за час записи: нейросеть считается на процессорах, и это стоит денег. Полностью бесплатные сервисы обычно окупаются иначе — рекламой, лимитами или правом использовать ваши записи.
Можно ли запустить нейросеть у себя?
Да, модель распознавания открытая и лежит под лицензией MIT. Но кроме неё нужны поиск речи, разделение по голосам, пунктуация, очередь задач и хранилище — то есть весь конвейер, который мы и держим. Если задача разовая, дешевле загрузить файл сюда; если поток постоянный и данные не должны покидать контур, своя установка оправдана.
Где нейросеть ошибается чаще всего?
На именах собственных, терминах и аббревиатурах: модель их не встречала и подставляет похожее по звучанию слово. Дальше — наложенная речь, когда двое говорят одновременно, и запись с дальнего микрофона. Список терминов, переданный вместе с записью, снимает большую часть таких ошибок.
Страница обновлена 6 октября 2026