Транскрибация аудио в текст: как расшифровать запись нейросетью

Переслушивать часовую планёрку ради одной цифры не хочется никому. Проще загрузить запись в раздел «Расшифровки» tenzor и получить текст, где видно, кто что сказал и на какой минуте. Ниже по шагам: какую модель выбрать, как не потерять фамилии и термины и что делать с расшифровкой потом.

Чтобы перевести аудио в текст, откройте раздел «Расшифровки», загрузите файл (mp3, wav, m4a, ogg, mp4 или webm до 500 МБ и 4 часов) или вставьте ссылку на запись, выберите модель и нажмите «Расшифровать». Модель Scribe v2 различает голоса, ставит тайм-коды и пишет имена по вашей подсказке, час записи на ней стоит около 79 ₽. Быстрые модели обходятся в 2–5 ₽ за час, но голоса не различают и берут записи до двух часов.

Что такое транскрибация и где она пригодится

Транскрибацией, или расшифровкой аудио в текст, называют перевод устной речи в письменную. Вручную на час разговора уходит несколько часов работы. Нейросеть справляется за минуты, а человеку остаётся проверить фамилии и цифры.

Чаще всего расшифровывают:

• совещания и планёрки, чтобы собрать протокол и список задач;
• интервью, откуда нужны точные цитаты;
• лекции и вебинары для конспекта;
• подкасты и видео, из которых потом делают пост или субтитры;
• голосовые заметки, надиктованные на ходу.

Как расшифровать запись по шагам

1. Откройте раздел «Расшифровки» и выберите вкладку: «Из файла», «По ссылке» или «С микрофона».
2. Перетащите файл в окно загрузки или нажмите на него и выберите запись на диске. Подходят аудио и видео: mp3, wav, m4a, ogg, mp4, webm. Звук из видео сервис достаёт сам.
3. Если запись лежит на YouTube, VK, RuTube или на площадке подкаста, вставьте ссылку во вкладке «По ссылке». Длительность и стоимость посчитаются по самой записи.
4. Выберите модель и язык: «Авто», «Русский» или «English».
5. Впишите в поле «Имена и термины через запятую» фамилии, названия компаний и профессиональные слова, которые звучат в записи. Поле есть у Scribe v2.
6. Поставьте галочку «Сразу сделать итоги», если вместе с текстом нужна выжимка разговора.
7. Нажмите «Расшифровать». Работа идёт на сервере, вкладку можно закрыть: готовый текст появится в списке «Мои расшифровки».

Вкладка «С микрофона» расшифровывает разговор по ходу: нажимаете «Начать запись», и текст приходит кусками примерно каждые пятнадцать секунд. Вкладку в это время не закрывайте. Запись там распознаётся по частям, поэтому подписи говорящих выходят менее надёжными. Совещание, где важно, кто что сказал, лучше записать на диктофон и загрузить файлом.

Какую модель выбрать для расшифровки

Если в записи несколько человек и важно, кто что сказал, берите Scribe v2: из быстрых моделей голоса не различает ни одна. Лекцию, монолог или диктовку спокойно доверяйте быстрой модели, шумную запись с диктофона — Whisper Large. Короткое описание каждой модели видно в форме прямо под её названием.

Разделение по голосам и тайм-коды

Scribe v2 сама определяет, сколько человек говорит, и подписывает реплики: «Говорящий 1», «Говорящий 2» и так далее. Над текстом эти подписи стоят отдельными кнопками. Нажмите на «Говорящий 1», впишите «Ирина», и имя заменится во всей расшифровке и в выгрузке.

Так выглядит начало расшифровки планёрки, когда говорящим уже дали имена (пример):

0:12  Ирина: Давайте по срокам. Где мы с поставкой плитки?
0:18  Олег: Первая партия будет в четверг, вторая только через неделю.
0:25  Ирина: Тогда монтаж в санузле переносим на понедельник.

Время слева от реплики кликабельно: плеер над текстом перематывает запись на это место. Так удобно проверять сомнительные слова, суммы и сроки, не прослушивая весь час.

Насколько точно распознаётся русская речь

Чистая запись, где люди говорят по очереди, расшифровывается почти дословно, с точками и запятыми. Акцент и быстрый темп модели переносят спокойно. Ошибки копятся там, где и человек переспросил бы:

• два-три человека говорят одновременно;
• микрофон далеко или телефон лежит в кармане;
• фоном играет музыка или шумит кафе;
• звучат редкие фамилии, аббревиатуры, узкие термины;
• диктуют цифры, артикулы и суммы.

С терминами помогает подсказка: слова из поля «Имена и термины» Scribe v2 распознаёт заметно точнее. Для шумной записи выбирайте Whisper Large. Если запись на русском или английском, укажите язык явно, а «Авто» оставьте для остальных языков.

Что делать с расшифровкой дальше

Во вкладке «Итоги» лежит выжимка разговора: о чём говорили, какие решения приняли, кто что делает и к какому сроку, что осталось нерешённым, какие прозвучали цифры. Если галочку при загрузке не ставили, нажмите «Сделать итоги». Свой формат задаётся в поле «Что важно вытащить», например «только задачи и сроки». Итоги считаются отдельно, в форме указан ориентир: примерно рубль за час записи.

Кнопка «Обсудить с ИИ» открывает новый чат, куда расшифровка уже приложена файлом. В поле ввода стоит заготовка про краткое резюме, её можно заменить своим запросом:

Оформи протокол совещания: участники, повестка, решения, задачи с ответственными и сроками. Ничего не добавляй от себя.

Выпиши из интервью пять самых сильных цитат дословно и укажи, кто их сказал.

Под текстом расшифровки есть ещё «Копировать», «В проект» (текст попадёт в базу знаний проекта, и его будут учитывать все чаты проекта) и выгрузка в «TXT», «Word», «PDF», «Субтитры SRT» и «Субтитры VTT». Все расшифровки хранятся в списке «Мои расшифровки» с поиском по тексту: легко найти, на какой встрече обсуждали аванс.

Сколько стоит расшифровка

Платите за длительность записи, списание идёт по факту. Для файла сумма видна на кнопке «Расшифровать» ещё до запуска, для ссылки форма показывает цену за минуту. Если расшифровать не получилось, деньги не списываются. Ориентиры:

• часовая планёрка на Scribe v2: около 79 ₽;
• двадцатиминутное интервью на Scribe v2: около 26 ₽;
• полуторачасовая лекция на Whisper Large: около 8 ₽, на Whisper Turbo около 3,6 ₽;
• итоги по расшифровке: примерно рубль за час записи.

Как устроен счёт, подробно разобрано в статье про токены и кредиты.

Что дальше

• Как перевести голосовое в текст: короткие голосовые из Телеграма и диктовка в чат.
• Как перевести видео в текст: ролики по ссылке и субтитры.
• Нейросеть для конспекта: лекции, вебинары и учебники.
• Как озвучить текст нейросетью: обратная задача, текст в голос.

Частые вопросы