Расшифровка аудио и видео

Что получится из записи

Программу ставить не нужно: расшифровка аудио в текст онлайн идёт прямо в форме выше, а текст приходит в историю под ней. Ниже готовый пример со вкладки «Примеры»: созвон двух коллег на 81 секунду. Голоса озвучены нейросетью, поэтому исходный текст для сверки у нас был. Формат — с разделением на спикеров и таймкодами.

Текст пришёл через 15 секунд. Это быстрее, чем длится сама запись. Перед каждой репликой стоят минута и секунда, по ним нужное место находится в плеере за секунды. Имён нейросеть не знает и пишет «Спикер 1» и «Спикер 2»: кто есть кто, вы подставите сами заменой в редакторе.

Перед отправкой протокола мы бы проверили две вещи. Числа в одной записи выходят то цифрами («к 29»), то словами («к двадцать девятому»). А там, где люди говорят одновременно, слово может подмениться похожим по звучанию: в последней реплике вместо «побежала» стоит «подержала». Полный текст этого созвона и разбор каждой ошибки есть в статье «Расшифровка аудио в текст».

Как это работает

Это нейросеть для расшифровки аудио в текст, и видео она принимает так же. В поле Что расшифровываем? выберите Файл и загрузите запись: форма принимает 29 аудиоформатов (MP3, M4A, WAV, OGG и другие) и 9 видеоформатов (MP4, MOV, WEBM и другие). Транскрибация видео в текст не требует подготовки: звук из ролика нейросеть возьмёт сама. Вариант Ссылка принимает адрес ролика на YouTube: вставьте его и нажмите Узнать цену, форма покажет название и длину ролика, и только после этого заработает отправка. За один запуск расшифровывается одна запись.

Дальше укажите Язык, Формат получения и Формат текста. Длину файла сайт посчитает сам, и цена появится на кнопке Отправить ещё до запуска. Готовый текст откроется в истории под формой с кнопкой Скопировать, а файл TXT, DOCX, PDF или SRT придёт с кнопкой Скачать. Результаты хранятся 7 дней в разделе Мои результаты. Если нужен не весь текст, а выжимка, нажмите под готовой расшифровкой Резюме: нейросеть перескажет запись коротко и сведёт договорённости в список. Это отдельный платный запуск, цена написана на самой кнопке.

Настройки: что выбрать под задачу

• Язык по умолчанию русский. «Автоматически», как подсказывает форма, надёжен, когда речи в файле хотя бы 15 секунд. Для короткого голосового язык лучше выбрать самому.
• Галочка Дополнительные настройки открывает Сохранять слова-паразиты и Свой словарь, а в форматах со спикерами ещё Ожидаемое число спикеров (от 1 до 10). Слова-паразиты — «ээ» и «мм» — нужны в дословной расшифровке, а для конспекта их лучше убрать. Число спикеров помогает не спутать собеседников.
• Свой словарь исправляет имена, бренды и термины, правил можно добавить до 20. В каждом два поля: Как может прозвучать (одно или несколько написаний, например «кипиай, кей пи ай») и Как записать («KPI»). Повторный запуск с правилами оплачивается заново за всю длину, так что для длинной записи известные заранее фамилии и термины лучше внести сразу.

Как подготовить запись

Промпт писать не нужно, от вас нужен только файл. Отдавайте исходник как есть: в нашей пробе шум кафе почти не сбил расшифровку, а после чистки в DeepFilterNet3 пропали куски слов и текст стал хуже (сравнение есть в статье категории). Длинный файл резать на части не нужно, если он укладывается в 10 часов и 5 ГБ. В нашем созвоне ошибка вышла как раз там, где люди заговорили одновременно, так что на встрече лучше не перебивать друг друга.

Сколько стоит

Платите за каждую секунду записи, неполная секунда округляется вверх. Язык, формат текста и формат получения на цену не влияют:

Подписки нет. Если запуск закончится ошибкой, деньги вернутся на баланс сами.

Для чего подойдёт

• Протокол созвона с клиентом: кто что обещал и к какому сроку, а потом выжимка по кнопке Резюме.
• Конспект лекции или вебинара, по которому готовиться удобнее, чем по видео.
• Субтитры к своему ролику файлом SRT для видеоредактора или YouTube.
• Интервью для статьи: по таймкоду спорную цитату можно переслушать с нужной секунды.
• Черновик поста, надиктованный голосовым.

Ограничения

• Собеседники подписаны номерами, а не именами. Когда голоса похожи или люди перебивают друг друга, реплики могут перепутаться: укажите число спикеров и проверьте такие места по таймкодам.
• Текст получается на языке записи, перевода нет. Перевести готовую расшифровку можно в чате с нейросетями.
• В списке пять языков, другие форма выбрать не даёт.
• По ссылке принимается только YouTube. Если ссылка не сработала или ролик с другого сайта, скачайте его и загрузите файлом.

Соседние нейросети

Пошаговый разбор с картинками формы есть в инструкции блога про расшифровку.

Вопросы и ответы