Расшифровка аудио в текст на Братухе делается в одной нейросети, «Расшифровка аудио и видео». Загружаете запись созвона, лекции, интервью или голосовое и получаете текст: абзацами, по людям с отметками времени или файлом субтитров. Мы проверили её на трёх версиях одного созвона (чистой, с шумом кафе и после чистки от шума) и на голосовом с фамилиями и терминами. Вот первый результат: полутораминутный рабочий созвон и то, что нейросеть из него сделала.
[00:00] Спикер 1: Олег, привет. Давай быстро по сайту для пекарни «Колосок». У меня в два часа ещё один созвон.
[00:06] Спикер 2: Да, привет. Ну, макет главный я закончил вчера вечером. Ссылку отправил тебе на почту.
[00:13] Спикер 1: Видела. Главное нравится. Но заказчица просит поменять фото на первом экране. Говорит, там батон, а они славятся ржаным хлебом на закваске.
[00:24] Спикер 2: Понял, это 5 минут. А меню с ценами они прислали? Без него я не могу сверстать каталог.
[00:31] Спикер 1: Прислали, но в PDF, 42 позиции. Я перебью все в таблицу до четверга.
[00:38] Спикер 2: Хорошо, тогда смотри, если таблица будет в четверг, каталог я сделаю к понедельнику, к 29.
[00:47] Спикер 1: А доставку подключаем сразу или вторым этапом?
[00:50] Спикер 2: Вторым, там нужен договор со службой доставки. Это минимум неделя. Я бы не обещал раньше середины октября.
[01:00] Спикер 1: Согласна. Тогда фиксирую. Фото меняешь сегодня. Я делаю таблицу к четвергу. Каталог к двадцать девятому. Доставка в октябре. Бюджет не меняется. Сто восемьдесят тысяч.
[01:14] Спикер 2: Всё верно. Скинешь потом итог в чат?
[01:17] Спикер 1: Скину. Всё. Подержала. Спасибо.
Расшифровка аудио и видео · русский, спикеры + таймкоды · 0,01 ₽/сек.
Спикер 1 здесь Ирина, Спикер 2 — Олег. Голоса озвучены нейросетью ElevenLabs v3, поэтому у нас был точный исходный текст для сверки. Из 160 слов нейросеть ошиблась в трёх: «макет главной» стал «главный», «главная нравится» превратилось в «главное», а «побежала» в последней реплике — в «подержала». Эту реплику Ирина начинает, не дождавшись конца вопроса Олега, и всё равно все одиннадцать реплик разложены по людям верно. Расшифровка заняла 15 секунд, а 81 секунда записи стоила 81 копейку.
В поле Что расшифровываем? два варианта. Файл: одна запись до 5 ГБ и до 10 часов. Подходят аудио (MP3, WAV, M4A, FLAC и больше двадцати других форматов) и видео (MP4, MOV, WEBM и другие). Звук из ролика нейросеть достанет сама. Голосовые из мессенджеров в OGG и OPUS тоже принимаются. Ссылка: адрес ролика на YouTube, скачивать его не придётся.
Язык: русский, английский, немецкий, французский, испанский или Автоматически. Автоопределение надёжнее, когда речи в записи хотя бы 15 секунд, так что для короткой записи язык лучше выбрать самому.
В поле Формат получения выбирают, куда придёт результат. Текст откроется прямо в истории под формой. TXT, DOCX (документ Word), PDF и SRT (файл субтитров с отметками времени) придут файлом с кнопкой Скачать. Платите за каждую секунду записи (0,01 ₽/сек.), сумма видна на кнопке до запуска.
Поле Формат текста определяет, как нейросеть соберёт распознанную речь. Вариантов шесть: Сплошной, Абзацы, Предложения, Абзацы + Таймкоды, Разделение на спикеров и Разделение на спикеров + Таймкоды. Таймкод — отметка времени вроде [01:14], по ней легко найти место в записи. Если выбран SRT, этого поля нет: у субтитров своя разбивка.
Ниже начало того же созвона в двух других форматах.
Олег, привет. Давай быстро по сайту для пекарни «Колосок». У меня в два часа ещё один созвон. Да, привет. Ну, макет главный я закончил вчера вечером.
Ссылку отправил тебе на почту. Видела. Главное нравится. Но заказчица просит поменять фото на первом экране…
Расшифровка аудио и видео · Абзацы · 0,01 ₽/сек.
1
00:00:00,031 --> 00:00:03,651
Олег, привет. Давай быстро по сайту для пекарни
2
00:00:04,151 --> 00:00:07,651
«Колосок». У меня в два часа ещё один созвон. Да, привет.
3
00:00:08,311 --> 00:00:12,411
Ну, макет главный я закончил вчера вечером. Ссылку отправил
4
00:00:12,911 --> 00:00:16,011
тебе на почту. Видела. Главное нравится.
Расшифровка аудио и видео · файл .SRT · 0,01 ₽/сек.
В абзацах реплики слились: «Да, привет» Олега стоит в одном абзаце со словами Ирины. Для лекции, где говорит один человек, это не мешает, а разговор без разделения на спикеров читать трудно. SRT режет речь на строки по 3–4 секунды, не глядя на смену собеседника, зато файл сразу встаёт субтитрами в видеоредактор или на YouTube.
Числа нейросеть пишет по-разному даже в одной записи: «5 минут», «42 позиции» и «к 29» цифрами, а «к двадцать девятому» и «сто восемьдесят тысяч» словами. Перед отправкой протокола суммы и даты стоит сверить.
Мы наложили на тот же созвон шум кафе: разговоры, посуду и кофемашину. Шум громче голосов: так звучит телефон, который лежит на столике. Потом прогнали эту запись через DeepFilterNet3, которая убирает фон, и расшифровали обе версии. Текст чистой записи — в первом примере.
Олег, привет. Давай быстро по сайту для пекарни колосок. У меня в два часа еще один созвон. Да, привет. Ну, макет главный я закончил вчера вечером. Ссылку отправил тебе на почту. Видела. Главное нравится. Но заказчица просит поменять фото на первом экране. Говорит, там батон, а они славятся ржаным хлебом на закваске.
Расшифровка аудио и видео · шум кафе · 0,01 ₽/сек.
Олег, привет! Давай быстро по сайту для пекарни и колодцов. У меня в два часа ещё один созвон. А, привет. Ну, макет главный я закончил вчера вечером. Тылку отправил тебе на почту. Видел. Главное нравится. Но заказчица просит поменять фото на первом экране. Говорит, там батон, а они славятся ржаным хлебом за квас.
Расшифровка аудио и видео · шум кафе, после DeepFilterNet3 · 0,01 ₽/сек.
На расшифровку шум кафе почти не повлиял. Слова те же, что в чистой записи, пропали только кавычки у «Колоска» и буква «ё». Дальше по записи вместо сказанного «к понедельнику, к двадцать девятому» вышло «в понедельник. В двадцать девятом», других отличий нет. А чистка навредила. DeepFilterNet3 срезала вместе с шумом куски слов, и появились «пекарни и колодцов», «тылку» и «хлебом за квас», а ещё дальше из текста выпало целое «Прислали». Вывод из нашей пробы: после DeepFilterNet3 расшифровка стала хуже, поэтому в расшифровку лучше отдавать исходник. О чистке звука подробно рассказываем в разделе «Улучшение аудио».
Фамилии, названия и сокращения нейросеть пишет так, как услышала. Мы написали текст голосового с делами на завтра, озвучили его в Меге и сохранили в OGG, как голосовые из мессенджеров:
Без подсказок вышли «Позвоните Велине» вместо «позвонить Эвелине», кофейня «Брёш» вместо «Бриошь» и «ХАСП» с одной «С». Тогда мы открыли Дополнительные настройки и добавили правила в Свой словарь, всего можно добавить до 20 правил. В поле Как может прозвучать пишут слово так, как его записала нейросеть, в поле Как записать — как оно должно выглядеть.
велине → Эвелине
брёш, бриош, брешь → Бриошь
хасп, хассп → ХАССП
мелькомбината → Мелькомбината
Rational → рационал
Заметка себе на завтра. Первое. Позвоните Велине Жмуркиной из кофейни «Брёш». Они хотят брать наш ржаной на закваске двадцать буханок в неделю. Второе.
У порок инвектомата рационал опять ошибка. Вызвать мастера. Спросить Тимура Абдрахманова. Третье. К проверке по ХАСП обновить журнал температур до 5 октября.
И не забыть про счёт от мелькомбината.
Расшифровка аудио и видео · без словаря · 0,01 ₽/сек.
Заметка себе на завтра. Первое. Позвоните Эвелине Жмуркиной из кофейни Бриошь. Они хотят брать наш ржаной на закваске двадцать буханок в неделю. Второе.
У порок инвектомата рационал опять ошибка. Вызвать мастера. Спросить Тимура Абдрахманова. Третье. К проверке по ХАССП обновить журнал температур до 5 октября.
И не забыть про счёт от Мелькомбината.
Расшифровка аудио и видео · Свой словарь, 5 правил · 0,01 ₽/сек.
Сработали четыре правила из пяти. Пятое мы по ошибке записали наоборот, поставив марку печи Rational слева, и «рационал» остался кириллицей. «Порок инвектомата» (в записи «пароконвектомата») тоже остался: для него правила не было. Словарь исправляет только то, что в нём есть, поэтому удобно сначала расшифровать запись, выписать ошибки и запустить её ещё раз с правилами.
Под готовой расшифровкой есть кнопка Резюме, цена написана прямо на ней. Нейросеть перечитывает текст и пишет короткий пересказ с итоговым списком. По нашему созвону он пришёл через 5 секунд:
Обсуждение сайта пекарни «Колосок»
Олег сообщил, что завершил макет главной страницы и отправил ссылку коллеге. Главная ей понравилась, но заказчица попросила заменить фото на первом экране: вместо батона показать ржаной хлеб на закваске. Олег согласился сделать замену в тот же день.
Каталог и сроки
Меню с ценами получено в PDF и включает 42 позиции. Коллега перенесёт данные в таблицу к четвергу. После этого Олег подготовит каталог к понедельнику, 29-го числа.
Доставка и бюджет
Подключение доставки перенесли на второй этап: для этого нужно заключить договор со службой доставки, что займёт минимум неделю. Срок — не раньше середины октября.
Бюджет остаётся без изменений — 180 000 рублей. Коллега зафиксирует договорённости и отправит итог в чат.
Итоговые договорённости
— Олег меняет фото на главной сегодня.
— Коллега готовит таблицу с 42 позициями к четвергу.
— Каталог будет готов к 29-му.
— Доставку подключат отдельным этапом в октябре.
— Бюджет — 180 000 рублей.
Расшифровка аудио и видео · кнопка Резюме у готовой расшифровки · 0,01 ₽/сек.
Резюме само исправило «главный» на «главной страницы» и свело числа к одному виду. Имя Ирины в записи не звучало ни разу, поэтому в пересказе она «коллега».
Спросить о записи можно и напрямую, в нейросети «Анализ аудио»: в неё загружают аудио и пишут вопрос. Секунда записи в ней стоит в десятки раз дороже, чем в расшифровке. На вопрос «Какие договорённости и сроки назвали участники созвона?» она через 2 минуты перечислила сроки верно, но пропустила бюджет в 180 тысяч. Для протокола встречи Резюме по готовой расшифровке оказалось и полнее, и дешевле.
Расшифровка в этой категории одна. Рядом стоят нейросети, которые берут ту же запись и делают с ней другое.
| Нейросеть | Цена | Что делает | Что загрузить |
|---|---|---|---|
| Расшифровка аудио и видео | 0,01 ₽/сек. | превращает речь в текст (TXT, DOCX, PDF, SRT) | аудио или видео до 10 часов, ссылка на YouTube |
| Анализ аудио | от 0,3 ₽/сек. | отвечает на вопрос по записи | аудио |
| VEED Subtitles | от 15 ₽/мин. | вшивает оформленные субтитры в ролик | видео |
| DeepFilterNet3 | 0.2 ₽/сек. | приглушает фоновый шум | аудио до 10 минут |
| ElevenLabs Audio Isolation | 0.4 ₽/сек. | вырезает шум и музыку из-под голоса | аудио или видео |
Пошаговый разбор формы с картинками есть в инструкции «Как расшифровать аудио или видео в текст». Если нужно, наоборот, превратить текст в голос, загляните в раздел «Озвучка текста».
Статья обновлена 25 сентября 2026 г.
