Транскрибация: аудио и видео в текст

Транскрибация — это превращение записанной речи в текст, который можно читать, искать, цитировать и править. Час совещания, интервью на диктофоне, лекция, созвон, голосовое на четыре минуты — всё это становится текстом за время, которое заметно меньше длительности самой записи. Здесь собрано, как это устроено, что влияет на точность, какие файлы и какой длины подходят и сколько это стоит.

Что вы получаете на выходе

Не сплошную простыню текста. Расшифровка приходит строками вида [04:12–04:27] Speaker 2: … — с таймкодом и с меткой говорящего:

[00:00–00:06] Speaker 1: Давайте начнём. Сначала цифры.
[00:06–00:14] Speaker 2: По выручке вышли на 25 000 000 ₽.
[00:14–00:19] Speaker 1: Хорошо. Что с оттоком?

Это важная деталь, а не оформление. И таймкоды, и метки говорящих измерены по самой звуковой дорожке — модель распознавания возвращает время начала и конца каждого слова и номер говорящего для него. Их не «расставляет» потом чат-модель, поэтому по таймкоду можно вернуться к нужной секунде записи и там действительно будет эта фраза.

Загрузите запись

Аудио или видео — всё равно; звуковая дорожка из видео читается напрямую, вытаскивать её отдельно не нужно. Скажите, на каком языке запись и о чём она, — на терминах это заметно помогает.

Что влияет на точность

Порядок здесь примерно такой — от того, что решает всё, к тому, что доводит результат:

• Чистота звука. Шум, музыка на фоне и перебивающие друг друга голоса — главные враги. Один микрофон близко к говорящему даёт лучший результат, чем «общий» звук с середины комнаты.
• Названный язык записи. Язык определится и сам, но если его назвать, включается запись чисел, дат и сумм в письменном виде: в тексте будет «25 000 ₽», а не «двадцать пять тысяч рублей прописью».
• Список имён и терминов. Это единственное, что чинит неверно распознанные фамилии, названия компаний, продуктов и внутренние сокращения. Перечислите их до запуска — принимается до ста терминов.
• Вычитка на выходе. Имена, числа и специальные термины проверяются глазами всегда, в любом сервисе и у любого живого транскрибатора тоже.

Сколько это стоит

Считается по длительности записи, а не по её весу: один и тот же час разговора стоит одинаково, записан он в mp3 на 30 МБ или в wav на гигабайт. Час аудио — 110 000 токенов, минимальный тарифицируемый отрезок — 30 секунд, так что голосовое на десять секунд стоит как полминуты, а не как «одна операция».

Стартовые токены нового пользователя покрывают примерно полтора часа записи — и они начисляются до регистрации, а не после. Регистрация добавляет ещё около полутора часов сверху. Подробный разбор границы бесплатного — в главе транскрибация онлайн бесплатно.

Отдельно: если в файле не нашлось распознаваемой речи — музыка, инструментал, тишина — с вас не спишется ничего.

Дальше по темам

Частные случаи разобраны в главах этой книги — полный список ниже, в оглавлении. Аудио в текст — про голосовые, диктофон и интервью; видео в текст — про ролики, длинные записи созвонов и почему ссылку на YouTube обработать нельзя; что такое транскрибация — если вы попали сюда за определением.

Соседние темы в других руководствах: обратная задача — превратить текст в речь — это озвучка текста, расшифровка под другим названием разобрана в главе расшифровка аудио в текст, а если текст нужен не для чтения, а чтобы лечь поверх кадра, — это субтитры к видео.

В чате Twelver можно загрузить запись, получить текст с таймкодами и спикерами и тут же попросить из него выжимку или список задач — в одной переписке. Стартовых токенов хватает примерно на полтора часа записи.

Содержание

1. 1.Перевести аудио в текст
2. 2.Перевести видео в текст
3. 3.Транскрибация текста: что это простыми словами
4. 4.Транскрибация онлайн бесплатно

Попробуйте сами

Всё из этого руководства работает в Twelver

Один чат для текста, картинок, видео, музыки и озвучки — без отдельных сервисов и подписок.

Открыть чат Twelver

📝Лендинг по темеТранскрибацияTwelver на AndroidТот же чат в приложении