Аудио в текст — расшифровка записи по абзацам и говорящим

Онлайн-инструмент для расшифровки аудио- и видеозаписей в текст: совещаний, интервью, лекций, подкастов и голосовых заметок. Результат выходит по абзацам, с метками говорящих и таймкодами; его можно править прямо на странице, копировать и скачать в DOCX, PDF, TXT или субтитрами SRT/VTT. Короткие файлы распознаются в браузере, многочасовые — на нашем сервере, а о готовности приходит письмо.

Как расшифровать аудио в текст

3 шага
1
Загрузите запись

MP3, WAV, M4A, FLAC, OGG, WebM или видео — перетащите файл на страницу или выберите на устройстве.

2
Настройте распознавание

Выберите язык и качество, включите «Помечать говорящих» и укажите число участников, если знаете его.

3
Заберите текст

Поправьте слова и имена говорящих прямо на странице, затем скопируйте текст или скачайте DOCX, PDF, TXT, SRT или VTT.

Превратите запись разговора в читаемый документ: кто что сказал и когда

Если вам наоборот — превратить текст в голос, используйте Озвучка текста →

Нужно надиктовать вживую? 🎤 Набор текста голосом

Перетащите аудио- или видеофайл сюда
MP4, WEBM, MOV, MP3, WAV, M4A, OGG, FLAC, AAC, M4B, WMA, AIFF, OPUS, CAF, MKV, AVI, WMV, FLV, M4V, 3GP, TS, MTS, M2TS, VOB, MPG, MPEG, OGV

Настройки расшифровки

Говорящие
📝 Имена и термины (необязательно)
Перечислите имена собственные, названия и термины — так ИИ напишет их правильно.
Запись зашумлена или глухая? Сначала очистите звук →

Распознанный текст появится здесь.

00:00

Какую модель выбрать: в браузере или на сервере

Где идёт расшифровка, решает переключатель «Обработка» в настройках. В браузере модель скачивается один раз, остаётся в кэше и работает на вашем устройстве — время зависит от него. На сервере запись расшифровывает наш сервер: вкладку можно закрыть, о готовности придёт письмо.

В браузере

Время — минут работы на одну минуту записи, медиана прогонов посетителей; первый запуск дольше на время загрузки модели. Названия — как в списке «Качество распознавания».

Модель Загрузка, один раз Компьютер Телефон Когда выбирать
БыстроWhisper Tiny 39–73 МБ ≈ 0,3 0,2–0,3 Черновик английской речи на слабом устройстве. На других языках ошибается так часто, что тул её сам не предлагает.
ТочноWhisper Base 73 МБ ≈ 0,6 0,3–0,9 Английская речь; для других языков — когда устройство не успевает с «Высокой точностью».
Высокая точностьWhisper Small 238–462 МБ ≈ 1,4 2,4–6,4 Языки, кроме английского и русского, если устройство успевает: на испанском ошибок в 3,5 раза меньше, чем у Base.
МаксимумWhisper Large v3 Turbo 1–1,5 ГБ ≈ 3,1 (оценка) 5–14 (оценка) Самый трудный звук. Нужна видеокарта; на устройствах с памятью до 4 ГБ не предлагается, сам тул её не включает.
Русская — точнееGigaAM v3 305 МБ ≈ 0,6 ≈ 2,7 (оценка) Русская речь: тул ставит её сам, если устройство потянет загрузку. Ошибок в словах в разы меньше, чем у Whisper; другие языки не распознаёт.

На сервере

Время на одну минуту записи — медиана прогонов этого сервера. Разметка говорящих добавляет ≈ 5 с на минуту, а если сервер занят — ожидание в очереди.

Режим Время на минуту записи Когда выбирать
СтандартWhisper Base ≈ 13 с (оценка) Быстрый, точность ниже
ВысокоеWhisper Small ≈ 2 с Вдвое точнее «Стандарта»
МаксимумWhisper Large v3 Turbo ≈ 9 с Все языки; на русском лучше на чистой записи
Русская модельGigaAM v3 ≈ 1 с Точнее на записях с телефона и в комнате; только русский язык

Из видео расшифровывается только звуковая дорожка — она в десятки раз меньше самого ролика.

Опубликовано Обновлено Автор: