Субтитры на видео и расшифровка видео в текст

Загрузите файл и нажмите «Сгенерировать субтитры». Когда распознавание закончится, над транскриптом появятся кнопки «Скопировать» и «Скачать TXT» — расшифровку можно забрать сплошным текстом или с временными метками. Переключатель «Сплошным текстом» показывает результат в виде обычного документа: удобно вставить в конспект или в статью.

SRT — почти всегда: его читают YouTube, плееры и монтажные программы, и он несёт простые строки со временем. VTT — веб-формат, именно его ждёт браузер в дорожке субтитров. ASS берут, когда оформление должно доехать вместе с текстом: шрифты, положения и цвета лежат внутри файла, поэтому подпись, оформленная здесь, останется оформленной и у того, кто откроет её потом.

Он сначала слушает и решает сам: Whisper определяет язык по самому звуку более чем из девяноста, поэтому ролик, который вы не записывали, всё равно выйдет на нужном. Русский идёт через отдельную модель, обученную под него, а не через общую. Если в записи язык меняется или сильный акцент сбивает определение, задайте язык вручную до запуска — и гадать не придётся.

Да. Перед распознаванием Silero VAD размечает участки реальной речи, поэтому тишина во вступлениях, паузах и концовках пропускается, а точность на длинных файлах держится. Текст появляется в редакторе по мере обработки — не нужно ждать конца, чтобы начать читать и править. Видео длиннее 30 минут комфортнее обрабатывать на компьютере с 8 ГБ ОЗУ.

Да, кнопка «Скачать MP4 с субтитрами» собирает файл, в котором надписи нарисованы поверх картинки — такие субтитры видно в любой соцсети и в любом плеере, даже там, где SRT не поддерживается. Сборка идёт в браузере через FFmpeg WASM: видео кодируется в H.264, звук копируется без перекодирования.

Кликните по тайм-коду слева от строки в транскрипте и впишите новое время или подвиньте стрелками (Shift — шаг в секунду). Видео перематывается прямо во время правки, так что результат слышно сразу. Время слов пересчитывается от строки, поэтому караоке-подсветка остаётся в такт.

Границы слов Whisper определяет через cross-attention-декодирование, точность около ±200 мс — этого хватает и для караоке-подсветки, и для обычных субтитров. Если декодирование идёт медленно, включите быстрый режим: слова распределятся равномерно внутри сегмента. Время строки можно поправить вручную прямо в транскрипте.

Экспорт в VTT — стандартный формат закрытых субтитров для веб-плееров (HTML5 track, YouTube, Vimeo), который принимают проверки WCAG, ADA и EAA. Субтитры содержат временные метки, разметку спикеров (если включён детектор) и аккуратную пунктуацию. У вшитого MP4 есть обводка и тень для контраста и размещение внутри safe-зон.

Откройте «Словарь» в настройках распознавания и впишите свои термины — по одному на строку. Они передаются модели как начальная подсказка, и названия продуктов, фамилии, аббревиатуры и профессиональный жаргон начинают писаться правильно. Это самый заметный прирост точности на технических докладах и брендовом контенте.