Аудіо в текст — розшифровка запису за абзацами та мовцями

Онлайн-інструмент для розшифровки аудіо- та відеозаписів у текст: нарад, інтерв’ю, лекцій, подкастів і голосових нотаток. Результат виходить абзацами, з мітками мовців і таймкодами; його можна правити просто на сторінці, копіювати та завантажити у DOCX, PDF, TXT або субтитрами SRT/VTT. Короткі файли розпізнаються у браузері, багатогодинні — на нашому сервері, а про готовність надходить лист.

Як розшифрувати аудіо в текст

3 кроки
1
Завантажте запис

MP3, WAV, M4A, FLAC, OGG, WebM або відео — перетягніть файл на сторінку або виберіть на пристрої.

2
Налаштуйте розпізнавання

Виберіть мову та якість, увімкніть «Позначати мовців» і вкажіть кількість учасників, якщо знаєте її.

3
Заберіть текст

Виправте слова та імена мовців просто на сторінці, потім скопіюйте текст або завантажте DOCX, PDF, TXT, SRT чи VTT.

Перетворіть запис розмови на читабельний документ: хто що сказав і коли

Якщо потрібно навпаки — перетворити текст на голос, скористайтеся Текст у мовлення →

Треба надиктувати наживо? 🎤 Набір тексту голосом

Перетягніть аудіо- або відеофайл сюди
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

Налаштування розшифровки

Мовці
📝 Власні назви та терміни (необов’язково)
Вкажіть власні назви, бренди та терміни, щоб ШІ правильно їх написав.
Шумний або глухий запис? Спершу очистіть аудіо →

Тут з’явиться розпізнаний текст.

00:00

Яку модель обрати: у браузері чи на сервері

Де йде розшифровка, вирішує перемикач «Обробка» в налаштуваннях. У браузері модель завантажується один раз, лишається в кеші й працює на вашому пристрої — час залежить від нього. На сервері запис розшифровує наш сервер: вкладку можна закрити, про готовність прийде лист.

У браузері

Час — хвилин роботи на одну хвилину запису, медіана прогонів відвідувачів; перший запуск довший на час завантаження моделі. Назви — як у списку «Якість розпізнавання».

Модель Завантаження, один раз Комп’ютер Телефон Коли обирати
ШвидкаWhisper Tiny 39–73 МБ ≈ 0,3 0,2–0,3 Чернетка англійського мовлення на слабкому пристрої. Іншими мовами помиляється так часто, що інструмент сам її не пропонує.
ТочнаWhisper Base 73 МБ ≈ 0,6 0,3–0,9 Англійське мовлення; для інших мов — коли пристрій не встигає з «Високою точністю».
Висока точністьWhisper Small 238–462 МБ ≈ 1,4 2,4–6,4 Мови, крім англійської та російської, якщо пристрій встигає: іспанською помилок у 3,5 раза менше, ніж у Base.
МаксимумWhisper Large v3 Turbo 1–1,5 ГБ ≈ 3,1 (оцінка) 5–14 (оцінка) Найскладніший звук. Потрібна відеокарта; на пристроях із пам’яттю до 4 ГБ не пропонується, сам інструмент її не вмикає.
Російська — точнішеGigaAM v3 305 МБ ≈ 0,6 ≈ 2,7 (оцінка) Російське мовлення: інструмент ставить її сам, якщо пристрій потягне завантаження. Помилок у словах у рази менше, ніж у Whisper; інших мов не розпізнає.

На сервері

Час на одну хвилину запису — медіана прогонів цього сервера. Позначення мовців додає ≈ 13 с (оцінка) на хвилину, а якщо сервер зайнятий — очікування в черзі.

Режим Час на хвилину запису Коли обирати
СтандартWhisper Base ≈ 13 с (оцінка) Швидкий, найменш точний
ВисокаWhisper Small ≈ 26 с (оцінка) Вдвічі точніший за Стандарт
МаксимумWhisper Large v3 Turbo ≈ 30 с (оцінка) Всі мови; для російської — краще на чистому аудіо
Російська модельGigaAM v3 ≈ 3 с (оцінка) Найточніша і найшвидша для російської; лише російська мова
OpenAIOpenAI gpt-transcribe ≈ 2 с (оцінка) 200 токенів за хвилину · удвічі менше помилок, ніж у «Максимуму», у нашому замірі · запис надсилається до OpenAI (США)

З відео розшифровується лише звукова доріжка — вона в десятки разів менша за сам ролик.

Опубліковано Оновлено Автор: