Аудио в текст: расшифровка речи из записи

Загрузите аудиофайл — расшифровка начнётся сама, без единого вопроса. Не нужно выбирать язык, движок, качество или формат: сервер сам разбирает запись, сам решает, чем её распознавать, и сам режет длинную запись на части. Первые слова появляются на экране через несколько секунд после начала работы, а не в самом конце: текст течёт по мере готовности, и по нему сразу видно, туда ли всё идёт.

Инструмент про РЕЧЬ: разговор, лекцию, интервью, планёрку, голосовое сообщение, подкаст, диктофонную запись. Если нужно вытащить надписи с картинки, скана или PDF — это другая задача и другой инструмент, распознавание текста (OCR): там работают с изображением, здесь со звуком. Видеофайл тоже подойдёт — из него берётся звуковая дорожка.

Расшифровка бесплатная, без регистрации и без установки программ. Файл никуда не публикуется: звук удаляется сразу после работы, готовый текст хранится час и стирается.

Час записи расшифровывается обычно за четыре-восемь минут — заметно быстрее реального времени. На шумной записи дольше: сервер сам замечает, что первый распознаватель не уверен, и переигрывает её вторым, более точным, но втрое более медленным. Дольше всего идёт не расшифровка, а загрузка: файл на 300 МБ с мобильного интернета поднимается около восьми минут, и это самая долгая часть ожидания. Поэтому длину записи мы проверяем прямо в браузере, до отправки: если она больше лимита, вы узнаете об этом за секунду, а не через восемь минут.

Границы простые и названы прямо: одна запись — до 90 минут и до 500 МБ. Записи длиннее 90 минут сервис не берёт: под нагрузкой такая запись занимает рабочее место надолго, а мест всего два. Если запись длиннее — разрежьте её на части любым редактором и загрузите по очереди; текст каждой части приходит отдельно.

Мест для одновременной работы два, поэтому в редкие часы приходится подождать. В этом случае вы видите своё место в очереди и честную оценку времени, посчитанную по недавним записям, — а не бесполезное «попробуйте позже». Вкладку при этом можно свернуть: пока страница открыта, работа продолжается.

Это черновая расшифровка, которую вы вычитываете. Ошибки в ней будут — чаще всего в именах, названиях, терминах и цифрах, потому что их невозможно вывести из контекста. На чистой записи правок мало: вы поправите пару слов и расставите знаки там, где хочется. На записи из шумного кафе править придётся заметно больше.

Портит результат ШУМ, а не «глухой» звук — это проверено замерами. Телефонный разговор, который на слух кажется самым плохим, распознаётся почти так же хорошо, как студийная начитка: узкая полоса частот сама по себе не мешает. А вот диктофон, лежавший в углу переговорной, даёт заметно больше ошибок.

Поэтому про качество звука мы ничего не спрашиваем — сервер оценивает его сам и, если запись шумная, переигрывает её вторым, более медленным и более устойчивым распознавателем. А если разобрать не удалось совсем, мы прямо так и пишем: «разобрать не удалось». Выдуманный текст вместо честного отказа хуже, чем отсутствие текста: по нему нельзя понять, что расшифровки на самом деле нет.

Готовый результат можно посмотреть в четырёх видах. Простой текст — с абзацами, для чтения и правки: границы абзацев ставятся по настоящим паузам в речи, а не через каждые N символов. Текст с таймкодами — то же самое, но перед каждой фразой стоит метка времени: удобно, когда нужно вернуться к месту в записи и переслушать спорное слово. Субтитры SRT и VTT — те же слова, разложенные на реплики по правилам субтитров (до двух строк по 42 знака, в темпе чтения), если запись пойдёт под ролик или в плеер.

Любой вид копируется в буфер одной кнопкой или скачивается файлом — .txt, .srt или .vtt. Ничего из этого не обязательно: если вам нужно просто прочитать расшифровку, достаточно открыть страницу.

Если запись была длинной и часть её разобрать не удалось, пропуск помечен прямо в тексте с указанием времени. Молча склеивать оставшиеся куски нельзя: получился бы связный на вид транскрипт, из которого незаметно выпало двадцать минут разговора.