Речь в текст: запись с микрофона и распознавание

Нажмите «Записать» — браузер спросит разрешение на микрофон, и запись начнётся. Говорите; когда закончите, нажмите «Стоп» — запись сразу уйдёт на расшифровку, и через несколько секунд на экране появится текст. Это всё: ни настроек, ни выбора языка, ни регистрации. Отличие от соседней страницы «Аудио в текст» — в источнике: там вы загружаете готовый файл, здесь речь записывается на месте, микрофоном компьютера или телефона.

Текст появляется ПОСЛЕ остановки записи, а не по мере речи. Сервис расшифровывает готовую запись целиком — так он точнее живой диктовки, где слово распознаётся до того, как услышана фраза. Поэтому здесь не диктовка в поле ввода, а запись выступления, мысли вслух, заметки на ходу или разговора рядом с микрофоном — с последующей вычиткой.

Инструмент про РЕЧЬ. 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. Готовый файл — диктофонную запись, голосовое, лекцию — можно загрузить и на этой странице, поле для файла стоит под кнопкой записи.

Расшифровка бесплатная, без регистрации и без программ. Запись не хранится: звук уходит на сервер по остановке, удаляется сразу после расшифровки, готовый текст живёт час и нигде не публикуется.

Во время записи на экране виден счётчик времени и две кнопки: «Стоп — расшифровать» и «Отменить». Стоп отправляет запись, отмена выбрасывает её — ничего никуда не уходит, микрофон отпускается. Записать заново — «Отменить», затем снова «Записать». Прослушать запись до отправки нельзя: это лишний шаг на пути к тексту, а вычитать удобнее уже по расшифровке.

Одна запись — до 90 минут: на этой отметке запись остановится сама и уйдёт на расшифровку как обычная, о чём будет сказано на экране. Лимит тот же, что у файлов, и по той же причине: под нагрузкой полуторачасовая запись занимает рабочее место надолго, а мест всего два. Если говорить предстоит дольше — остановите запись, дождитесь текста и начните новую.

Записанный звук уходит в сжатом виде. Формат выбирает браузер: в Chrome, Яндекс Браузере и Edge это WebM с кодеком Opus, в Firefox — WebM или OGG с тем же кодеком; там полтора часа речи весят около 20–25 МБ, поэтому отправка занимает секунды или десятки секунд, а не минуты, как у большого файла. В Safari запись идёт в M4A — сервер принимает его так же, а вот размер такой записи мы ещё не мерили.

Вкладку во время записи лучше держать открытой и не блокировать экран телефона: часть мобильных браузеров останавливает микрофон свёрнутой вкладки. После остановки, пока идёт расшифровка, вкладку можно свернуть — работа продолжится. Не обновляйте и не закрывайте вкладку до «Стоп»: до остановки запись живёт только в памяти этой вкладки, на сервер ничего не уходит, и после перезагрузки страницы восстановить её нельзя — придётся записать заново.

Браузер спрашивает разрешение на микрофон при первом нажатии «Записать». Если вы нажали «Запретить» или разрешение закрыто раньше, страница скажет об этом прямо и подскажет, где его включить: в Chrome и похожих браузерах — значок замка слева от адреса → «Микрофон» → «Разрешить»; в Firefox — значок разрешений в адресной строке; в Safari — меню Safari → «Настройки для toolfox.ru»; на iPhone — «АА» в адресной строке → «Настройки веб-сайта». Если браузер и не спрашивал — доступ закрыт на уровне системы (на Mac: Системные настройки → Конфиденциальность и безопасность → Микрофон).

Микрофона нет или его держит другая программа (звонок, запись экрана) — страница тоже скажет об этом. В старых браузерах, в Safari до 14.1 на Mac и в iOS до 14.5 записи со страницы нет вовсе: тогда кнопки записи не будет, а будет объяснение и поле для файла — запишите речь диктофоном и загрузите файл.

В любом из этих случаев выход один и тот же и он рядом: загрузить готовую запись в поле под кнопкой. Файл пойдёт тем же путём и даст тот же текст.

Это черновая расшифровка, которую вы вычитываете. Ошибки будут — чаще всего в именах, названиях, терминах и числах, которые нельзя вывести из контекста. У записи с микрофона есть своё преимущество: вы управляете условиями. Говорите на расстоянии ладони от микрофона, не в шумной комнате, и правок будет мало.

Портит результат ШУМ, а не «глухой» микрофон — это проверено замерами: узкая полоса частот сама по себе не мешает, а фоновый разговор, вентилятор и эхо большой комнаты мешают сильно. Сервер оценивает запись сам и на шумной переигрывает её вторым, более медленным и более устойчивым распознавателем; если разобрать не удалось совсем, так и напишет — «разобрать не удалось», вместо выдуманного текста.

Инструмент рассчитан на русскую речь — под неё выбран основной распознаватель, и на ней он точнее прочих. Запись на другом языке может распознаться хуже или не распознаться вовсе.

Готовый результат можно посмотреть в четырёх видах: простой текст с абзацами по паузам, текст с таймкодами, субтитры SRT и VTT — те же слова, разложенные на реплики по времени. Для записи выступления или заметок нужен, как правило, первый; субтитры пригодятся, если вы одновременно писали видео и хотите наложить на него текст в редакторе.

Любой вид копируется одной кнопкой или скачивается файлом — .txt, .srt или .vtt. Текст хранится час, потом стирается, поэтому нужное лучше сохранить сразу. Ничего из этого не обязательно: если достаточно прочитать расшифровку, просто прочитайте её на странице.