Голосовые в текст: расшифровка голосовых сообщений из мессенджера

Загрузите файл голосового сообщения — расшифровка начнётся сама, и для короткого голосового текст появится через несколько секунд: по замеру на живом сервере голосовое на полминуты при свободном сервере готово за три-четыре секунды, на пять-семь секунд — за секунду, на десять — за одну-две. Если первый распознаватель в записи не уверен и её переигрывает второй, более медленный, готовый текст приходит примерно через столько же времени, сколько длится само голосовое: по замеру голосовое на двадцать секунд — за пятнадцать-двадцать. Ничего выбирать не нужно: ни язык, ни качество, ни формат. Отличие от соседней страницы «Аудио в текст» — в источнике: там любая запись — диктофон, подкаст, интервью, лекция; здесь голосовое из мессенджера, короткий файл, который сначала нужно сохранить из Telegram или WhatsApp. Как это сделать — ниже, по платформам и только то, что проверено по справке и исходникам приложений.

Расшифровка по ссылке на сообщение или из самого мессенджера здесь не делается: отдельного приложения или помощника внутри Telegram у нас нет — есть эта страница, куда вы загружаете файл. Зато у неё нет ограничений мессенджеров: подойдёт голосовое любой длины в пределах 90 минут, с любого телефона и из любого чата, а текст можно скопировать, скачать файлом или получить с таймкодами.

Инструмент про РЕЧЬ. Если нужно вытащить надписи с картинки, скриншота переписки или PDF — это другая задача и другой инструмент, распознавание текста (OCR): там работают с изображением, здесь со звуком.

Расшифровка бесплатная, без регистрации и без программ. Голосовое не сохраняется: звук удаляется сразу после расшифровки, готовый текст живёт час и нигде не публикуется.

В Telegram Desktop на компьютере откройте тот же чат (сообщения синхронизируются между всеми вашими устройствами — это описано в справке Telegram), нажмите на голосовое правой кнопкой и выберите пункт сохранения файла — в английском интерфейсе он называется Save As…. Файл будет в формате OGG с кодеком Opus; загрузите его на этой странице как есть, перекодировать не нужно.

На телефоне — в Telegram для Android и для iPhone — пункта «сохранить файлом» в меню голосового сообщения нет: мы проверили это по исходному коду обоих приложений, а не по слухам. Поэтому с телефона путь один: открыть чат в Telegram Desktop и сохранить оттуда. Кружок-видеосообщение сохраняется так же и подходит тоже — из него будет взят звук.

Расшифровка голосовых внутри самого Telegram — функция подписки Telegram Premium (по справке Telegram Premium это «Voice-to-Text»). Наша страница подписки не требует и работает с голосовым любой длины до 90 минут.

У WhatsApp есть собственная расшифровка голосовых — она выключена по умолчанию, и русский язык в ней поддерживается. По справке WhatsApp: на Android — Настройки WhatsApp → Чаты → включите «Расшифровка голосовых сообщений» и выберите язык; на iPhone — фото профиля → Чаты → «Расшифровка голосовых сообщений» → язык (нужна iOS 16 и включённая Siri). Затем нажмите на голосовое и удерживайте → «Расшифровка». Расшифровку видит только получатель, отправитель — нет, и справка честно предупреждает, что транскрипции могут быть неточными. Если она не появляется — WhatsApp называет три причины: язык расшифровки не совпадает с языком голосового, часть слов не распознана из-за шума, язык не поддерживается.

Если встроенной расшифровки на вашем устройстве нет, она не справилась или текст нужен файлом — сохраните голосовое и загрузите сюда. Прямого пункта «сохранить голосовое» в справке WhatsApp нет; описанный там путь к файлам — экспорт чата с медиафайлами: на Android — в чате «Другие опции» → «Ещё» → «Экспорт чата» → «Добавить файлы»; на iPhone — имя контакта или название группы → «Экспорт чата» → «Прикрепить медиафайлы», история уйдёт ZIP-архивом. Оговорка из той же справки: в экспорт попадают только недавно отправленные медиафайлы — старое голосовое так не достать. Если голосовое в экспорт попало, загрузите его сюда как есть, формат не важен: сервис принимает OGG/Opus и M4A.

Способы, которых мы не проверили по справке, — отправка голосового на почту с телефона, сохранение из WhatsApp Web — здесь не описаны намеренно: если у вас они работают, файл подойдёт любой.

Короткое голосовое при свободном сервере расшифровывается за несколько секунд — это замерено, а не обещано. Если оба рабочих места заняты длинными записями, голосовое ждёт, пока освободится место: в замерах позади двух записей по двенадцать минут оно ждало от полутора до шести с половиной минут — шумные записи распознаются вчетверо медленнее чистых, — а позади полуторачасовых ждать пришлось бы десятки минут. Вы видите своё место в очереди и ориентировочное время по недавним записям, а не бесполезное «попробуйте позже»; оценка отстаёт от действительности в обе стороны, потому что считается по скорости недавних записей. Вкладку можно свернуть.

Это черновая расшифровка, которую вы вычитываете. Голосовые — самый неудобный для распознавания звук: телефон у щеки, улица, машина, обрывки фраз и имена, которые нельзя угадать из контекста. Ошибки будут именно в них. Сервер оценивает запись сам и на шумной переигрывает её вторым, более медленным распознавателем — тогда текст придёт не через три секунды, а через десять-двадцать; 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. Голосовое на другом языке может распознаться хуже или не распознаться вовсе; перевода здесь нет.

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 голосового нужен, как правило, первый: прочитать, скопировать в ответ или в заметки. Таймкоды пригодятся на длинном голосовом, чтобы переслушать спорное место.

Любой вид копируется одной кнопкой или скачивается файлом — .txt, .srt или .vtt. Текст хранится час, потом стирается, поэтому нужное лучше сохранить сразу. Если голосовых много, загружайте их по одному: каждое — отдельная задача со своим текстом.