Что такое транскрибация: простыми словами

Термин пришёл от латинского transcribere, «переписывать». Переписывают звук: получается перевод устной речи в письменный текст со знаками препинания, абзацами и, если говорящих несколько, с пометкой, кто что сказал. Многие делали такую работу вручную, слушая диктофон и печатая, просто не знали, что у неё есть своё название.

Как называется перевод аудио и видео в текст

Одно и то же действие называют по-разному, смотря кто говорит и зачем. В быту чаще всего слышно «расшифровка»: так спрашивают, как называется расшифровка аудио в текст, и так же отвечают. Сервисы и специалисты говорят «транскрибация», а человека, который этим занимается, называют транскрибатором.

Разработчики называют технологию распознаванием речи, по-английски ASR (automatic speech recognition) или speech-to-text. Когда текст привязан ко времени и выводится поверх ролика, это субтитры. Дословную официальную запись заседания или суда называют стенограммой. А короткий документ с решениями и задачами по итогам встречи уже протокол: его пишут по расшифровке, но это другой жанр.

Так что если вы ищете, как называется перевод видео в текст, подойдёт любое из первых двух слов. Поисковик и исполнитель поймут одинаково.

Транскрибация, расшифровка, стенограмма: есть разница?

Транскрибация и расшифровка на практике синонимы. Стенограмма стоит чуть особняком: она подразумевает запись слово в слово, без правок, со всеми повторами и оговорками. Так оформляют заседания, судебные процессы, парламентские слушания, где важно зафиксировать сказанное точно.

Обычная транскрибация бывает и дословной, и слегка причёсанной, в зависимости от задачи. Поэтому стенограмма всегда транскрибация, но не всякая транскрибация годится как стенограмма.

Транскрибация и транскрипция: не путайте

Слова похожи, и поисковики их часто смешивают. Транскрипция из учебника английского показывает, как слово произносится: [ˈwɔːtə] для water. Это запись звуков значками, её используют лингвисты и те, кто учит язык. Транскрибация записывает сказанное обычными словами и буквами, как в книге, и произношение её не интересует.

В биологии транскрипцией называют ещё и копирование ДНК в РНК, но к записям это отношения не имеет. Если вам нужен текст из лекции или интервью, ищите транскрибацию; если нужно понять, как читается слово, нужна транскрипция.

Виды транскрибации: дословная, чистовая, литературная

Один и тот же разговор можно записать тремя способами, и выбирают их под задачу.

• Дословная: всё, что прозвучало, включая «ну», «вот», повторы и оборванные фразы. Нужна для исследований, судебных материалов и цитат, где важна каждая оговорка.
• Чистовая: слова-паразиты и повторы убраны, пунктуация расставлена, смысл не тронут. Самый частый вариант для интервью, встреч и лекций.
• Литературная: текст переписан так, чтобы читаться как статья. Предложения перестроены, мысли собраны в абзацы. Так готовят интервью к публикации и книги по курсам.

В Текстомате первые два вида делаются в одной расшифровке. Вкладка «Дословно» хранит исходный текст по спикерам с таймкодами, вкладка «Доработать с ИИ» даёт причёсанный вариант, где YandexGPT расставляет пунктуацию и убирает слова-паразиты. Литературную правку по-прежнему делает редактор, зато работает он уже с готовым текстом.

Зачем нужна транскрибация

Текст во многом удобнее звука: по нему можно искать, из него легко взять цитату, его быстро прочитать по диагонали. Вот где это чаще всего выручает:

• Встречи и совещания: из записи собирают протокол с решениями и задачами.
• Интервью: журналисты и исследователи достают цитаты, не перематывая диктофон.
• Лекции и вебинары: из них делают конспект для учёбы или работы.
• Видео: по тексту готовят субтитры и описания, которые заодно помогают продвижению ролика.
• Звонки: расшифровку используют, чтобы проверять договорённости и учить сотрудников на реальных разговорах.

Как делают транскрибацию

Способов два. Первый ручной: включаешь запись и печатаешь. Выходит точно, но медленно: на час записи уходит 4–6 часов работы. Второй автоматический, через онлайн-сервис распознавания речи: загрузил файл, через несколько минут получил готовый текст.

Подробно оба способа и голосовой ввод в придачу мы разобрали в гайде как перевести аудио и видео в текст. Если запись уже есть, ручная работа обычно лишняя: сервис сделает то же самое быстрее, а человеку останется вычитка.

Как работает автоматическая транскрибация

Внутри сервиса запись проходит несколько этапов. Сначала звук сжимается, потом нейросеть распознавания речи превращает его в слова. Затем в тексте появляются знаки препинания и заглавные буквы, а диаризация делит поток на реплики по голосам. На выходе текст с подписями «Спикер 1», «Спикер 2» и таймкодом у каждого фрагмента.

Качество распознавания меряют показателем WER (word error rate), долей слов, которые модель записала неправильно. Он зависит от звука, дикции, терминов и числа говорящих, а от чего ещё зависит точность и как проверить её на своей записи, мы разобрали отдельно. Деление по голосам надёжнее всего работает на двух-трёх собеседниках; на совещании из шести-восьми человек часть реплик придётся переподписать.

Текстомат распознаёт речь на Яндекс SpeechKit. Русский модель знает лучше всего, всего языков 15, язык выбирается вручную или определяется автоматически. Китайский, японский, корейский, арабский, хинди, украинский, грузинский и армянский сервис пока не распознаёт.

Что такое транскрибация видео

Это та же транскрибация, только исходником служит ролик. Звук отдельно вынимать не нужно: сервис сам берёт звуковую дорожку из MP4, MOV или WEBM. Если видео лежит на YouTube, ВКонтакте или Rutube, хватит ссылки; с Яндекс.Диска и Google Диска подойдёт публичная ссылка на файл. Предел одинаковый, до 2 ГБ.

Из ролика чаще всего нужен результат в одном из двух видов. Субтитры SRT подключают к ролику в видеоредакторе или на площадке, перед каждой репликой в них стоит имя спикера. Текст в Word или TXT идёт на описание, статью или конспект. В обоих случаях таймкоды помогают найти нужный момент в видео.

Что отличает хорошую расшифровку

Набор слов ещё не результат. Хорошая транскрибация даёт текст, который почти не нужно переделывать:

• Знаки препинания и абзацы: текст читается, а не идёт сплошным потоком.
• Деление на спикеров: видно, кто что сказал, для встреч и интервью это критично.
• Таймкоды: метки времени у фраз, чтобы вернуться к нужному моменту записи.
• Форматы на выбор: Word (DOCX) для документов, SRT для субтитров, простой TXT и JSON для разработчиков.
• Точность на русском: она зависит от того, на каком движке работает сервис.

Сколько это стоит и сколько занимает

Вручную вы платите в основном временем. Через сервис уходят минуты, а деньги идут за минуты распознавания. В Текстомате есть бесплатные минуты для проверки, без карты, а дальше подписка от 490 ₽ в месяц: минута стоит от 1,05 до 1,63 ₽ в зависимости от тарифа, неиспользованные минуты не сгорают.

Отдельный вопрос: где обрабатываются ваши записи. В разговорах почти всегда звучат персональные данные, а закон 152-ФЗ требует держать такие данные россиян на серверах в России. Это стоит проверять, особенно у зарубежных сервисов. Текстомат обрабатывает записи на серверах в России и удаляет исходный файл через 30 минут после готовности текста.

Коротко

Транскрибация превращает запись в текст. «Расшифровка» и «транскрибация» означают одно и то же, стенограмма дословная и официальная, а транскрипция вообще про произношение. Делать можно вручную или сервисом; если запись уже есть, сервис экономит часы. Хороший результат: текст со спикерами и таймкодами в удобном формате.