Как перевести аудио и видео в текст: подробный гайд

Перевод записи в текст называют транскрибацией или расшифровкой. Устная речь становится письменной: со знаками препинания, абзацами, а часто и с пометкой, кто из участников что сказал. По тексту удобно искать нужное место, брать цитаты и собирать протокол, не переслушивая запись целиком.

Какой способ выбрать, зависит от того, что у вас на руках: живая диктовка прямо сейчас или уже готовый файл, который надо разобрать.

Способ 1. Расшифровать вручную

Самый очевидный путь: включить запись и печатать. Человек слышит контекст, разбирает неразборчивое, правильно пишет термины и фамилии. Минус один, но большой: время. На час записи уходит в среднем 4–6 часов работы, потому что приходится постоянно останавливать, отматывать и переслушивать.

Ручная расшифровка оправдана, когда фрагмент короткий или юридически важный и каждое слово должно быть выверено. Для планёрок, интервью и лекций тратить на неё полдня расточительно.

Способ 2. Голосовой ввод

Если текст нужно надиктовать здесь и сейчас, помогает голосовой ввод: микрофон на клавиатуре телефона, голосовой набор в Google Документах, заметки с распознаванием. Вы говорите, на экране появляются слова.

Ниша у этого способа узкая. Он хорош, когда вы сами говорите чётко и в тишине. С готовой записью встречи или интервью справляется плохо: несколько голосов, фоновый шум, перебивания, и текст рассыпается. Разделить реплики по говорящим голосовой ввод тоже не умеет, а файл в него не загрузишь.

Способ 3. Сервис распознавания речи

Если запись уже есть, практичнее всего загрузить её в онлайн-сервис распознавания речи. Час звука обрабатывается за несколько минут. Сервис расставляет пунктуацию, делит текст по спикерам и ставит таймкод у каждого фрагмента, чтобы по метке времени вернуться к нужной фразе.

Так работает Текстомат. Речь распознаёт Яндекс SpeechKit, движок с сильной русской моделью, а записи обрабатываются на серверах в России. Кроме русского, сервис понимает ещё 14 языков; язык можно выбрать вручную или оставить автоопределение.

Как расшифровать запись через сервис: пошагово

1. Подготовьте файл. Сайт принимает аудио MP3, M4A, WAV, OGG, AAC и OPUS, а также видео MP4, MOV, WEBM и MKV, до 2 ГБ. Файлы .wma и .amr сначала перегоните в MP3 или M4A. Если запись лежит на YouTube или Яндекс.Диске, скачивать её не обязательно: хватит ссылки.
2. Загрузите запись. В Текстомате достаточно перетащить файл в окно браузера, ничего устанавливать не нужно. Файлы загружаются по одному; когда загрузка закончилась, вкладку можно закрыть.
3. Выберите язык и режим. Укажите, один голос на записи или несколько: во втором случае сервис сам определит говорящих и подпишет их «Спикер 1», «Спикер 2».
4. Дождитесь текста. Обычно он готов через несколько минут, минуты списываются по длине записи и только за успешную расшифровку.
5. Вычитайте и скачайте. Первые 30 минут после готовности текста запись слушается прямо в кабинете: клик по фразе перематывает на нужное место. Переименуйте спикеров, поправьте термины и выгрузите файл.

Как из видео сделать текстовый документ Word

Отдельно извлекать звук из ролика не нужно: сервис сам берёт звуковую дорожку из MP4, MOV или WEBM. Дальше всё как с аудио. Через несколько минут в кабинете появляется текст с репликами по спикерам, а кнопка выгрузки отдаёт файл DOCX. Его открывают в Word, Google Документах или LibreOffice и правят как обычный документ.

В документе у каждого фрагмента стоит таймкод и имя говорящего, например «[03:48] Спикер 1: …». Это удобно, когда по тексту нужно вернуться к моменту в ролике. Для чистового текста рядом с основной кнопкой выгрузки есть вариант «Word без таймкодов» — метки убирать поиском с заменой не придётся.

Если вы снимали ролик на телефон, загрузить его можно прямо из галереи в мобильном браузере. Видео тяжелее двух гигабайт сначала сожмите или вырежьте из него звук.

Можно ли из видео извлечь текст, не скачивая его

Да, если ролик лежит на площадке, которую сервис открывает по ссылке: YouTube, ВКонтакте, Rutube, Яндекс.Диск или Google Диск. Для дисков нужна публичная ссылка на сам файл, не на папку. Подойдёт и прямая ссылка на медиафайл; ограничение то же, до 2 ГБ.

Если у ролика на площадке уже есть субтитры, можно выбрать из двух вариантов. Взять готовые субтитры дешевле: спишется половина длительности, но реплики не будут разделены по голосам. Распознать звук заново стоит полную цену, зато в тексте появятся спикеры.

Плееры Zoom, Телемоста, МТС Линк и других сервисов видеосвязи, а также ссылки из мессенджеров и подкаст-площадок сервис не открывает. Такую запись скачайте и загрузите файлом или выложите на Диск. Прямые трансляции тоже не расшифровываются: нужна готовая запись.

Как из аудиофайла сделать текст, если запись длинная

Лекцию, вебинар или многочасовое интервью не нужно резать на куски заранее. Сервис берёт файл до 2 ГБ и около 4 часов звука: перед распознаванием запись сжимается, поэтому даже тяжёлый WAV обычно проходит целиком. Если запись длиннее, разделите её на части или загрузите только звуковую дорожку.

Со слабым интернетом надёжнее выложить файл на Яндекс.Диск и дать публичную ссылку: при обрыве связи загрузка с компьютера начинается заново.

Аудиокнигу переводят в текст так же, как лекцию. Обычно это несколько файлов по главам, каждый загружается отдельно, а режим «Один голос» убирает лишнюю разметку спикеров. Помните, что книга защищена авторским правом: расшифровку можно держать для себя, но выкладывать или продавать её нельзя.

Как повысить точность распознавания

Автоматическое распознавание зависит от качества звука. Несколько простых вещей заметно улучшают результат:

• Записывайте в тихом месте: фоновый шум и эхо мешают сильнее всего.
• Держите микрофон ближе к говорящим; встроенный микрофон ноутбука через всю комнату пишет хуже.
• Просите не перебивать друг друга: наложение голосов трудно разобрать даже человеку.
• В начале встречи попросите участников назвать себя, так проще подписать спикеров.
• Для записи на смеси языков выберите язык вручную, автоопределение тут ошибается чаще.
• Песни и вокал на фоне музыки распознаются хуже обычной речи.

В каком формате забрать текст

Готовую расшифровку выгружают в один из четырёх форматов, под конкретную задачу:

• Word (DOCX) для протоколов, статей и документов, которые дальше редактируют.
• TXT, когда нужен только текст без оформления.
• Субтитры SRT для монтажа: перед каждой репликой стоит имя спикера, файл подключают к ролику на YouTube, ВКонтакте или в видеоредакторе.
• JSON для разработчиков, если текст уходит в другую программу.

Что сделать с текстом после расшифровки

Дословный текст хранит всё, что прозвучало, включая «ну», «вот» и оборванные фразы. Для цитат это плюс, для чтения минус. Поэтому у готовой расшифровки в кабинете четыре вкладки:

• «Дословно»: исходный текст по спикерам с таймкодами.
• «Доработать с ИИ»: причёсанный вариант, где YandexGPT расставляет пунктуацию и убирает слова-паразиты.
• «Саммари»: о чём запись в 2–4 предложениях и тезисы списком, а для встреч ещё решения и задачи. Выжимка копируется кнопкой.
• «Перевод»: если запись на английском или другом языке, текст можно перевести на русский одной кнопкой. Подписи говорящих и таймкоды остаются, а саму аудиодорожку сервис не переводит и не озвучивает.

Текст остаётся в кабинете. Записи там ищутся по названию, а внутри расшифровки работает поиск по словам, так что нужную цитату находят за секунды.

Как перевести запись в текст с телефона

Отдельное приложение ставить не нужно: сервис открывается в мобильном браузере, и перевести аудио в текст на телефоне можно так же, как на компьютере. Короткие голосовые удобнее пересылать Телеграм-боту @tekstomat_app_bot: сначала войдите на сайт и в профиле нажмите «Подключить Телеграм». Бот принимает файлы до 20 МБ, спрашивает, один голос или несколько, и присылает текст в чат; длинный текст приходит файлом Word.

Про конфиденциальность

Записи встреч, интервью и звонков часто содержат персональные данные, свои и чужие. По закону 152-ФЗ их обработка должна идти на серверах в России. Многие зарубежные сервисы этому не соответствуют, а оплатить их российской картой часто нельзя. Текстомат обрабатывает записи в России, исходный файл удаляет автоматически через 30 минут после готовности текста (предельный срок по оферте 7 дней), а платите вы в рублях.