Транскрибация в Яндексе: что есть на самом деле

Сразу оговоримся о позиции: мы делаем свой сервис расшифровки и работаем на российском движке распознавания — том самом, о котором пойдёт речь ниже. Поэтому мы не будем рассказывать, что у Яндекса всё плохо: движок отличный, мы сами на нём и стоим. Разговор про другое — про то, в каком виде эта технология доступна обычному человеку.

Яндекс SpeechKit: движок, а не сервис

SpeechKit — это то, что люди на самом деле имеют в виду, когда говорят «распознавание речи от Яндекса». Технология сильная и нативно русская: она обучалась на русской речи, а не переводилась с английской модели, и поэтому лучше держит имена, окончания и разговорные обороты.

Но SpeechKit — часть облачной платформы для разработчиков. Чтобы им воспользоваться, нужно завести аккаунт в облаке, создать платёжный аккаунт, получить ключ доступа и отправлять запросы к API — то есть писать код или хотя бы работать с командной строкой. Файл в браузер туда не перетащишь: интерфейса «загрузите запись и получите текст» у SpeechKit нет, потому что он и не задуман как продукт для конечного пользователя.

Проще всего думать так: SpeechKit — это двигатель, который продают автопроизводителям. Ездить на одном двигателе нельзя, нужна машина вокруг него.

Алиса: надиктовать — да, расшифровать файл — нет

Запрос «видео в текст Алиса» — один из самых частых в этой теме, и ответ на него, к сожалению, отрицательный. Алиса — голосовой помощник. Она распознаёт вашу речь в момент, когда вы говорите: спрашиваете время, диктуете сообщение, ищете голосом. Это работа с живым потоком звука.

Расшифровка записи — задача противоположная: есть готовый файл, и его нужно разобрать целиком, с делением на говорящих и метками времени. Загрузить в Алису часовую запись совещания и получить обратно текст нельзя — она устроена не для этого. Если вам нужно надиктовать короткий текст здесь и сейчас, голосовой ввод действительно удобнее клавиатуры. Если на руках лежит запись — нужен другой инструмент, и об этом мы подробно писали в гайде как перевести аудио и видео в текст.

Яндекс Телемост: расшифровка есть, но не у всех

У Телемоста расшифровка встреч действительно существует — и это самое близкое к «готовой транскрибации от Яндекса», что можно найти. Но с двумя условиями.

• Функция относится к платным тарифам Яндекс 360 для бизнеса. На бесплатном личном аккаунте её нет — отсюда и недоумение людей, которые ищут кнопку и не находят.
• Работает она только со встречами внутри самого Телемоста. Запись, сделанную в другом месте, туда не загрузить.

Зато сама запись встречи ложится на Яндекс.Диск организатора — в отдельную папку. И там же обычно лежит второй файл, только со звуком: он весит в разы меньше видео, а для распознавания подходит ровно так же. Это, кстати, общее правило для любых записей созвонов — подробнее на странице расшифровка встреч.

Яндекс Браузер: пересказ ролика — это не расшифровка

Четвёртое место, где люди сталкиваются с «текстом из видео» у Яндекса, — браузер. Он умеет переводить чужие ролики закадровым голосом и делать короткий пересказ содержания. Выглядит похоже на транскрибацию, но задача решается другая.

Пересказ — это сжатие: вам возвращают несколько абзацев о том, про что ролик. Расшифровка — это полный текст того, что было сказано, слово в слово, с указанием, кто говорил и на какой минуте. Первое годится, чтобы решить, стоит ли смотреть. Второе нужно, когда из записи надо достать цитату, собрать протокол или сделать субтитры. И работает браузерный пересказ с роликами в интернете, а не с файлом на вашем компьютере.

Сводка: что где искать

• Нужно встроить распознавание в свою программу — SpeechKit, через облако и код.
• Нужно надиктовать короткий текст голосом — Алиса или голосовой ввод на клавиатуре.
• Нужен протокол встречи, которая прошла в Телемосте, и есть Яндекс 360 для бизнеса — встроенная расшифровка.
• Нужно понять, о чём чужой ролик, не смотря его, — пересказ в Яндекс Браузере.
• Есть готовый файл записи, и нужен полный текст с говорящими и таймкодами — ни один из четырёх пунктов выше не подходит.

Что делать с обычным файлом

Последний пункт списка — самый частый случай: запись совещания, интервью, лекции или звонка уже лежит на диске, и нужен её текст. Здесь нужна не технология, а сервис вокруг неё: место, куда файл просто перетаскивают, а обратно получают готовый документ.

Так устроен Текстомат. Мы работаем на российском движке распознавания и добавляем к нему всё, чего у голого движка нет: загрузку файла до 2 ГБ прямо в браузере, приём по ссылке на YouTube, VK, Rutube, Яндекс.Диск и Google Диск, деление по голосам, таймкоды у каждой реплики и выгрузку в Word, TXT, SRT и JSON. Данные при этом остаются в России, оплата идёт российской картой, VPN не нужен.

Проверить можно без карты: первые 30 минут бесплатны. Если сравниваете несколько вариантов — у нас есть отдельный обзор сервисов транскрибации, где мы честно разложили, кому какой подойдёт.