Расшифровка аудио в текст онлайн

Откройте сайт в браузере, загрузите файл и дождитесь расшифровки, программы ставить не нужно. Пробные минуты появляются на счёте после подтверждения почты. Для пробы удобно взять фрагмент на 10–20 минут: по нему сразу видно, сколько будет правок.

Да, это одна задача: речь из записи становится текстом на том же языке. Стенограмма — оформленный документ на основе такой расшифровки, с регламентом и подписями.

Текст вернётся на языке оригинала; во вкладке «Перевод» у готовой расшифровки его можно перевести на русский одной кнопкой — подписи говорящих и таймкоды остаются, оригинал лежит во вкладке «Дословно». Саму аудиодорожку не переводим и не озвучиваем.

Запись с диктофона загружается в браузере телефона, приложение ставить не нужно. Голосовое удобнее переслать боту @tekstomat_app_bot: сначала подключите Телеграм в профиле на сайте, дальше текст придёт ответом в тот же чат. Через бота проходят файлы до 20 МБ.

Загрузите файл звонка или беседы и оставьте деление на спикеров: реплики разойдутся по «Спикер 1» и «Спикер 2», подписи потом меняются на имена. Голос с громкой связи или с дальнего микрофона распознаётся хуже, чем речь у самого телефона, так что правок будет больше. Если приложение записи звонков сохраняет файлы в .amr, перегоните их в MP3 или M4A.

С готовым файлом нет: аудио не входит в список форматов, которые ChatGPT принимает в чат. Открытую модель Whisper от OpenAI можно поставить на свой компьютер, но это настройка через командную строку, и реплики по голосам она сама не делит.

Распознавание берёт речь и пропускает то, что словами не записывается: гул, музыку, шаги. Сильный шум и дальний микрофон всё же съедают часть слов, и в таких местах текст выходит с пропусками. Кнопки шумоподавления в сервисе нет, поэтому лучше записывать ближе к говорящему, а спорные места переслушать по таймкоду.

Модель ставит их по интонации и по смыслу фразы, примерно как человек, записывающий под диктовку. Поэтому в спокойной речи пунктуация выходит точнее, чем в сбивчивой.

На чистой записи с диктофона хватит вычитки и имён спикеров. Больше правок дают перебивания и слова, которых модель не знает: фамилии, названия, узкие термины. Их удобно найти поиском по тексту и поправить прямо в кабинете.

Если файл в MP3, WAV, M4A или OGG, то нет: лишний перегон качество не улучшит. Конвертировать стоит только то, чего нет в списке сайта, например .wma со старого диктофона.

Из большинства распространённых. Сайт принимает файлы MP3, M4A, WAV, OGG, MP4, MOV, WEBM, AAC, OPUS и MKV до 2 ГБ. Файлы .wma и .amr сначала перегоните в MP3 или M4A либо отправьте через Телеграм-бот (до 20 МБ). Перевести звук в текст можно и из видеофайла: звуковая дорожка достаётся автоматически, подробнее на странице видео в текст.

Да, три часа помещаются в один файл целиком. Файл до 2 ГБ и около 4 часов звука в одном файле; запись длиннее разделите на части или загрузите только звуковую дорожку. Час в MP3 или M4A занимает десятки мегабайт, так что в 2 ГБ упирается разве что несжатый WAV.

Расшифровка — весь текст слово в слово. Саммари — 2–4 предложения и тезисы, для встреч ещё решения и задачи. Оно лежит во вкладке «Саммари» готовой расшифровки и копируется кнопкой, дословный вариант при этом остаётся.

Обычно за минуты, время зависит от длины записи и очереди. Когда загрузка закончилась, вкладку можно закрыть: результат сохранится в кабинете.

До 60 минут бесплатно, без карты. Дальше подписка от 490 ₽ за 300 минут, минута обходится от 1,05 до 1,63 ₽ и не сгорает. Минуты списываются по длине записи и только за успешную расшифровку, формат файла на цену не влияет. Оплата картой российского банка или через СБП. Записи обрабатываются в России по 152-ФЗ, исходник удаляется через 30 минут после готовности текста.