Диктофон есть в каждом телефоне, и записываем мы им чаще, чем кажется: рабочие созвоны, интервью, лекции, консультации, инструктаж от мастера. Проблема начинается потом. Запись есть, а найти в ней нужную минуту нельзя — только слушать целиком. Поэтому большинство записей так и лежат в памяти телефона непрослушанными.
Выход один: перевести звук в текст. По тексту работает поиск, его можно переслать, процитировать, вставить в документ. Разбираемся, чем это сделать.
Сколько стоит расшифровать час вручную
Опытный человек набирает час записи за четыре-шесть часов. Дело не в скорости печати: приходится всё время останавливать, отматывать, переслушивать неразборчивые места. За час непрерывной набивки устаёшь сильнее, чем за три часа обычной работы.
Отдать исполнителю на бирже стоит от 15 до 40 рублей за минуту записи — то есть от тысячи рублей за час, плюс сутки-двое ожидания.
Автоматика справляется с тем же часом за несколько минут. Вопрос только в том, чем именно.
Онлайн-сервисы
Ничего устанавливать не нужно: загрузили файл, через несколько минут забрали текст.
- Текстомат — российский сервис. Распознаёт русскую и английскую речь, разделяет реплики по спикерам, расставляет таймкоды. Результат выгружается в Word, TXT, SRT и JSON, запись можно передать файлом, ссылкой на облако или прислать в Телеграм-бот. Файлы принимает до 2 ГБ. Данные хранятся в России, исходники удаляются автоматически, при регистрации даётся 30 минут бесплатно и без привязки карты.
- Speech2Text и Teamlogs — другие российские сервисы схожего профиля. Имеет смысл прогнать через них ту же запись и сравнить.
- Otter, Notta, Deepgram — зарубежные платформы с сильными алгоритмами. Оплатить их российской картой нельзя, а часть без VPN просто не открывается.
Программы для своего компьютера
Тем, кто не хочет отправлять записи в облако, подойдёт Whisper от OpenAI и его ускоренная версия faster-whisper. Бесплатно, локально, ничего никуда не уходит.
Минусов два, и оба существенные. Без видеокарты трёхчасовая запись обрабатывается часами. И разделять говорящих Whisper не умеет вообще — это отдельная надстройка, которую придётся собирать руками.
Телеграм-боты
Выручают с голосовыми сообщениями и короткими записями. Бесплатный лимит на несколько минут есть почти у всех, но часовое совещание такой бот обычно не тянет.
Что ломает распознавание
Все сервисы прекрасно справляются со студийной записью одного диктора. Разница между ними вылезает на другом.
Фоновый шум и эхо в пустом кабинете. Перебивания, когда двое говорят одновременно. Отраслевые термины, фамилии и названия компаний — их путают чаще всего. Тихий собеседник, который сидит дальше от микрофона. Диктофон в кармане вместо стола.
Поэтому проверять сервис на демонстрационном файле с его сайта бессмысленно. Берите свою худшую запись.
На что ещё смотреть
Разделение по спикерам. Без него расшифровка разговора двух-трёх человек превращается в сплошное полотно, где непонятно, кто что сказал.
Где хранятся файлы. Если в записи звучат фамилии, суммы и условия договоров, данные должны оставаться в России в соответствии с 152-ФЗ.
Оплата и документы. Российская карта и закрывающие документы — то, на чём спотыкается большинство зарубежных сервисов.
Форматы выгрузки. Текст для пересылки, документ для протокола, файл субтитров для видео — форматы у сервисов разные, и это стоит проверить заранее.
Что делать с сырым текстом. Расшифровка «как есть» — это поток речи со всеми «э-э», повторами и оборванными фразами. Часть сервисов умеет причёсывать его нейросетью и отдельно выдавать краткое саммари: главные мысли и договорённости. Для протоколов и рабочих созвонов это экономит больше времени, чем само распознавание.
Как расшифровать запись
- Загрузите файл или дайте ссылку на запись — большинство сервисов принимают и аудио, и видео.
- Дождитесь обработки: час записи занимает несколько минут вместо рабочего дня.
- Выгрузите результат в нужном формате и вычитайте имена и термины — их правит даже хорошее распознавание.
Что выбрать
Если записи разовые и на компьютере есть видеокарта — ставьте Whisper, он закроет вопрос бесплатно. Если записей десятки в месяц, нужны спикеры и таймкоды, а возиться с настройками некогда — считайте своё время: онлайн-сервис окупится за первую же неделю.
И самый простой способ решить: возьмите десять минут самой неудачной своей записи и прогоните через два-три сервиса. Разница будет видна сразу.
