Транскрибатор: аудио и видео в текст

Что это

Это бесплатный перевод аудио и видео в текст. Вы загружаете файл, программа распознает речь и отдает расшифровку пятью файлами сразу: текст с таймкодами, тот же текст в разметке Markdown со сводкой записи, субтитры SRT, документ Word и JSON со временем каждого слова. Ничего настраивать не нужно, русский язык определяется по умолчанию.

Сервис сделан не как отдельный продукт, а как открытая часть программы «Сибирь.ИИ». Мы держим свою видеокарту под обучение моделей, и свободное время этой карты отдаем на расшифровку. Поэтому у сервиса нет платной версии: платить не за что, оборудование все равно наше и все равно работает.

Как это еще называют

Одну и ту же задачу ищут разными словами: транскрибатор, расшифровка аудио, перевод звука в текст, транскрибация, speech to text. Это все про одно: взять запись и получить из нее текст. Отдельно стоит только синтез речи, то есть обратная задача - озвучить написанный текст голосом. Этого мы не делаем.

Как это работает

• Загрузите файл. Поддерживаются MP3, WAV, M4A, OGG, OPUS, FLAC, AAC, AMR, WMA и видео MP4, MOV, MKV, AVI, WEBM.
• Дорожка отделяется от видео и сжимается, поэтому гигабайтный ролик не отнимает у вас полчаса на загрузку.
• Речь распознает модель Whisper large-v3 на нашей видеокарте.
• Готовые файлы можно скачать сразу или забрать по ссылке в течение суток.

Час записи обрабатывается примерно за две минуты. Это замер на нашей карте, снятый в тот момент, когда она параллельно была занята обучением модели.

Кому это чаще всего нужно

• Студентам и научным сотрудникам. Лекция в текст, интервью респондента дословно, запись семинара, по которой потом ищешь нужное место.
• Журналистам. Расшифровка интервью, чтобы цитировать точно, а не по памяти.
• Юристам. Записи переговоров и заседаний, где важно именно дословно.
• Кадровикам. Собеседования: сравнить ответы кандидатов проще по тексту.
• Руководителям. Совещание, с которого нужен не пересказ, а что было сказано.
• Поддержке и продажам. Разбор звонков: что обещали и о чем договорились.

Отдельная и большая часть - люди, которым просто удобнее читать. Час записи просматривается глазами за несколько минут, а слушается час.

Сколько это стоит

Нисколько. Нет подписки, нет пробного периода, нет платы за минуты. Ограничение одно и оно техническое: один файл до 2 ГБ и до трех часов звучания, а суммарно с одного человека принимается час записи в сутки. Это не маркетинговая уловка, а честная граница: карта одна, и если ее занять целиком, очередь встанет для всех.

Для сравнения, чтобы было понятно, много это или мало. У одного из соседних сервисов бесплатно тридцать минут на файл и три файла в сутки, а дальше платная подписка. Здесь регистрации нет вовсе, а файл принимается до трех часов.

Если этого не хватает, ту же программу можно поставить себе: она входит в состав «Сибирь.ИИ» и работает на вашем оборудовании без обращений наружу.

Точность

На чистой начитанной речи доля ошибок в словах единицы процентов. Точную цифру мы не называем: подтвердить ее прямо сейчас мы не можем, а неподтвержденное число ничем не лучше чужих «99 процентов». На шумной записи, при перебивках и сильном акценте ошибок будет больше, и мы этого не скрываем.

Формулировка «точность 99 процентов» без указания, на чем она получена, не значит ничего: на студийной начитке столько дает почти любая современная модель, а на записи совещания с четырьмя перебивающими людьми не дает ни одна. Поэтому своей точной цифры мы тоже не ставим: пока мы не можем показать замер, наше число было бы таким же ничего не значащим.

Что эта величина считает, от чего зависит и как проверить ее на своей записи - на отдельной странице про точность расшифровки.

Где записи хранятся

Запись обрабатывается на видеокарте в Новосибирске и не уходит в зарубежные облака. Ни один шаг обработки не обращается наружу: модель распознавания работает на нашем оборудовании, а не через чужой интерфейс.

Исходная запись удаляется сразу после расшифровки, готовые файлы живут сутки. Удалить их раньше можно кнопкой на странице результата. Расшифровки не читаются людьми, не используются для обучения моделей и не передаются третьим лицам. Оператор обработки - ООО «Финансовый искусственный интеллект», ИНН 5402076457, Новосибирск.

Что умеет сверх простого текста

Таймкоды

Каждая фраза получает метку времени. По ней легко найти нужное место в записи, не переслушивая целиком.

Субтитры

Файл SRT подходит для YouTube, VK Видео, Rutube и любого видеоредактора. Подробнее на странице создания субтитров.

Разделение по говорящим

Для интервью и совещаний программа помечает реплики разных людей. Имен она не знает и подписывает их как «Говорящий 1» и «Говорящий 2». Разделение примерно удваивает время расчета, поэтому включается отдельной галочкой.

Тишина и музыка

На участках без речи модели любят придумывать фразы вроде «Продолжение следует» или названия несуществующих субтитровщиков. Мы такие куски вычищаем, и это отдельная проверка, а не побочный эффект.

Чего сервис не делает

• Не переводит на другой язык. Расшифровка идет на том языке, на котором говорят.
• Не редактирует текст по смыслу и не пишет за вас пересказ на основе домыслов.
• Не распознает текст на картинке и надписи в кадре: работа идет со звуковой дорожкой.
• Не восстанавливает то, чего не слышно. Если запись неразборчива, это будет видно по расшифровке, а не спрятано за гладкими фразами.

Частые вопросы